奧本大學等利用深度學習模擬展現「越拉越牢」的反直覺分子動力學

日常生活中，物品收到過大的力后常常會斷裂開——就像被掰開的意大利面。但在分子世界中，有些結合鍵卻表現得像「唱反調」：越拉越牢。這類奇特的相互作用被稱為逆鎖鍵（catch bonds）。幾十年來，它們一直是免疫學和分子力學的謎題——人們知道它們存在，卻始終看不清它們在受力下的真實動作。

為了挑明鍵受力閾值的存在與否，美國科羅拉多州立大學（Colorado State University）與奧本大學（Auburn University）等引入了 AI 增強的分子動力學方法，揭曉了這個答案：逆鎖鍵在施加力后幾乎立即「啟動」。

相關的研究內容，以「AI Uncovers the Rapid Activation of Catch-Bonds under Force」為題，于 2025 年 9 月 11 日發布在《Journal of Chemical Theory and Computation》。

論文鏈接：https://pubs.acs.org/doi/10.1021/acs.jctc.5c01181

逆鎖鍵的激活機制

逆鎖鍵的存在能解釋許多生物現象：免疫細胞如何在湍急血流中駐足，血小板如何在受損血管上停靠。但它們究竟通過怎樣的結構變化實現「越拉越穩」，以及這種變化發生在什么時間尺度上，一直存在爭議。

傳統實驗只能測到結果，卻無法看清瞬間的分子運動；而常規模擬計算量龐大，往往跟不上這種快速事件。不過上述研究團隊采用了一種計算機單分子力譜方法，結合分子動力學（MD）模擬、動態網絡分析和基于人工智能的建模，研究 XDoc:CohE 復合物——一種在降解纖維素的細菌中發現的超穩定鍵。

圖 1：XDoc:CohE 復合物的機械穩定性。

實驗開始于 200 次獨立 SMD 模擬以獲取斷裂力分布——通過這種方式獲取了 2200 個軌跡片段。隨后利用動態網絡分析計算出氨基酸解除數量與相關性，并訓練回歸模型。

團隊非常驚訝地發現，在 XDoc:CohE 界面中，沒有找到任何 200 次模擬所共有的氨基酸接觸。也就是說，在所有的單分子動力學軌跡中，連接這兩者的任何一對殘基的平均運動相關性都沒有超過0.2。

預測斷裂的瞬間

團隊系統地測試了一系列機器學習算法，以確定僅使用運動相關性作為訓練數據的情況下，哪些算法在預測 XDoc:CohE 復合物斷裂力時表現最佳。

具體而言，整體方法采用動態網絡分析，用來確定相鄰殘基，并計算這些殘基的 α 碳運動之間的相關性，然后篩選出平均運動相關性超過 0.2 的殘基對。

出乎研究者的意料，在所有窗口，即使使用 「離斷裂事件最遠的窗口（斷裂前 2.1ns）」 的數據，模型仍能有效預測斷裂力 ——SVR 模型表現最優，最差 MAPE 僅 10.6%（平均 9.5%±0.8%），且所有模型對 「機械穩定性排序」 的預測精度極高。

圖 2：從相關性預測斷裂力。

即使 XDoc:CohE 界面的總相關性在下降，機器學習預測的質量仍隨著力的增加而提高，而 XDoc:CohE 界面僅呈弱正相關（0.37）。除此之外，AI 僅使用模擬數據的短片段就能做出準確的預測，甚至在鍵實際斷裂之前。

這一點令人驚訝，因為此處測試的所有機器學習模型都僅使用相關性數據進行訓練，這表明它們并非依靠相關性測量值的增加來更準確地預測斷裂力。相反，這些模型正在解讀由運動相關性所捕捉到的系統特征。

關于生物工程藍圖

研究系統地揭示了 XDoc:CohE 界面在機械應力下的復雜動態，闡明了這種逆鎖鍵在不同力度下的表現。通過利用先進的計算技術，研究團隊得以以前所未有的細節剖析該系統的機械穩定性特征。

這項研究還突出了人工智能在理解復雜生物數據方面的能力。這些模型不是依賴于靜態結構，而是捕捉了蛋白質界面上的動態運動模式，發現了預測穩定性的微妙信號。

相關鏈接：https://phys.org/news/2025-09-ai-uncovers-hidden-nature-toughest.html