科學家用神經網絡精細刻畫蛋白結構

　　近日，一項題為《利用自適應強化動力學對高維自由能面進行高效采樣》的研究登上《自然-計算科學》。該研究使用了超過100個集合變量加速采樣進程——此前的采樣方法從未處理過如此高維的集合變量，使得科學家們得以在神經網絡加持下，對蛋白結構的“精雕細琢”再進一步。

　　該文章作者目前均在深勢科技團隊，該團隊核心成員曾憑借“物理建模+機器學習+高性能計算”新范式應用，獲得2020年全球計算機高性能計算領域的最高獎項“戈登貝爾獎”。

　　蛋白質是生命的基石，它的功能與其獨特的三維結構及動力學性質息息相關。解析蛋白質的結構、了解蛋白質的動力學性質，不僅能讓我們解讀生命密碼，更有助于加速藥物研發。深勢科技團隊介紹，將基于神經網絡的強化動力學方法(Reinforced Dynamics, RiD)應用于擁有更高維集合變量的體系中，將有力地推進蛋白質結構采樣、結構精修或環區優化等工作的進行，從而使研究人員能夠通過計算方法向蛋白質的天然狀態更近一步。

　　幾十年來，科學家們通過各種實驗手段解析了十幾萬個蛋白質結構，但實驗方法成本高、周期長，這相較于已經測序的數十億計蛋白質來說還遠遠不夠。因此，能否用計算方法還原蛋白質生理狀態并加速研究工作，已成為計算生物學中最具挑戰性的問題之一。盡管在2020年的國際蛋白質結構預測頂級競賽CASP中，來自DeepMind的AI算法AlphaFold2的表現引發生物界巨大轟動。但相比于蛋白質真實的生理狀態，AlphaFold2的預測結果仍需要進一步的蛋白結構精修。

　　目前在蛋白質結構優化中，基于經典分子動力學(MD)的優化方案在近兩期的CASP上都取得了優異的結果。但經典分子動力學模擬方法在蛋白質體系中采樣效率低，而傳統增強采樣算法又面臨著計算量大、難以選取集合變量以及維數災難的問題。強化動力學(RiD)方法則可以借助神經網絡，處理幾十甚至上百維的集合變量，使其能夠應用在復雜體系中。在本研究中，研究人員利用RiD方法在蛋白質結構優化問題上處理了超過100個集合變量，讓經典分子動力學方法無法得到的蛋白質天然結構在強化動力學方案下成為現實。

　　為了方便學術開發與應用，深勢科技團隊已將RiD方法重構為開源軟件供用戶使用(https://github.com/deepmodeling/rid-kit)。同時研究團隊也針對藥物設計場景，對RiD進行了進一步的開發和優化，集成于旗下一站式計算輔助藥物設計平臺Hermite中。用戶可通過Hermite-ProteinRefine對輸入的蛋白質進行結構優化，獲得更接近天然狀態的蛋白結構。

　　相關論文信息：https://doi.org/10.1038/s43588-021-00173-1