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

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）。

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。

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。

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。

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。

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