利用机器学习引导的分子模拟与实验数据相结合,解读氨基醇的膜结合机制

科学领域:

• 计算化学和生物物理学
• 分子动力学模拟的模拟.
• 神经科学是一个神经科学.

背景情况:

• 了解细胞膜与分子相互作用对于药物输送和理解神经退行性疾病至关重要.
• 估计溶解物与生物膜结合的自由能量场景仍然是一个重大的计算挑战.

研究的目的:

• 为了确定氨醇化合物trodusquemine (TRO) 和squalamine (SQ) 的膜插入的自由能量景观.
• 开发和验证一种计算策略,用于表征溶液-膜相互作用并预测结合亲缘关系.

主要方法:

• 利用深度TICA方法,将时间滞后的独立组件分析 (TICA) 与神经网络 (NN) 集成.
• 使用机动概率增强采样 (OPES) 进行免费能源景观估计.
• 在类似神经元的脂质双层模型中模拟氨醇插入.

主要成果:

• 深度TICA战略有效地产生了一个集体变量来描述溶解物吸收到膜中.
• 准确预测TRO和SQ的膜结合亲和力,与来自大型单囊泡 (LUV) 的实验数据密切一致.
• 实现了氨醇进入脂质双层的途径的详尽表征.

结论:

• 该计算协议为研究膜结合过程和预测结合亲缘关系提供了一个强大的方法.
• 这些发现提高了对阿米诺醇进入机制及其对神经退行症的保护作用的理解.
• 深度TICA方法显示了关于溶液-膜相互作用的未来研究的巨大潜力.