![]()
一个理想的分子动力学模拟工具需要兼顾精准、效率和通用，但是它们存在trade-off，现有的工具只能突出其中一两点[1]。
为此，微软研究院(Microsoft
Research) Tie-Yan Liu 、Bin Shao以及Tong
Wang等研究人员开发基于深度学习的工具- AI2BMD（ab initio biomolecular dynamics system）实现了对由上万个原子组成的生物分子（aminopeptidase N蛋白，13,728个原子）原子级别从头计算精度（接近量子化学工具达到的精度的水平）的高效分子动力学模拟，并且有望通用地模拟蛋白、脂类物质、核酸等等不同类型的生物分子[1]。
![]()
AI2BMD分子动力学模拟概览[1]。
该方法的关键原理是使用量子化学分子动力学模拟工具产生的关于氨基酸和短肽的分子间势能与原子力相关数据来训练一种基于图神经网络架构（graph
neural network (GNN)）的模型，并进一步结合对目的蛋白的“分割”（主要分割成双肽），来实现通用高效精准的长链蛋白分子动力学模拟[1]–[3]。
进一步，研究人员用AI2BMD来分析了它可以帮助探索的蛋白/多肽构象空间，并对其预测的折叠自由能、溶解温度(Tm)等性质进行了实验比对[1]。
![]()
AI2BMD可以从折叠和非折叠状态开始模拟，捕捉蛋白折叠和解折叠过程[1]。
![]()
AI2BMD预测的蛋白性质和实验数据高度吻合[1]。
该项工作2024年11月6日发表在Nature[1]。
Comment(s):
看起来挺实用的工具；后续还需要结合分子互作预测等来进一步证明。
也许该工具可以用来预测由非结构区域介导的蛋白互作。
将来结合AlphaFold2等结构预测模块或许可以帮助“锚定”关键构象。
[1] T.
Wang et al., “Ab initio characterization of protein molecular dynamics
with AI2BMD,” Nature, no. March 2023, Nov. 2024, doi:
10.1038/s41586-024-08127-z.[2] Y.
Wang et al., “An ensemble of VisNet, Transformer-M, and pretraining
models for molecular property prediction in OGB Large-Scale Challenge @ NeurIPS
2022,” Nov. 2022, [Online]. Available: http://arxiv.org/abs/2211.12791[3] Y.
Wang et al., “Enhancing geometric representations for molecules with
equivariant vector-scalar interactive message passing,” Nat. Commun.,
vol. 15, no. 1, p. 313, Jan. 2024, doi: 10.1038/s41467-023-43720-2.https://www.nature.com/articles/s41586-024-08127-z商务合作：mss@pku.edu.cn (要求：1. 过审核；2. 标题明确标注)
