快速捕捉蛋白质的“运动姿态”

蛋白质的功能往往不只由单一稳定结构决定，而是通过在不同构象状态间可逆转换（即构象动力学）实现的。然而，当前对这类动态过程的刻画与预测能力，远落后于近年来飞速发展的蛋白质结构预测技术（如AlphaFold、ESMfold等）。传统分子动力学模拟虽能从原子层面研究构象变化，但受限于计算成本——真实生物过程常需毫秒至秒级时间尺度，而常规模拟仅能覆盖纳秒量级，导致采样严重不足。增强采样方法（如元动力学）可加速模拟，但需预先设定合适的‘集体变量’（CVs），即能有效描述关键构象变化的简化坐标；而如何无先验知识地选出这些CVs，一直是领域难题。本文突破性地指出：蛋白质中天然存在的低频非谐振动（即缓慢、非周期性、协同性的原子运动）本身就编码了构象转变的关键路径信息。作者基于自主研发的FRESEAN模式分析法，仅需20纳秒的短时常规模拟，即可稳定提取出前几个低频振动模式（特别是第7–9模），并直接将其用作增强采样的CVs。该方法在5种典型蛋白质（包括溶菌酶、HIV蛋白酶、KRAS癌蛋白等）上全面验证：所有测试体系均在100纳秒内成功重现已知的‘闭合态’与‘开放态’转换，生成高度可重复的自由能景观；统计误差小于±3 kJ/mol，精度远超同类研究。尤为关键的是，该方法完全无需任何关于目标蛋白将如何运动的先验知识——既不依赖实验数据，也不需人为设计几何参数（如距离、角度），仅凭计算即可自动发现驱动构象变化的内在‘软模’。相比传统方法（如直接用距离作为CV），本法更能聚焦于天然折叠态内的功能相关运动，避免陷入非生理性的部分解折叠陷阱。因此，它是一种普适、高效、可自动化的大规模构象系综生成工具，有望为下一代融合‘序列-结构-动态’的AI预测模型提供亟需的高质量训练数据。