哪些指标最能捕捉分子动力学模拟中的蛋白质结构变化?评估指标组合与力场效应

《Journal of Chemical Information and Modeling》:Which Metrics Best Capture Protein Structural Changes in Molecular Dynamics Simulations? Evaluating Score Combinations and Force-Field Effects

【字体: 大 中 小 】 时间:2026年08月27日 来源:Journal of Chemical Information and Modeling 6.4

编辑推荐:

   RMSD、TM-score、GDT、lDDT、SphereGrinder、CAD、QCS、FlexE和MolProbity等评分能够对蛋白质的构象变化和结构质量提供自动化、全面的评估,因此代表了在分子动力学(MD)模拟中常规应用的潜在工具,特别是在高通量环

  


RMSD、TM-score、GDT、lDDT、SphereGrinder、CAD、QCS、FlexE和MolProbity等评分能够对蛋白质的构象变化和结构质量提供自动化、全面的评估,因此代表了在分子动力学(MD)模拟中常规应用的潜在工具,特别是在高通量环境中。然而,目前尚不清楚这些评分在多大程度上提供冗余信息,以及哪些评分对于捕捉构象变化最具信息量。基于对268种多样化蛋白质的MD模拟,研究人员证明所研究的评分高度相关,且一个全局评分(或QCS)、一个局部评分以及FlexE几乎可以解释所有评分总方差的90%。由于MD随机性部分解释了FlexE的变异性,研究人员认为对于大多数实际应用而言,一个全局评分与一个局部评分的组合已足够。研究人员还考察了模拟设置的影响,发现力场的选择可能显著影响评分结果。特别是,使用Amber ff19sb力场的设置产生的评分系统性地不同于所有基于CHARMM36m的设置,这强调了在设计MD实验和解释其结果时方法论选择的重要性。
**论文解读**

**一、研究背景与问题提出**

分子动力学(Molecular Dynamics, MD)模拟自问世以来已有四十余年的历史,在蛋白质动力学研究、结构-功能关系阐明等方面发挥了不可替代的作用,如Gasdermin D和A3的成孔机制、蛋白质折叠、G蛋白偶联受体的激活以及水通道蛋白的水分子通透等经典研究中均可见MD模拟的身影。在MD模拟实践中,研究人员通常需要将不同模拟时间点的蛋白质构象与其实验解析或AI生成的初始构象进行比较,以评估结构变化的程度。这种结构比较若依赖视觉检查,仅适用于少量样本的粗略检验,在高通量研究中很快变得不可行。因此,开发自动化、可重复的定量评分方法来替代或补充视觉检查成为必然选择。

经过多年发展,领域内涌现了多种概念上各异的评分指标,如均方根偏差(root-mean-square deviation, RMSD)、模板建模评分(template modeling score, TM-score)、全局距离测试(global distance test, GDT)、局部距离差异测试(local distance difference test, lDDT)、SphereGrinder、质量控制评分(quality control score, QCS)、接触面积差异(contact area difference, CAD)、FlexE及MolProbity等。这些评分在原理上可归为基于叠合(superposition-based)与免叠合(superposition-free)两类,也可根据比较对象是整体结构还是子结构分为全局评分与局部评分。它们在蛋白质结构预测领域,尤其是CASP(Critical Assessment of Protein Structure Prediction)竞赛及AlphaFold等突破性工作的验证中发挥了重要作用。

然而,尽管这些评分在设计上各有侧重,Olechnovi?等人的研究表明,基于CASP10-12数据的评分之间存在高度相关性(Spearman等级相关系数≥0.7),这引出了一系列关键问题:对于MD模拟生成的蛋白质构象,这些评分之间的相关性是否同样高?能否用一个或少数几个评分的组合充分捕捉全部九个评分所包含的最相关信息?力场选择(CHARMM36m与Amber ff19sb)及其参数——特别是范德华(van der Waals, vdW)相互作用处理方式和水分模型——对MD模拟后的蛋白质构象及评分结果的影响有多大?

