《Nature Communications》：A multi-grained symmetric differential equation model for learning protein-ligand binding dynamics
编辑推荐：
本研究针对蛋白质-配体结合动力学模拟中长时程动态建模的挑战，开发了NeuralMD框架。该研究通过多粒度SE(3)-等变BindingNet和二阶神经微分方程求解器，在13个结合动力学任务中实现了最高15倍重建误差降低和70%有效性提升，为药物发现提供了高效可靠的动力学模拟工具。
在药物研发领域，准确模拟蛋白质与药物小分子（配体）的结合过程至关重要。传统分子动力学（MD）模拟虽然能够揭示结合过程的动态细节，但计算成本极高——模拟纳秒级别的结合过程可能需要数天甚至数周时间。更棘手的是，现有机器学习方法在长时程模拟中往往会出现误差累积，导致轨迹预测失真，难以捕捉到结合过程中的关键中间态。
针对这些瓶颈，加州大学伯克利分校Shengchao Liu等研究人员在《Nature Communications》上发表了题为"A multi-grained symmetric differential equation model for learning protein-ligand binding dynamics"的研究论文，提出了NeuralMD这一创新框架。该工作巧妙地将物理先验与数据驱动方法相结合，在保持计算效率的同时，显著提升了长时程动力学模拟的准确性。
研究人员采用了几项核心技术方法：首先构建了多粒度向量框架系统，分别在原子水平（配体）、骨架水平（蛋白质）和残基水平（复合物）建立SE(3)-等变表示；接着开发了BindingNet网络架构，通过向量帧基实现旋转等变建模；最后设计了增强的神经微分方程求解器，支持牛顿动力学和朗之万动力学模拟。研究使用的MISATO数据集包含13,066个蛋白质-配体复合物的动力学轨迹，每个轨迹包含100个时间快照，覆盖8纳秒的模拟时长。
多轨迹预测的泛化能力
在多个轨迹的预测任务中，NeuralMD表现出卓越的泛化能力。在MISATO-100、MISATO-1000和完整MISATO数据集上，其重建误差（MAE和RMSE）比最佳基线方法降低达15倍，有效性指标（匹配度和稳定性）提升最高70%。特别值得注意的是，基于力场预测的传统方法VerletMD在所有数据集上表现均较差，凸显了直接学习轨迹策略的优势。
单轨迹预测的准确性
在10个单轨迹预测任务中，NeuralMD的两种变体（ODE和SDE）在大多数情况下均优于对比方法。特别是在稳定性指标上，NeuralMD在9个任务中表现最佳，稳定性提升达70%。结果表明，在数据有限的情况下，直接学习坐标预测的方法比基于力场预测的方法更具优势。
振荡行为的定性分析
通过配体均方根涨落（RMSF-Ligand）分析，研究人员发现NeuralMD预测的原子波动模式与真实动力学最为接近。这种波动模式反映了结合过程中配体原子的柔性变化，是评估模拟质量的重要指标。在8个测试系统中，NeuralMD有5个系统与真实波动曲线高度一致，2个系统略优于基线，仅在2个具有突然位置变化的挑战性系统中表现相当。
计算效率优势
效率分析显示，NeuralMD在保持精度的同时，实现了显著的加速效果。在单GPU上，NeuralMD的ODE版本平均每秒可处理420.1帧，SDE版本为417.9帧。与数值方法相比，在最优条件下可获得25,000倍的加速，保守估计也超过1,000倍。这种效率提升使得纳秒级别的模拟可以在分钟级别完成，大大降低了计算门槛。
4G3E案例的生物意义
以NF-κB诱导激酶（NIK）与抑制剂CMP1的复合物（PDB: 4G3E）为例，研究展示了NeuralMD在药物设计中的实际价值。NIK在非经典NF-κB通路中起关键作用，是自身免疫疾病和癌症治疗的重要靶点。NeuralMD模拟显示，CMP1分子在结合过程中特定结构区域保持稳定或有规律波动，这一发现为优化抑制剂提供了重要线索，有助于提高结合亲和力和选择性。
NeuralMD框架的成功开发标志着蛋白质-配体结合动力学模拟进入新阶段。通过多粒度对称建模和神经微分方程求解，该工作实现了精度与效率的平衡，为大规模药物筛选和优化提供了可行方案。尽管在柔性蛋白质模拟和实验验证方面仍存在挑战，但NeuralMD展现的潜力无疑将推动计算辅助药物设计向动态化、精准化方向发展。
未来工作中，研究人员计划拓展框架至全柔性系统，并通过实验手段验证模拟结果的生物学相关性。随着更多高质量动力学数据的积累和算法优化，NeuralMD有望成为下一代药物研发的核心工具之一。
