ORNL：人工智能和分子模擬尋找更好植物根源

通過將人工智能與分子動力學模擬相結合，美國能源部橡樹嶺國家實驗室（ORNL ：Oak Ridge National Laboratory）的研究人員開發了一種新工具，可以更準確地預測植物和有益微生物如何在最基本的層面上相互作用和形成伙伴關系。

新的人工智能工作流程幫助科學家確定哪些植物基因控制著最佳的微生物伙伴關系。這加速了微生物組的工程化，有助于植物更快地生長，需要更少的肥料，并產生更多的生物質轉化為有價值的燃料、化學品和材料。該方法加快了國家能源和糧食安全的研究，提高美國在全球生物技術領域的競爭力。

植物和環境中的微生物通過稱為配體的化學信號進行互動交流，形成促進植物生長和健康的伙伴關系。一類關鍵的配體，脂質殼寡糖（LCO），引起了ORNL科學家的興趣，因為它們促進了這種植物-微生物共生。然而，由于LCO的靈活和大分子結構，預測哪些蛋白質（執行特定任務的細胞中的大而復雜的分子）將識別并精確結合這些信號一直是一個挑戰。

現有的計算工具，如預測蛋白質三維形狀的AlphaFold程序，提供的幫助有限，因為它們主要是在由較小的藥物樣配體組成的數據集上訓練的。AlphaFold通常也預測LCO中的靜態相互作用，而不是動態波動。

為了產生更好的蛋白質配體匹配預測，ORNL生物物理學家開發了一種混合方法，將分子動力學（MD）模擬與機器學習（ML）預測相結合，該方法允許對蛋白質動態結構進行更廣泛的采樣。ML模型是在蛋白質-配體復合物的大數據集上訓練的。

這些模擬是在橡樹嶺領導力計算設施（Oak Ridge Leadership Computing Facility）的美國最快的兩臺超級計算機Frontier和Summit上進行的，該設施是位于ORNL的美國能源部科學辦公室用戶設施，致力于開放科學以加速美國的創新和競爭力。

這種被稱為MD/ML的方法對植物受體與配體結合的強度進行了排名，即使起始蛋白質結構只是粗略的模型，它也能起作用。該研究預測了與實驗實驗室結果相匹配的結合，并揭示了結合如何發生的新結構細節。

分子配對加速植物轉化

ORNL計算和預測生物學小組的項目聯合負責人Erica Prates說：“能夠快速預測這些分子‘匹配’意味著科學家可以集中精力進行實驗，從而節省時間和金錢。”

“這項技術表明，我們可以預測大型、高度靈活的配體與蛋白質受體的相對結合強度。”ORNL分子生物物理學小組的項目聯合負責人Omar Demerdash說，“這種結合強度最終決定了細胞內發生的事情，包括哪些基因被激活以及無數其他生理過程。這是理解植物如何與微生物相互作用，或藥物如何在人體內治療疾病的關鍵。”

“這種方法考慮到了蛋白質不是剛性的這一現實——它們一直在擺動。”該論文的通訊作者、ORNL的計算系統生物學家Dan Jacobson說，“但迄今為止，我們的大多數蛋白質結構預測工具最終都會生成一個靜態結構，導致剛性視圖與現實生活中的靈活性脫節。通過進行考慮蛋白質運動的分子模擬，你可以找到一種更好的方法來發現這些結合事件。”

Jacobson說：“我們已經開發出一種方法，可以更好地了解植物和外部微生物世界中這些受體的互動。”“這是我們植物-微生物相互作用研究工具包的一個很好的補充，具有更廣泛的應用，例如探索如何重新利用現有的藥物療法來治療健康疾病。”

該團隊中的其他ORNL科學家包括Tomás Rush、Udaya Kalluri和Manesh Shah。該研究得到了美國能源部科學、生物和環境研究計劃辦公室植物-微生物界面科學重點領域的支持。

與Ai時代前沿合作，將大門向更多普通用戶敞開！無論你是對新技術充滿好奇心的愛好者，還是希望提升自己技能的職場人士，這里都有適合你的課程和資源。