《Frontiers in Molecular Biosciences》:Artificially intelligent modeling of macromolecular assemblies
大分子组装形成的研究是计算建模中最具挑战性的任务之一,因为它需要对构象和构型空间进行广泛探索,尤其是当该过程由构象转变或折叠不稳定性驱动时,这些情形通常与高能垒相关。尽管此类研究传统上通过在计算机(in silico)中使用降低模拟计算成本的技术,例如粗粒化(coarse-grained, CG)模型,来加以处理,人工智能(artificial intelligence, AI)近来已在多个层面进入该领域,辅助参数优化或轨迹分析,甚至替代势能或力计算。近期发展的算法,如 AlphaFold(AF)和 RoseTTAFold,能够以高效率和置信度直接预测最终结构,这一成就获得了2024年诺贝尔化学奖的认可。在本研究中,研究人员综述并分析用于建模蛋白质结构和动力学以及模拟大分子组装的不同基于AI的策略,并将其与传统方法进行比较,以突出其各自的优势与局限。通过将这些方法置于一个理想连续谱中,其中精度随可解释性降低而增加,研究人员表明,可以设计混合方案和方法组合以最大化其优势。最后,研究人员前瞻性地概述以连贯方式实施此类集成方法的实用策略,在保持精度和可行性的同时,维持对聚集路径、中间结构以及该现象背后分子机制的洞察。
1 Introduction
蛋白质聚集广泛参与代谢调节、细胞机器组装、无膜细胞器形成及人工分子传感器等过程。分子建模旨在揭示蛋白界面结构及其形状互补、静电和疏水性驱动因素;内在无序蛋白(intrinsically disordered proteins, IDPs)因构象可变更具挑战。基于原子力场(force field, FF)的分子动力学(molecular dynamics, MD)可提供聚集驱动力和中间态机制,但全原子模拟难以覆盖宏观尺度。增强采样和粗粒化(coarse-grained, CG)模型是常见途径。人工智能(artificial intelligence, AI)可优化构象搜索、参数化CG力场,甚至直接预测力、轨迹、接触界面和结构,如RoseTTAFold和AlphaFold(AF)。机器学习(machine learning, ML)可将大数据蒸馏为信息参数。该研究综述回归、核方法、神经网络力场(neural network force field, NN-FF)、图神经网络(graph neural network, GNN)及组合,置于精度和可迁移性随物理可解释性降低而增加的连续谱,强调优势局限与互补性,特别针对蛋白聚集。最后关注直接预测结构的算法,尤其AF,其代表精度最大而可解释性最小的极端,并讨论如何利用AF侧输出指导CG模型。
2 Coarse-grained models and force fields
CG模型将原子分组为“珠”,相互作用高度经验化;映射分辨率影响模型质量。相互作用表示和评估策略需选择。
2.1 Atomistic to coarse-grained mapping, entropy change, and potential of mean force
原子到CG映射可写为{R
I}=M
I({r
i}),r
i为原子坐标,R
I为CG坐标。蛋白聚集研究常用每残基单珠分辨率,将CG珠置于C
α,称抽取映射。映射伴随熵变,CG构型简并度Ω(R)=∫drδ(R?M(r))。由原子正则概率分布和Jensen不等式,CG状态概率由对应微观态玻尔兹曼权重平均得到,且不小于仅由平均能量计算者。映射导致自由度减少的熵损失ΔS,包括S
rel和S
map:前者为Kullback–Leibler散度,反映CG表示不能正确再现原子势特征;后者仅取决于映射函数。由CG概率可定义多珠势均值力(potential of mean force, PMF)U(R),近似为映射到CG构型的微观态能量平均加熵项,更简并CG态熵稳定。
