综述：理解酶促反应循环的多尺度分子模拟方法

本综述系统评述了利用多尺度分子模拟（包括分子动力学（MD）、量子力学/分子力学（QM/MM）及机器学习（ML）整合方法）研究酶促反应循环的最新进展，重点探讨了酶构象变化与化学反应（如磷酸化、底物结合/释放）的耦合机制及其在生物能量转换（如ATPases功能）和代谢调控（如色氨酸合成酶TSase）中的关键作用。

　　

引言

酶通过降低化学反应活化能显著增强生物催化效率，其功能实现依赖于活性位点处底物结合、多步化学反应及产物释放等微观事件的协同。这些过程常与酶构象变化紧密耦合，构成复杂的反应循环。近年来，多尺度分子模拟技术的融合为从原子层面解析酶功能机制提供了强大工具。

酶反应与变构构象变化

酶功能涵盖化学转化、构象调整及底物传输等多尺度过程。变构效应作为核心调控机制，可通过远端配体结合诱导酶构象变化，进而调节活性位点结构。例如，腺苷酸激酶（AdK）通过开放-闭合构象转换实现底物结合与催化效率的调控，而色氨酸合成酶（TSase）的α/β亚基间构象耦合与内部隧道传输机制揭示了复杂的变构网络。

分子模拟在变构研究中的应用

增强采样技术如伞采样、元动力学及字符串方法等已广泛应用于酶构象变化的自由能计算。研究表明，AdK中磷酸转移反应通过精氨酸残基氢键网络调控结构转换，而Mg²⁺辅因子通过优化底物O–P–O键角提升反应效率。TSase的变构网络分析则揭示了亚基界面残基通过氢键切换实现信息传递，为人工设计高活性突变体提供理论基础。

ATPases反应循环的动态机制

P型ATPases（如SERCA1a）、ABC转运蛋白及F型ATPases通过ATP水解驱动大规模构象变化，实现离子转运或ATP合成。计算研究聚焦于关键步骤如E1P-E2P转换，发现ADP解离触发胞质域重排及质子注入，降低Ca²⁺亲和性并促进其释放。此类研究凸显了核苷酸结合状态与跨膜传输间的动态耦合。

QM/MM与机器学习的融合创新

传统QM/MM模拟受计算成本限制，难以覆盖酶反应全程。机器学习力场（MLFF）通过训练量子化学数据，以较低成本实现近量子精度计算。连续学习策略提升了模型对突变体的适应性，工具如DeePMD-kit、GENESIS与OpenMM的集成推动了ML/MM在自由能计算中的应用，为酶反应环境效应（如膜界面、细胞拥挤）研究开辟新途径。

结论

多尺度分子模拟通过整合经典MD、QM/MM与ML方法，逐步揭示酶反应循环中构象-化学耦合的分子机制。变构网络分析与自由能景观计算为理解酶功能调控及设计高效催化剂提供关键见解。未来，基于ML的跨尺度模拟将有望在复杂生理环境中实现酶动力学的精准预测。