Uni-RiD利用机器学习自动寻找准确描述蛋白质体系构象空间的集合变量，结合分子动力学模拟实现对蛋白质体系势能面的高效采样，已经被成功用于解决蛋白折叠、蛋白结构优化、别构口袋预测等场景中的复杂采样问题，实现蛋白动力学、蛋白受体结合构象的高效预测和精准优化。

传统分子表征学习（MRL）模型一般用一维序列或二维图结构作为输入，虽然能在大多数性能预测任务中表现良好，但限制了其在实际应用中结合分子3D信息的能力，尤其是处理与分子3D结构相关任务的建模。Hermite® Uni-Mol是首个发布的三维分子预训练模型。Uni-Mol直接将分子三维坐标信息作为模型输入，在几乎所有与药物分子和蛋白口袋相关的下游任务上都超越了 SOTA（state-of-the-art，目前最先进水平），并能够直接完成分子构象生成、蛋白-配体结合位点预测、可药性等三维构象相关的任务，预测结果准确度超越现有解决方案。

Hermite®结合深度学习和分子动力学模拟对抗体发现、设计与改造、抗体性质预测提供完整高效的解决方案：能够精确预测抗体3D结构模型，并利用RiD增强采样技术对CDR区域进行进一步优化；以结构为基础，结合序列信息，可预测抗体的理化性质，从而理性指导抗体改造；根据动力学采样得到的构象集合，可以更精确的获得抗体抗原结合态，从而理性指导亲和力改造。