2.2 Parametric CG interaction potentials
多体U(R)再现CG概率分布。传统策略用依赖参数{γ}的解析形式U
CG(R,γ)近似。功能形式有两种策略:保留多体性质需复杂函数和大量参数,通常更可迁移准确但优化复杂、模拟昂贵;简化形式便宜易参数化、物理诠释直接,但可迁移性和精度较低。典型U
CG可分离为构象U
conf、氢键U
hb、疏水U
hy和静电U
el项,每项有物理诠释,可调节结构偏置以保持折叠蛋白正确折叠或表示无序蛋白构象变异。代价是仅含至四体相互作用并假设项间解耦。
2.3 Parameter optimization strategies
相对熵最小化(relative entropy minimization, REM)通过相对熵对参数偏导为零定义矢量损失,需重复大量CG模拟,成本随参数数量和势复杂度增加。玻尔兹曼反转(Boltzmann inversion, BI)利用CG势分离形式导致概率分布解耦,以原子边缘分布反演各势项;迭代玻尔兹曼反转(iterative Boltzmann inversion, IBI)迭代校正,但忽略关联常致数值不稳定和收敛慢。力匹配(force matching, FM)最小化CG力与映射原子力均方差,目标力学一致性,在采样充分且势形式灵活时等价于REM和IBI,并较好捕获高阶关联。面对无序蛋白,简单解耦形式难捕获驱动聚集的构象变化协同性。以Aβ
42为例,其可占据β-发夹、无序卷曲或瞬态螺旋等异质态;氢键与构象项强相关且决定聚集。REM通常比FM更准确返回构象态相对布居和能垒;显式关联项可缓解关联不足,但需更广泛采样,增加计算负担和参数化不稳定。
3 AI-based potentials and force fields
标准CG方法局限源于关联处理差和参数化不稳定。AI可改进参数优化或提供高可迁移性势。复杂解析形式可描述氢键、侧链各向异性和静电屏蔽,保留物理意义;极端可让完整多体势成为优化对象,但失去直接可解释性。ML优化问题为给定构型R和损失函数L({R},{γ}),找最小化L的参数。
3.1 Loss functions
基于力的损失函数L
FM直接目标CG力,但对能垒欠采样和数值噪声敏感。基于熵的损失函数L
REM需CG模拟,成本高,但自由能面和能垒更准确。基于自由能的损失函数L
PMF直接目标能量,需显式熵校正TΔS
CG,对欠采样区域敏感低且无能量梯度噪声。基于结构的损失函数匹配原子和CG系综上构象依赖可观测量,可加权组合回转半径、端到端距离等;对无序蛋白需同时匹配结构和能量变化,如Aβ
42聚集倾向构象的回转半径增加与氢键模式耦合。
3.2 Machine-learning-aided analytical potential optimization
传统参数优化沿?
γL梯度下降,成本和数值不稳定源于大量参数及关联。ML可用自动微分将问题表示为计算图,以与单次损失评估成正比成本同时计算所有偏导,与参数数量无关;正则化和Adam优化器可防止参数漂移。替代策略训练NN执行从目标分布P(Q)到功能形式参数γ的逆映射:NN在CG模拟数据集上学习γ?P
CG(Q,γ),再求γ=NN(P(Q))。简单实现目标单变量分布,如IBI可能遗漏关联;用联合分布可改善,尤以主链构象与氢键关联重要。该方法反向映射约100个参数需约10
5构型,大于直接梯度下降,但非线性探索参数空间,避免局部极小;解析形式使模拟便宜且可解释,但若函数不够灵活,难以捕获无序蛋白多盆地能量景观。
3.3 Kernel methods
核方法将势U视为高斯过程,记U~GP[μ
U(R), k
U(R,R′)]。力是势梯度,因此力也为高斯过程。梯度域机器学习(gradient-domain machine learning, GDML)通过反转结构和力训练集上的核矩阵预测新构型力。预测方差量化不确定性,在采样差区域增大,可指导主动学习。GDML可用与经典回归相当输入量达到高精度。总参数量约N
