Новый ИИ-метод ускоряет симуляции белков и раскрывает сложную динамику сворачивания

Международная команда под руководством профессора Эйнштейна Сесилии Клементи из Департамента физики Свободного университета Берлина представила CGSchNet — машинно-обученную крупнозернистую (CG) модель, которая может точно и эффективно симулировать белки, как никогда раньше. Исследование опубликовано в выпуске Nature Chemistry от 18 июля 2025 года.

Работая значительно быстрее, чем традиционная молекулярная динамика на уровне всех атомов, CGSchNet позволяет исследовать более крупные белки и сложные системы. Это открывает потенциальные возможности для применения в открытии лекарств и белковой инженерии, что, например, может продвинуть методы лечения рака.

Разработка общей CG-модели, способной улавливать сворачивание и динамику белков, была постоянной проблемой для учёных на протяжении последних 50 лет. «Эта работа впервые демонстрирует, что глубокое обучение может преодолеть этот барьер и привести к системе симуляции, которая приближается к атомарным симуляциям белков без явного моделирования растворителя или атомарных деталей», — говорит профессор Клементи.

В CGSchNet команда профессора Клементи обучила графовую нейронную сеть изучать эффективные взаимодействия между частицами в крупнозернистой симуляции белка, чтобы воспроизводить динамику разнообразного набора тысяч атомарных симуляций.

В отличие от инструментов предсказания структуры, CGSchNet моделирует динамический процесс, включая промежуточные состояния, важные для процессов неправильного сворачивания, таких как образование амилоидов — патологических белковых агрегатов, которые появляются, например, при болезни Альцгеймера.

Модель также симулирует переходы между свёрнутыми состояниями, что ключевым образом важно для функции белка, и обобщается на белки вне своего обучающего набора, демонстрируя сильную химическую переносимость. Более того, она точно предсказывает метастабильные состояния свёрнутых, развёрнутых и неупорядоченных белков, которые составляют большинство биологически активных белков.

Такие предсказания были чрезвычайно сложными в прошлом из-за гибкости этих белков. Модель также способна оценивать относительные свободные энергии сворачивания белковых мутантов, чего не могли достичь предыдущие методы симуляции из-за вычислительных ограничений.