科技日報記者 楊侖
近日，吉林大學生命科學學院韓葳葳教授、美國密蘇里大學電氣工程和計算機科學系許東教授科研團隊提出一種高效、可操作性強的分子動力學模擬分析方法（NRI-MD），該方法首次將深度學習的圖神經網絡（GNN）運用于分子動力學模擬分析，基于模擬軌跡的原子速度和位置數據，通過神經關系推理模型（NRI）直接推斷出酶分子動力學模擬中殘基的相互作用模式，推斷出酶的別構調控路徑以及氨基酸突變后相對自由能的變化。
NRI-MD模型的提出為蛋白質（酶）結構-功能研究領域提供了一種新構架，有望開辟酶分子設計的新模式。研究成果于近日在學術期刊《自然通訊》正式發表。
分子動力學（MD）模擬已經成為一種成熟的技術手段來探究生物學過程中涉及的各種動態調控過程，深刻地促進了生命科學和藥物研發等領域的長足發展，2013年馬丁·卡普拉斯等三位科學家因此榮獲諾貝爾獎。
然而，由于模擬時間尺度的局限性以及模擬軌跡數據的高維度性和復雜性，難以從軌跡中獲得與遠程調控或構象變化直接相關的氨基酸非線性關系。許東教授、韓葳葳教授團隊通過深入合作，將最前沿的深度學習的方法NRI運用于生物大分子動力學模擬軌跡的分析中，根據已有的模擬軌跡數據，NRI-MD可以顯示出隱藏的離散圖結構，以圖結構作為引導輸出重構軌跡，全程以無監督的方式最小化重構軌跡和輸入軌跡之間的重構誤差，抽象了在構象轉變中潛在的關系結構，有潛力展示出與功能直接相關的交互關系模式。
該研究應用NRI-MD對Pin1、SOD1和MEK1三種酶的別構調控過程進行了深入研究，成功地捕獲了驅動酶分子復雜運動的氨基酸相互作用模式以及遠端殘基擾動介導活性位點殘基構象重排的別構調控路徑。
研究表明，NRI-MD相比于傳統MD的分析方法，在時效性和信噪比方面具有顯著的提升，對酶分子的設計、再改造以及對相關疾病的理解提供了全新思路。從長遠來看，本研究對加深圖機器學習在分子動力學模擬領域的應用具有重要意義，同時為獲取隱藏在生物大分子功能下的高層次特征提供了一種高效的技術方法。
營業執照公示信息