Nat Commun｜四川大学蒲雪梅/邵振华团队：耦合残基本质的机器学习和分子动力学模拟，开发变构位点的智能识别方法

变构药物在调节蛋白质功能中可以提供更高的选择性和特异性，降低脱靶副作用，为现代药物设计提供了一条新途径。然而，神秘的变构位点通常是隐藏的，只在特定的构象状态下才会打开，复杂的构象变化导致了实验研究的困难性。尽管分子动力学(MD)模拟提供了一个有效的途径来捕捉这些微观构象随时间的变化情况，但如何从MD产生的庞大轨迹空间中识别出位点打开的构象却是一个困难的技术挑战。目前基于MD的变构位点识别技术通常受限于预先设定的坐标和先验经验，且普遍缺乏对识别位点变构效应的进一步理论确认，影响识别的成功率，因此迫切需要开发一种无偏且高效的位点识别方法。

2024年9月16日，四川大学化学学院蒲雪梅教授和四川大学华西医院邵振华教授团队合作在《Nature Communications》杂志在线发表了题为“Integrative residue-intuitive machine learning and MD Approach to Unveil Allosteric Site and Mechanism for β2AR”的工作。

针对以上技术挑战，作者基于变构机制的残基构象变化本质，结合机器学习和分子动力学模拟为靶标蛋白开发了一个高效智能的变构位点和变构药物的识别方法，无需复杂的特征工程和先验知识的预设定。通过该框架，作者成功识别出了β2AR一个全新的变构位点和首个报道的 β2AR的G蛋白偏向的负变构调节剂，并揭示了它们的变构调节机制。

一、识别框架的开发

该研究提出的识别框架包含5个主要部分：高斯加速分子动力学模拟的构象空间（图1a）、可解释性的杂化机器学习模型RHML（图1b）、关键构象和变构位点的识别（图1c）、变构配体的筛选（图1d）、变构机制的阐明（1e）和实验验证（1f）。

图1. 变构位点及变构调节剂识别框架

RHML是作者整合了无监督聚类和深度学习方法而开发的一个残基可解释性的机器学习模型，能够解决未知MD空间的构象态标签问题和变构位点打开的构象态识别难题，其中所开发的可解释性卷积神经网络CNN的构象态多分类器（图2）使用像素图的构象表征来减少信息损失，并引入局部线性近似的策略开发了一个能够挖掘对分类结果起关键作用的残基的深度学习解释器，从而挖掘变构位点打开的构象态。

图2. RHML框架中可解释性CNN的构象态多分类模型

二、RHML对β2AR变构位点的识别和变构调节剂的虚拟筛选

作者选择了具有重要临床作用的G蛋白偶联受体β2AR作为一个代表性的靶标蛋白，采用RHML框架分析了来自3μs×5的GaMD生成的150,000个构象并确定了构象空间的最佳类别数目作为分类标签（图3），并结合RHML解释器的结果找到了重要残基与功能区域密切相关的一类构象态，显示了变构潜力。针对此构象态，结合FTMap和RHML解释器的结果识别出一个新的潜在变构位点（图4），基于此变构位点通过多构象虚拟筛选以及MM/GBSA计算，作者获得了四个潜在的变构调节剂。

图3. RHML模型识别MD轨迹中最佳的构象态类别数和LIME解释器识别出的每类构象态的重要残基

图4. FTMap和机器学习解释器确定的变构位点及变构调节剂虚筛策略

三、结合MD和蛋白质结构网络进一步探究位点和配体的变构效应，以提升实验的成功率

作者从四个潜在的变构配体中选择具有最高亲和力的ZINC5042，结合β2AR以及正构配体进行了共22.5 s常规MD模拟以从计算角度进一步探究位点和配体是否具有变构作用，以提升计算识别的成功率。MD自由能分析以及结构分析表明， ZINC5042能够显著降低激动剂与受体的亲和力，并且能够稳定β2AR保持在非激活态，显示出负变构调节剂的潜力。蛋白质结构网络分析（图5）进一步指出：变构调节剂ZINC5042通过W6.48以及F6.44削弱正构配体的结合，而且ZINC5042的结合会减少跨螺旋结构域的通讯，不利于激动剂激活信号的传导，展现出一种负的变构调控作用。

图5. 变构调控路径的分析

四、变构位点和配体的实验验证

MD的计算结果显示了新识别的位点具有变构效应，且筛选出的变构药物ZINC5042是一种负变构调节剂。在这些充足的计算证据下，作者针对所识别的变构位点和变构调节剂进行了cAMP累积实验以及定点突变实验，实验结果完全和计算一致，确认了变构位点的准确性和所筛选出ZINC5042的G蛋白偏向的负变构效应，有力地证实了本研究所提出的识别框架的可靠性和实际应用潜力。

图6. ZINC5042的药效及变构位点的实验验证

五、总结与展望

针对变构位点识别的难题，作者从变构机制的构象本质出发，结合MD模拟开发了一个可解释的杂化机器学习方法（RHML），该方法解决了现有机器学习模型在MD构象分析中的技术局限性，包括最佳构象类别数目确定、构象表征中的信息丢失以及对构象分类的可解释性问题，能够有效识别变构位点并发现潜在变构调节剂，有望成为MD领域一个智能高效的位点识别和构象分析的工具。此外，该研究工作为β2AR变构药物的研发提供了一个全新的变构位点，所识别出的ZINC5042是首个报道的β2AR的G蛋白偏向的负变构调节剂，为治疗充血性心力衰竭（CHF）所需的β-blocker的开发提供了一个有潜力的候选物。

四川大学化学学院蒲雪梅教授和四川大学华西医院邵振华教授为该论文的共同通讯作者，陈欣博士、王可欣博士以及陈建芳博士为该论文的共同第一作者。本研究受到国家自然科学基金、四川省国际科技创新合作项目、天府锦城实验室（前沿医学中心）基金、四川大学华西医院学科卓越发展1·3·5工程基金资助。

文章来源于网络：

http://ykxb.scu.edu.cn/news/413

--------- End ---------

感兴趣的读者，可以添加小邦微信加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位 或 姓名-学校-职务/研究方向。