**二、研究方法概述**

为回答上述问题,研究人员构建了两个蛋白质数据集:Set268包含268种蛋白质(207个单体与61个同源寡聚体),全部以CHARMM36m力场进行1微秒全原子MD模拟;Set31为从Set268中人工挑选的31种蛋白质,使用四种不同的模拟设置(C36m、C36mPs3P、C36mPs4P和A19sb)分别进行模拟。四种设置的区别在于力场(CHARMM36m vs Amber ff19sb)、vdW修饰方式(force-switch、potential-switch、potential-shift)和水分模型(CHARMM TIP3P、TIP4P、OPC)的不同组合。模拟完成后,将最终快照与晶体结构比较,计算RMSD、TM-score、GDT、lDDT、SphereGrinder、QCS、CAD和FlexE八个参考基评分,并用MolProbity评估结构质量。核心分析手段包括皮尔逊相关分析、斯皮尔曼等级相关分析、主成分分析(Principal Component Analysis, PCA)以及基于普通最小二乘(Ordinary Least Squares, OLS)回归的评分组合预测性能评估。此外,还通过五重独立副本模拟评估MD随机性对评分变异性的贡献,并采用Friedman检验和事后Wilcoxon符号秩检验比较不同模拟设置间评分差异的统计学意义。

**三、研究结果**

**3.1 评分分布特征**

所有基于参考的评分分布均呈单峰形态,整体形状相似,表现为向高相似度方向陡峭上升、向低相似度方向拖尾延长的特征。53个非生理性单体的评分系统性地偏向低相似度值,但至少半数非生理性单体的评分仍落在直方图峰值附近,表明模拟非生理性寡聚状态并不必然导致低相似度评分。MolProbity分布则近似正态,最终快照结构质量普遍较高,与晶体结构的MolProbity分布相当。评分与蛋白质性质(残基数、二级结构含量等)之间总体上无显著相关,仅TM-score与残基数(r=0.34)、晶体结构MolProbity与分辨率(r=0.34)以及最终快照MolProbity与二级结构含量之间存在轻微至中度相关。

**3.2 评分间相关性分析**

参考基评分之间的皮尔逊相关系数介于0.66至0.93之间,表明这些评分高度相关。FlexE是例外,它与SphereGrinder相关性较强(r=0.77),但与其他评分仅呈中度相关(r=0.48-0.65),部分归因于两个潜在离群值。斯皮尔曼等级相关系数显示FlexE的非线性成分较大(比皮尔逊系数高0.10-0.26),而其他评分的两种相关系数差异很小(平均绝对差异仅0.03)。MolProbity与所有其他评分均无有意义的相关,这是因其评估的是单个结构的几何质量而非相对于参考的结构变化,且晶体结构MolProbity与最终快照MolProbity之间亦不相关,说明初始结构质量对模拟后结构质量没有影响。

**3.3 主成分分析**

对参考基评分进行PCA后发现,第一主成分(PC1)解释了78.9%的总方差,第二主成分(PC2)解释了8.9%,前两个主成分合计解释约90%的方差,表明数据本质上是低维的。所有评分对PC1的载荷几乎相等(0.34-0.37),仅FlexE略低(0.28),说明PC1主要捕捉各评分共享的冗余信息。PC2的载荷呈现三个清晰的聚类:第一类为QCS和全局评分(RMSD、GDT、TM-score),载荷为负值;第二类为局部评分(SphereGrinder、lDDT、CAD),载荷为正值;第三类为FlexE,其绝对值载荷最大(0.76)。将数据投影到前两个PC上未观察到明显的蛋白质聚类,投影图与涉及FlexE的评分对图相似。

**3.4 最优评分组合的选择**

采用OLS模型考察单个评分、评分对和评分三元组对剩余评分的预测能力。R2_all(10折交叉验证)表明,最佳单个评分为CAD(0.661)、GDT(0.657)和SphereGrinder(0.655),最差为RMSD(0.545)、QCS(0.537)和FlexE(0.401)。最佳评分对为GDT-FlexE(0.793)、TM-score-FlexE(0.791)和RMSD-lDDT(0.786),最差为RMSD-TM-score(0.683)、RMSD-QCS(0.672)和QCS-FlexE(0.613)。最佳评分三元组为GDT-lDDT-QCS(0.866)、RMSD-lDDT-QCS(0.859)和GDT-CAD-QCS(0.855),最差为TM-score-GDT-QCS(0.754)、SphereGrinder-lDDT-CAD(0.738)和RMSD-TM-score-GDT(0.732)。这些排名与PCA载荷分析一致:最佳组合通常由来自不同PC2聚类的一个全局评分(或QCS)、一个局部评分和FlexE组成,而最差组合往往来自同一聚类。

