人工智能引导的过渡路径采样脂质翻转和膜纳米穿孔

科学领域:

• 生物物理学的生物物理.
• 计算化学的计算化学
• 在分子动力学中的人工智能.

背景情况:

• 脂质转位 (翻转) 对膜不对称性至关重要,但罕见的事件挑战直接模拟.
• 生物系统采用活跃的机制来调节脂质组成,强调了解自发脂质运动的重要性.

研究的目的:

• 通过使用人工智能引导的模拟来研究横跨平面脂质双层的脂质转移机制.
• 识别和描述脂质翻转事件的不同途径.

主要方法:

• 使用人工智能 (AI) 引导过渡路径采样 (TPS) 与分子动力学 (MD) 模拟相结合.
• 利用分子机制发现 (AIMMD) 的人工智能捕捉脂质翻转,而不是通过初始化接近过渡状态的模拟来偏倚动力学.
• 在飞行中训练神经网络来预测犯人概率,有效地编码反应坐标.

主要成果:

• 在不同的脂类和模拟分辨率 (粗粒度与原子化) 中确定了四种不同的脂质翻转机制.
• 观察到粗粒度的DMPC脂质在没有水的情况下穿过双层道,而原子化的DMPC脂质使用水纳米孔.
• 原子模拟显示,胆固醇在没有水的帮助下道化,而PLPC和DSPC脂质利用了水的特征和膜稀释.

结论:

• 人工智能引导的TPS有效地捕获罕见的脂质转位事件,并揭示了各种机制.
• 在高维特征空间中的反应坐标实际上变得线性,支持主导的反应管概念.