仅几秒，准确推断蛋白动力学信息，山大、北理工等AI模型RMSF-net登Nature子刊
内容提要
山东大学、百图生科、北京理工大学等研究团队提出了RMSF-net神经网络模型，可准确推断蛋白质的动力学信息。该模型利用低温电子显微镜密度和PDB模型信息，通过特征编码和解码预测蛋白质的RMSF。研究人员构建了大规模蛋白质动力学数据集进行模型训练和验证。实验结果显示，RMSF-net在测试集上表现出色，与MD模拟结果的相关系数达到0.746±0.127。该模型具有高性能和处理速度，在蛋白质结构和动力学研究中具有广泛应用前景。
延伸解读
RMSF-net 如何整合冷冻电镜与 PDB 信息
RMSF-net 的核心创新在于同时利用冷冻电镜密度图和 PDB 模型作为输入。冷冻电镜密度图提供异质密度分布信息，而 PDB 模型提供原子结构信息。模型通过三维卷积神经网络的两个模块，分别进行特征编码解码和通道回归，最终预测每个原子的 RMSF 值。这种双输入设计使两类数据形成互补，提高了预测准确性。
性能表现与对比优势
在包含 335 个冷冻电镜结构的大规模数据集上，RMSF-net 通过 5 倍交叉验证，预测结果与分子动力学模拟的相关系数达到 0.746±0.127。相比 DEFMap 方法提高了 15%，比基线提高了 10%。这表明 RMSF-net 在预测蛋白质柔韧性方面具有显著优势，且能在几秒内完成预测，远快于传统 MD 模拟。
可解释性验证与互补作用
研究通过对比实验证明，基于冷冻电镜的模型主要通过解读蛋白质结构来实现动力学预测，凸显了拓扑结构与动力学之间的联系。进一步比较显示，PDB 模型提供的结构信息起主要作用，而冷冻电镜密度图中的动力学信息则进一步增强预测。这验证了两类信息在 RMSF-net 中的互补性，增强了模型的可解释性。
当前局限与未来方向
RMSF-net 目前主要限于预测纯蛋白质及其复合物在溶液中的柔韧性。对于蛋白质与小分子配体结合或在膜环境中的情况，局部区域可能出现不准确。此外，研究尚未扩展到核酸和蛋白质-核酸复合物。未来需要进一步研究多构象预测和转变分析，以全面表征大分子动力学。
Q&A
RMSF-net模型的主要功能是什么？
RMSF-net模型能够准确推断蛋白质的动力学信息，特别是蛋白质的RMSF。
RMSF-net是如何提高蛋白质动力学预测效率的？
RMSF-net通过整合低温电子显微镜密度和PDB模型信息，利用特征编码和解码来提高预测效率。
RMSF-net的实验结果如何？
RMSF-net在测试集上的相关系数达到0.746±0.127，表现优于其他方法。
RMSF-net的局限性是什么？
RMSF-net主要限于预测纯蛋白质及其复合物的柔韧性，未来需要扩展到核酸和蛋白质-核酸复合物的研究。
RMSF-net的应用前景如何？
RMSF-net在蛋白质结构和动力学研究中具有广泛的应用前景，尤其是作为预测蛋白质动力学的工具。
RMSF-net的训练数据集是如何构建的？
研究团队构建了一个大规模蛋白质动力学数据集，选择了335个具有拟合PDB模型的低温电子显微镜结构条目进行训练和验证。