conf×N
beads2,主要限制是训练复杂度O(N
conf3),且每时间步需对全部训练构型计算核,限制模拟加速;但能更准确再现复杂多模态自由能面。
3.4 Generalities of neural network force fields
极端方法直接用NN作为力场,F(R)=NN(R;θ),θ为网络权重和偏置。NN从构型提取几何特征,经隐藏层和输出层预测CG珠力,用于驱动MD并重建能量景观。原则上可再现无序蛋白多盆地景观,但模拟和训练成本增加,模拟成本比解析FF高10–100倍;且缺乏明确物理意义项降低可控性和可解释性。
3.5 Physics-informed neural network force fields
物理知情方法结合NN灵活性和物理约束。CGNet将势分解为U
CG(R)=U
prior(R;γ
prior)+U
NN(R;W),先验项含排斥等解析约束,NN项捕获复杂非键和氢键网络;架构编码旋转平移、置换不变性和能量守恒。CGNet已用于小蛋白,但训练需10
6–10
8构型,MD每步前向传播带来10–100倍开销。后续版本分层学习两体至五体相互作用,U
NN=Σ
k=25U
NN(k)(R;W
k),显式分离各阶贡献,提高物理可解释性并节省训练成本;chignolin中五体项重要。类似方法包括DeepCG和Allegro/DeePMD。约束越弱,可迁移性和精度越高,但成本和可解释性降低。
3.6 Graph neural network force fields
GNN将每个CG珠表示为图节点,边编码珠间距离,节点特征经消息传递层更新,积累多体上下文,再输入密集NN预测能量/力/动力学。CGSchNet在chignolin自由能面再现中更准确,并可迁移至约100残基蛋白。TorchMD-Net直接预测势能,加解析先验防止非物理构象,用于12种蛋白折叠动力学,展示单一CG势跨蛋白可迁移性。训练参数量约O(D·F
2),前向传播约O(D·(N
2·F+N·F
2)),模拟昂贵。GNN也可直接学习动力学,但需等变性、动量守恒等约束;EGNN、EGHN和DYNAMICAL GRAPHNET等实现不同。
3.7 Summary of performances of ML-based approaches for CG models
ML方法在精度/可迁移性与可解释性/成本间存在权衡。数据集规模、训练和模拟成本通常从ML参数化解析势或核方法到NN-FF和GNN增加。解析势可用小数据集训练,模拟便宜;NN/GNN需大或巨量构型,限制应用。核方法居中,可量化不确定性并支持主动学习,但可扩展性差。数据质量常有限且偏向有序折叠蛋白,瞬态聚集倾向态如Aβ
42常代表性不足。聚集研究需广泛采样分子内和分子间构象空间;模拟早期Aβ
42聚集需约100个单体、约250 ?盒子和数百纳秒,回归参数化解析FF当前最实际,且可解释性允许研究离子强度或pH影响。NN-FF目前限于单蛋白构象空间探索,但可作为补充精修工具,识别解析FF无法探索的稀有构象和错误能垒。混合策略结合NN精度与解析FF可解释性和效率,是未来关键。
4 Direct prediction of aggregate structure
ML可在势→力→动力学轨迹流程不同层级进入,通常提高精度和预测力,也引入不可解释性和成本。上游解析CG FF精度和可迁移性较低,但透明揭示疏水、静电和空间位阻机制。下游AI结构预测方法如RoseTTAFold、ESMfold和AF绕过力计算和轨迹,从序列直接预测折叠或聚集结构,几分钟返回平均大小蛋白结构,获2024诺贝尔化学奖认可。良好折叠蛋白准确率可达97%,但聚集体和多聚体、尤其无序蛋白预测准确性大幅下降,因训练数据代表性低。策略包括纳入实验自蒸馏数据、系统发育信息、原子模拟数据,或提取AF中间信息校正解析模型参数化。