**3.5 MD随机性对评分变异性的影响**

对10种代表性蛋白质各进行5次独立副本模拟后,发现多数评分的蛋白内标准差很小(如TM-score约为0.01-0.04),表明MD随机性对评分变异性影响有限。但存在三个例外:其一,4G3O的一个副本因α-螺旋重排导致多个评分显著偏低;其二,FlexE在高相似度蛋白质中表现出不成比例的大蛋白内标准差,归因于少量高度柔性且强烈偏离的残基主导评分(如5X88中一个残基可贡献6%-13%的最终评分),这源于FlexE缺少距离截断且随距离平方缩放的设计;其三,MolProbity的蛋白内标准差非常大,三个蛋白质的副本评分几乎覆盖了Set268全部观察范围。总变异性分解显示,蛋白内变异性占总变异性比例RMSD为1.8%、TM-score为6.5%、GDT为7.0%、SphereGrinder为11.8%、lDDT为15.7%、CAD为12.5%、FlexE为19.1%、MolProbity为39.2%。

**3.6 不同模拟设置间的评分比较**

Set31的四种模拟设置比较显示,各设置间评分高度相关(皮尔逊r>0.8,FlexE相关r>0.69),且评分具有蛋白质特异性。但A19sb设置系统性地产生更高相似度评分,这在评分对图中表现为大多数数据点位于恒等线上方。归一化EMD(Earth Mover's Distance)分析显示,C36m与A19sb之间的EMD在九个评分中有七个为最高,平均归一化EMD也最大(0.99)。Friedman检验对所有评分除RMSD和MolProbity外均显著,事后Wilcoxon符号秩检验表明C36m-A19sb和C36mPs4P-A19sb在所有进一步检验的评分中差异显著,C36mPs3P-A19sb在TM-score、SphereGrinder、lDDT和CAD上差异显著,而三个CHARMM36m变体之间均无显著差异。归一化EMD的量级与蛋白内标准差相当,表明模拟设置间的差异虽然统计显著但幅度较小。

**四、讨论与结论**

本研究表明,源自MD模拟的蛋白质结构之间的评分相关性与机器学习或传统方法预测的结构同样高,这与Olechnovi?等人在CASP数据上的发现一致,说明这些评分在不同类型结构数据中以相似方式刻画结构差异。MolProbity作为例外,其评估的是单个结构的几何质量而非构象差异,且副本间变异性大(占总变异性约40%),因此主要适用于快速健全性检查和新力场开发,在评估已建立力场的模拟时附加价值有限。

方差分析一致表明,一个全局评分(或QCS)与一个局部评分的组合即可近似捕捉绝大多数结构变化信息,而FlexE虽能贡献额外信息,但其对柔性区域结构差异的过度惩罚特性(源于无截断且平方缩放)导致高值区变异性大,在实际应用中可酌情排除。力场比较显示,Amber ff19sb(A19sb)设置产生的构象在1微秒模拟后平均更接近起始结构,与CHARMM36m基设置的差异具有统计学意义,而CHARMM36m变体间改变vdW处理方式和水分模型未产生显著影响,提示力场本身可能是主导因素。本研究提供了系统的初步探索而非详尽基准,未来工作可扩展至轨迹级别的动态分析和更多模拟设置的比较。

**五、研究意义**

该研究发表在《Journal of Chemical Information and Modeling》上,为MD模拟中结构变化评估指标的选取提供了系统性的实证指导。通过揭示评分间的冗余结构,研究结果表明大多数实际应用无需计算全部九个评分,一个全局评分与一个局部评分的组合即可提供足够信息,这为高通量MD模拟的评分策略简化提供了理论依据。同时,研究量化了力场选择对评分结果的显著影响,强调了在MD实验设计和结果解释中方法论选择的重要性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号