量子级精度，静态到动态：微软蛋白MD模拟系统AI2BMD登Nature
生物世界的本质在于分子及其相互作用的不断变化。 了解生物分子的动力学和相互作用对于破译生物过程背后的机制，以及开发生物材料和药物至关重要。正如诺贝尔物理学奖得主理查德·费曼（Richard Feynman）的名言：「所有生物体的行为都可以通过原子的颤动和摆动来理解。」然而，通过实验捕捉这些真实的运动几乎是不可能的。
近年来，以 AlphaFold 和 RoseTTAFold 为代表的深度学习方法，在预测静态晶体蛋白质结构方面已经达到了实验精度，相关研究人员获得了2024 年诺贝尔化学奖。然而，以原子分辨率准确表征动力学仍然更具挑战性，尤其是当蛋白质发挥作用并与其他生物分子、药物分子相互作用时。
经典分子动力学（MD）模拟速度快，但缺乏化学准确性。 密度泛函理论（DFT）等量子化学方法可以达到化学精度，但无法扩展到大型生物分子。
微软研究院科学智能中心开发的从头算精度的生物分子模拟方法 AI2BMD，就像为生物分子世界打开了一扇新的大门，不仅可以捕捉到蛋白质的静态结构，更可以观察到它们的动态变化，揭示它们的运动如何驱动维持生命运转的复杂过程。相关研究于 11 月 6 日刊登在《Nature》上。
论文链接： https://www.nature.com/articles/s41586-024-08127-z
AI2BMD是一种基于 AI 的从头算生物分子动力学系统。 它可以以近似从头算的精度（即量子级的精度），高效地对各类蛋白质进行了全原子模拟仿真。与密度泛函理论相比，它将计算时间缩短了几个数量级。
AI2BMD 的核心突破在于以下几个方面：
- 从头算精度： 引入了一种可推广的「机器学习力场」，用于从头算精度的全原子蛋白质动力学模拟。
- 解决泛化问题： 首次解决了机器学习力场模拟蛋白质动力学的泛化难题，为多种蛋白质提供了稳健的从头算 MD 模拟。
- 普遍兼容性： AI2BMD 将量子力学（QM）建模从小的局部区域扩展到整个蛋白质，而无需任何关于蛋白质的先验知识。
- 速度优势： AI2BMD 比 DFT 和其他量子力学快几个数量级，支持超过 1 万个原子的蛋白质的从头算计算。
- 多样化构象空间探索： AI2BMD 探索了 MM 无法探测到的更多可能的构象空间，为研究药物-靶标结合过程中的柔性蛋白质运动、酶催化、变构调控、内在无序蛋白等提供了更多机会。
- 实验一致性： AI2BMD 优于 QM/MM 混合方法，并且在不同的生物应用场景中与湿实验室实验表现出高度一致性。
AI2BMD 的出现为生物分子 MD 模拟领域带来了革命性的变化。 它为众多下游应用铺平了道路，并为表征复杂的生物分子动力学提供了新的视角。
AI2BMD 的应用前景非常广阔， 包括：
- 药物发现： 执行高精度的虚拟筛选以发现药物，并预测药物与靶标的结合方式。
- 生物材料设计： 理解生物材料的结构和功能，设计新的生物材料。
- 生物机制研究： 揭示生物过程背后的机制，例如蛋白质折叠、酶催化、信号转导等。
AI2BMD 的出现是 AI for Science 的一个重要里程碑。 它证明了人工智能的能力可以革新科学探索，为我们理解生命奥秘和开发新技术提供了新的工具。
展望未来， AI2BMD 将继续发展，并与其他技术相结合，为我们带来更多惊喜和突破。 相信在不久的将来，AI2BMD 将成为生物学研究不可或缺的一部分，为我们揭开生命奥秘，并推动生物医学领域的发展。
Views: 0