四川大学蒲雪梅教授和邵振华研究员团队在《Nature Communications》上发表了一篇题为“Integrative residue-intuitive machine learning and MD Approach to Unveil Allosteric Site and Mechanism for β2AR”的研究论文。该研究提出了一种结合残基驱动的混合机器学习模型（RHML）和分子动力学（MD）模拟的先进计算流程，成功识别出了变构位点和变构调节剂，并揭示了它们的调控机制。
研究背景
变构药物为现代药物设计提供了新的途径，但识别隐蔽的变构位点是一项艰巨的挑战。传统方法如分子动力学模拟虽然有助于识别隐匿的变构位点，但数据量大，难以手动分析，且可能受人为偏见影响。为此，结合机器学习可以提高识别变构位点的效率，并为药物开发提供新方法。
研究方法
-
残基驱动的混合机器学习模型（RHML）
- 无监督聚类：利用无监督聚类方法对MD模拟生成的构象进行分类。
- 可解释的深度学习多分类器：基于可解释卷积神经网络（CNN）构建多分类器，实现残基级的可解释性。
-
分子动力学（MD）模拟
- 高斯加速分子动力学（GaMD）：进行广泛的GaMD模拟以增强采样，构建足够的构象空间。
- 结合能分析：通过分子力学/广义Born表面积（MM/GBSA）和蛋白质结构网络（PSN）进一步分析变构效力及调控机制。
-
变构位点和调节剂筛选
- FTMap结合RHML的LIME解释器：通过FTMap结合RHML的LIME解释器识别变构位点。
- 虚拟筛选：从化合物数据集中筛选出潜在的变构调节剂。
- 细胞功能实验：通过cAMP积累试验、β-arrestin募集试验和定点诱变实验进行实验验证。
研究结果
-
变构位点识别
- 在β2肾上腺素能受体（β2AR）中，团队发现了位于残基D79^2.50、F282^6.44、N318^7.45和S319^7.46附近的新的变构位点。
- 利用虚拟筛选发现了潜在的变构调节剂ZINC5042。
-
变构机制分析
- 通过MM/GBSA和PSN分析，揭示了ZINC5042以负协同方式减弱正位激动剂与β2AR的结合。
- 结构分析表明ZINC5042阻碍了钠离子结合口袋的坍塌和PIF基序向活性态的构象转变，从而驱动受体构象向非活性态转变。
- PSN表明变构调节剂ZINC5042结合会降低螺旋结构间的通讯，从而不利于激动剂刺激的激活信号传导。
-
实验验证
- 基于Glosensor的cAMP测定和定点诱变实验验证了对变构位点和负变构效应的计算预测，证实了关键残基D79^2.50、F282^6.44、N318^7.45和S319^7.46在结合变构调节剂和抑制正构激动剂诱导的活化信号传导中的重要作用。
结论
该研究提出的RHML框架解决了现有ML模型在MD构象分析中的局限性，包括最佳类别数、构象表示中的信息丢失和基于残基的预测结果解释。因此，RHML能够对任何MD轨迹进行准确的构象分类和识别决定不同构象类别的重要残基。该团队还上传了一个用户友好的残基直观混合机器学习框架代码，期望它将成为MD领域的一种有价值的工具。
参考文献
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436.
关键技术
- 深度学习（Deep Learning）：一种基于对数据进行表征学习的算法，用于处理复杂数据结构。
- 机器学习（Machine Learning）：一种多领域的技术，用于构建能够从数据中学习并进行预测或决策的算法。
框架代码
该团队提供了一个用户友好的残基直观混合机器学习框架代码，可通过以下链接获取：
– RHML GitHub代码
论文链接
总结
这项研究不仅提供了新的方法来识别变构位点和变构调节剂，还为药物设计提供了重要的理论依据和实验验证。RHML框架的提出将有助于加速药物研发过程，特别是在GPCR类药物的设计中。
Views: 0