质子化N-乙酰己糖胺构象解析：第一性原理与机器学习揭示意外甲基化效应

本研究针对碳水化合物三维构象解析的实验难题，开发了基于机器学习神经网络势能面（NNP）的高效计算方法，结合密度泛函理论（DFT）对质子化N-乙酰己糖胺（HexNAcH+）及其甲基化形式进行系统研究，构建含32种单糖的第一性精度结构数据库，发现挑战现有认知的甲基化效应，为IRMPD光谱解析提供重要理论支撑。

　　

阐明具有内在柔性的碳水化合物三维构象行为对于理解其生物功能至关重要，但这仍然是实验领域的重大挑战。虽然传统的ab initio计算方法（如密度泛函理论DFT）能够采样低能量构象异构体，但其计算资源消耗巨大。本研究开发并采用机器学习驱动的新方法，通过利用已建立的局部极小值数据库高效定位低能量候选结构，进而使用目标ab initio方法（具体为DFT）进行重新优化——通过训练神经网络势能面（NNP）模型来精确模拟DFT势能面。

该创新方法被成功应用于解析质子化N-乙酰己糖胺（HexNAcH⁺）及其甲基化形式的三维结构，最终构建了包含32种单糖、具有第一性原理精度的综合结构数据库。研究结果虽与现有文献总体一致，但揭示了出人意料的甲基化效应，这对当前HexNAcH⁺构象行为的认知提出了新挑战。

更重要的是，基于文献中通过红外多光子解离（IRMPD）技术获得的实验振动光谱（包括GlcNAcH⁺、GalNAcH⁺和ManNAcH⁺）以及我们对全部16种HexNAcH⁺结构的模拟光谱，我们有合理预期认为：其余尚未通过实验探索的HexNAcH⁺构型均可通过IRMPD技术进行解析。