将超粗粒度蛋白质模型集成到可访问的工作流程中,用于多层次分子动力学

科学领域:

• 计算生物学 计算生物学
• 生物物理学的生物物理.
• 分子动力学分子动力学

背景情况:

• 分子动力学 (MD) 模拟需要多个分辨率来进行蛋白质结构分析.
• 全原子 (AA) 模拟提供了高分辨率,但对于大型系统和长时间来说,它们在计算上昂贵.
• 粗粒度 (CG) 和超粗粒度 (UCG) 模型可以降低计算成本,同时保留关键蛋白质特征.

研究的目的:

• 开发一种较少的计算密集型方法来探索蛋白质构造空间.
• 将UCG模型集成到多尺度机器学习建模基础架构 (MuMMI) 工作流中.
• 为了能够准确地采样蛋白质构造,特别是RAS-RAF蛋白质相互作用.

主要方法:

• 将基于异质弹性网络建模 (hENM) 的UCG模型集成到MuMMI.
• 使用更高分辨率的CG Martini模拟数据,对UCG分子内相互作用的精细化.
• 开发基于机器学习的逆向映射方法,使用扩散模型绘制UCG和CG Martini结构之间的映射.
• 创建一个Python包,从CG Martini模拟波动中估计UCG债券系数.

主要成果:

• UCG模型准确地采样蛋白质构造,在RAS-RAF模拟中证明了这一点.
• 开发了一个可扩展的Python包,用于改进UCG模型.
• 实施了新的机器学习反向映射技术,以恢复详细的结构.
• 创建了UCG-mini-MuMMI,这是MuMMI的一个计算效率高的版本.

结论:

• 在MD模拟中,UCG模型提供了一种有效的策略来降低MD模拟中的计算成本.
• 开发的UCG-mini-MuMMI为科学界提供了一个可访问的资源.
• 这种方法广泛适用于各种蛋白质系统,为UCG模型的优点和局限性提供了洞察力.