4.1 Reverse engineering AF predictions and combination with CG-MD simulations
AF输出伴随预测对齐误差(predicted aligned error, PAE)和预测局部距离差异测试(predicted local distance difference test, pLDDT),分别衡量残基对位置误差和局部距离置信度;还返回接触概率矩阵p
ij。p
ij可与FF残基间势项相关,PAE和pLDDT可调制CG-FF结构项。以荧光蛋白(fluorescent proteins, FPs)聚集为例,AF高精度预测β-桶单体,分子内CG-FF可用Go-like模型;分子间相互作用对界面疏水和静电敏感。AF生成m聚体时返回(m×n
res)×(m×n
res)对接触概率矩阵,非对角块平均可得不同单体间氨基酸对接触概率p
ij,总结所有可能界面为双蛋白接触矩阵。通过矩阵Π
iI和π
Ii可将特定蛋白p
ij反向工程为氨基酸类型对接触概率P
IJ。对家族多变异体平均可获得更可迁移P
IJ;对相似蛋白平均则更准确但迁移性低。若假设训练近似热平衡,P
IJ∝exp(?h
IJ/k
BT),h
IJ近似残基对相互作用能,可与解析势阱深ε
IJ比较。该程序可从AF输出提取势参数或PMF,偏倚/可迁移性由输入序列集合调节;解析FF可高效模拟并再生p
ij或簇结构,与AF比较并验证低置信度构象,缓解AF聚集体预测低准确性问题。
4.2 Hybrid AF–MD approaches for disordered proteins
AF依赖多序列比对和Anfinsen假设,即序列唯一折叠为天然结构;多稳态或无序蛋白缺乏明确结构,使折叠问题定义不良,且该假设在这些蛋白上被证明错误。Aβ等无序蛋白以动态互变构象系综存在,形成多种瞬态寡聚物种。传统结构数据集中这些蛋白代表性低,PDB中Aβ主要为单体或纤维形式,AF预测可能偏向纤维样构象,难以捕获早期多样单体和寡聚态。例如wtGFP中β-桶折叠和界面预测较好;Aβ中AF二聚体可预测多样构象,但从三聚体起倾向平行同向纤维样排列,且不提供热力学权重。解决策略包括与MD模拟结合,用AF中间输出参数化或精修分子内势,确保与AF预测一致。已有工作用PAE和pLDDT约束无序区域,或将AF预测残基间距离分布作为软约束加入CALVADOS力场MD,生成与AF预测和实验SAXS一致的构象系综。因此,纠正AF对无序蛋白聚集预测失败需与MD模拟和主动学习结合。组合方法可同时保持物理可解释性和预测准确性,研究从早期无序寡聚体到成熟纤维组装的聚集过程。
5 Conclusion and future direction
AI驱动结构预测工具已超越传统方法,能几分钟预测折叠和聚集体,但本质难解释,返回静态结构而无理由;准确性低时问题尤甚,尤其错误折叠/聚集相关的不规则、无序蛋白和聚集体。相反,CG FF分子动力学模拟可高可解释地动态探索构象与构型空间,提供聚集路径、中间态、界面结构和组成;但准确性依赖FF灵活性和参数化策略。理想流程中AI可在不同层级进入:ML辅助回归或反向映射优化常规FF参数,核方法灵活化FF形式,NN/GNN作为力或动力学预测器。随流程下游,灵活性、精度和成本增加,可解释性通常降低。AI结构预测器代表不可解释性主导极端。将AF中间统计信息用于调制CG FF参数化,可校正动力学模拟并增强方法兼容性;动力学模拟反之可补充ML结果或用于主动学习。研究人员认为AI建模未来是与更多FF基动力学模拟更强、更结构化的整合,尤其在错误折叠和聚集研究中,必须获得动力学和机制洞察。ML与其他仿生策略类似,利用损失函数进化优化等生物概念;正确组合方法、选择高效损失函数和优化复杂策略的关键,可能在于研究自然界约四十亿年优化的真实生物示例。