利用 PUD+ 的从头侧链采样实现跨越人工智能驱动与经典模拟的高保真蛋白质动力学

分子动力学（MD）模拟的保真度从根本上取决于用于参数化底层力场的从头算数据的质量与覆盖范围，然而，侧链构象空间的作用仍未得到充分探索。在本研究中，我们系统考察了二肽构象的全面从头算采样——特别是针对侧链自由度——如何影响力场精度以及MD模拟的预测能力。我们提出了 Protein Unit Dataset Plus（PUD+），这是一个包含4000万种构象的量子力学数据集，对主链和侧链构象空间均实现了前所未有的覆盖。基于PUD+训练的机器学习力场并集成到AI2BMD模拟中后，展现出更优的能量与力预测精度，能够刻画高保真的蛋白质折叠动力学以及长侧链体系的构象柔性。此外，利用PUD+对经典ff19SB力场的CMAP项进行重新参数化，可显著改善对本征无序蛋白（IDP）动力学及IDP-配体结合的描述。总体而言，这些结果表明，对二肽侧链构象进行从头算采样，能够在AI驱动和经典模拟两种范式下实现对蛋白质动力学的高保真建模。

分子动力学（MD）模拟的保真度从根本上依赖于用于参数化底层力场的从头算数据的质量与覆盖范围，然而，侧链构象空间的作用仍未得到充分探索。在本研究中，我们系统考察了二肽构象的全面从头算采样——特别是针对侧链自由度——如何影响力场精度以及MD模拟的预测能力。

我们提出了 Protein Unit Dataset Plus（PUD+），这是一个包含4000万种构象的量子力学数据集，对主链和侧链构象空间均实现了前所未有的覆盖。基于PUD+训练并集成到AI2BMD模拟中的机器学习力场表现出更优的能量与力预测精度，能够高保真地捕捉蛋白质折叠动力学以及长侧链体系的构象柔性。

此外，利用PUD+对经典ff19SB力场中的CMAP项进行重新参数化，显著改善了对内在无序蛋白（IDP）动力学及IDP-配体结合的描述。总体而言，这些结果表明，对二肽侧链构象进行从头算采样，能够在AI驱动和经典模拟两种范式下实现对蛋白质动力学的高保真建模。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.10.743906v1?rss=1

🏷️ 蛋白质动力学 从头算采样 侧链构象 分子动力学模拟 机器学习力场 本征无序蛋白