膜与膜之间聊聊膜：基于committor的stalk形成增强采样

《The Journal of Physical Chemistry Letters》：Let’s Stalk about Membranes: Committor-Based Enhanced Sampling of Stalk Formation

　　

膜融合是细胞通讯与功能的基础，理解两层脂质双分子层如何合并是为治疗策略提供信息的关键。功能化纳米颗粒近年作为合成促融剂（fusogen）涌现，但其驱动过程的分子机制仍不明确，部分原因在于融合涉及跨越高通量自由能垒的跃迁，难以在分子模拟中捕获。尽管增强采样方法可缓解该问题，但其依赖于集体变量（collective variable, CV）的定义，而融合源于众多分子的集体重排，难以简化为直观坐标，CV尤其难定义。研究人员采用基于committor函数 q(x) 的增强采样策略研究由两亲性金纳米颗粒介导的stalk形成（融合首步），该committor通过自洽过程经机器学习获得。该方法仅需极少先验知识，将学到的committor用作高效CV，实现全路径均匀采样。从所得反应轨迹与广泛过渡区采样中，研究人员获得收敛的自由能估计，并深入洞察stalk形成机制。

《The Journal of Physical Chemistry Letters》刊发的该研究针对膜融合早期stalk形成机制不清、传统增强采样依赖人工定义集体变量（CV）的瓶颈，提出并验证了一套基于committor函数的自洽机器学习增强采样框架。研究背景方面，膜融合是囊泡运输、病毒进入、膜修复的核心拓扑过程，合成促融剂（如两亲性金纳米颗粒AuNP）在纳米医学与细胞内递送中日渐重要；但融合需跨越～2 nm接触后的高自由能垒，标准全原子或粗粒化（CG）分子动力学仍难直接观测自发事件，而伞形采样等CV基方法因CV选择不当会产生滞后或掩盖慢自由度。为此，研究人员以Martini 2力场构建两片DOPC双分子层（25×25 nm）与嵌于下层、表面混接MUS/OT配体的2 nm AuNP体系，在310 K、水脂比约12下，用committor q(x)——即从构型x出发先达末态B而非初态A的概率——作为最优反应坐标，将其参数化为输入物理描述符d(x)的前馈神经网络q_θ(d(x))，并以边界损失L_b与变分损失L_v交替训练；为规避原子坐标梯度开销，采用描述符空间梯度近似变分泛函K?[q]=?|?_dq|⁴?。采样阶段同时施加Kolmogorov偏置V_K(x)=?(λ/β)log(|?_dq|²+?)吸引过渡态区，与OPES-explore偏置沿committor相关平滑变量z(x)（q=σ(z)）填充双稳态，经两次自洽迭代收敛后跑5条独立1 μs生产模拟。描述符取以AuNP质心为心、17层同心球壳内限高限径的脂尾珠数，覆盖层间疏水桥区。

关键技术方法上，研究人员依托mlcolvar库训练NN committor，GROMACS+PLUMED2执行CG MD；样本为单一Martini体系（无生物样本队列），方法核心含三件：描述符空间近似变分原理替代坐标空间?_u→?_d、Kolmogorov+OPES双偏置自洽循环、以z(x)为平滑CV避q陡变。

研究结果部分，Method: Committor Function小节明确q(x)边界条件q_A=0、q_B=1及精确变分泛函K[q]=?|?_uq|²?；Method: Machine Learning the Committor小节给出NN参数化与?_d近似上界泛函式(1)；Method: Enhanced Sampling Scheme小节定义V_K与OPES-on-z双偏置互补覆盖稳态与过渡态；Method: Self-Consistent Iterative Procedure小节列三步循环（训练q_θⁿ→跑偏置模拟→按w_iⁿ=e^βV_effn/?e^{βV_effn_Ueffn重加权入库）；Results小节报告两次迭代即收敛，5×1 μs复现自由能面（FES）投至z(x)，ΔG估计稳于100 ns瞬态后，与chain coordinate旧法一致；按z分五箱k-medoids聚类显示过渡态仅少数脂尾（下层突出+上层单尾下探+夹层半脱脂）建立首条疏水接触，随箱次增加脂尾招募与水珠排挤并行，上层膜尾向层间重取向为触发点；Figure 3B量化显示NP上方脂尾数增、水珠数减、splayed/水平尾段增。Discussion小节指出描述符（同心脂尾壳）可迁移至肽/蛋白促融，壳几何鲁棒，垂直/侧向截断属合理先验；committor概率序揭示融合进度由多耦合集体重排涌现而非单事件；可扩加曲率/取向描述符。结论翻译：本工作展示一套通用、半自动、高效stalk形成研究框架，仅从极少信息出发即得融合机制与热力学深解，其灵活性使之成为真实条件下理解融合过程的宝贵工具。}