Nat. Commun. 速递：蛋白质热力学粗粒化势能的机器学习

关键词：机器学习，蛋白质动力学，粗粒化，热力学与统计物理

论文标题：Machine learning coarse-grained potentials of protein thermodynamics论文来源：Nature Communications斑图链接：https://pattern.swarma.org/paper/42c10e56-541c-11ee-8e77-0242ac17000d原文链接：https://www.nature.com/articles/s41467-023-41343-1
蛋白质动力学的广义理解是一个尚未解决的科学问题，其解决方案对于解释控制基本生物过程的结构-功能关系至关重要。蛋白质是复杂的动力系统，不同构象状态处在动态平衡中，这种多状态行为对其生物功能至关重要。对蛋白质动力学的完整描述需要确定以下三个问题：1）其稳定和亚稳构象状态；2）这些状态的相对概率；3）它们之间的相互转化速率。文章专注于通过演示如何学习能保持蛋白质热力学特性的粗粒化势能来解决前两个问题。
作者通过构建基于人工神经网络并基于统计力学的粗粒化分子势能来解决这个问题。为了训练，作者建立了一个独特的数据集，包括约九毫秒的十二种不同蛋白质的无偏全原子分子动力学模拟，其中包括多种二级结构排列。
图1 模拟和实验蛋白质结构的比较。
粗粒化模型能够将动力学加速超过三个数量级，同时保持系统的热力学特性。粗粒化模拟确定了集合中具有与全原子系统可比的能量学特性的相关结构状态，此外，作者展示了单一粗粒化势能可以整合所有十二种蛋白质，并可以捕获突变蛋白质的实验结构特征。这些结果表明，机器学习的粗粒化势能可能为模拟和理解蛋白质动力学提供了可行的方法。
图2. 蛋白质动力学的轨迹分析
图3. 全原子参考模型和粗粒度模型的自由能面比较。

编译｜董佳欣

大模型与生物医学：

AI + Science第二季读书会启动

详情请见：

大模型与生物医学：AI + Science第二季读书会启动

推荐阅读

‍1. Nat. Commun. 速递：无参数几何深度学习精准预测蛋白质结合界面2. Science 速递：强化学习自上而下设计蛋白质结构3. Nat. Commun. 速递：机器学习直接生成蛋白质构象集合4. 张江：第三代人工智能技术基础——从可微分编程到因果推理 | 集智学园全新课程5. 成为集智VIP，解锁全站课程／读书会6. 加入集智，一起复杂！

点击“阅读原文”，报名读书会