奥本大学等利用深度学习模拟展现「越拉越牢」的反直觉分子动力学

日常生活中，物品收到过大的力后常常会断裂开——就像被掰开的意大利面。但在分子世界中，有些结合键却表现得像「唱反调」：越拉越牢。这类奇特的相互作用被称为逆锁键（catch bonds）。几十年来，它们一直是免疫学和分子力学的谜题——人们知道它们存在，却始终看不清它们在受力下的真实动作。

为了挑明键受力阈值的存在与否，美国科罗拉多州立大学（Colorado State University）与奥本大学（Auburn University）等引入了 AI 增强的分子动力学方法，揭晓了这个答案：逆锁键在施加力后几乎立即「启动」。

相关的研究内容，以「AI Uncovers the Rapid Activation of Catch-Bonds under Force」为题，于 2025 年 9 月 11 日发布在《Journal of Chemical Theory and Computation》。

论文链接：https://pubs.acs.org/doi/10.1021/acs.jctc.5c01181

逆锁键的激活机制

逆锁键的存在能解释许多生物现象：免疫细胞如何在湍急血流中驻足，血小板如何在受损血管上停靠。但它们究竟通过怎样的结构变化实现「越拉越稳」，以及这种变化发生在什么时间尺度上，一直存在争议。

传统实验只能测到结果，却无法看清瞬间的分子运动；而常规模拟计算量庞大，往往跟不上这种快速事件。不过上述研究团队采用了一种计算机单分子力谱方法，结合分子动力学（MD）模拟、动态网络分析和基于人工智能的建模，研究 XDoc:CohE 复合物——一种在降解纤维素的细菌中发现的超稳定键。

图 1：XDoc:CohE 复合物的机械稳定性。

实验开始于 200 次独立 SMD 模拟以获取断裂力分布——通过这种方式获取了 2200 个轨迹片段。随后利用动态网络分析计算出氨基酸解除数量与相关性，并训练回归模型。

团队非常惊讶地发现，在 XDoc:CohE 界面中，没有找到任何 200 次模拟所共有的氨基酸接触。也就是说，在所有的单分子动力学轨迹中，连接这两者的任何一对残基的平均运动相关性都没有超过0.2。

预测断裂的瞬间

团队系统地测试了一系列机器学习算法，以确定仅使用运动相关性作为训练数据的情况下，哪些算法在预测 XDoc:CohE 复合物断裂力时表现最佳。

具体而言，整体方法采用动态网络分析，用来确定相邻残基，并计算这些残基的 α 碳运动之间的相关性，然后筛选出平均运动相关性超过 0.2 的残基对。

出乎研究者的意料，在所有窗口，即使使用 「离断裂事件最远的窗口（断裂前 2.1ns）」 的数据，模型仍能有效预测断裂力 ——SVR 模型表现最优，最差 MAPE 仅 10.6%（平均 9.5%±0.8%），且所有模型对 「机械稳定性排序」 的预测精度极高。

图 2：从相关性预测断裂力。

即使 XDoc:CohE 界面的总相关性在下降，机器学习预测的质量仍随着力的增加而提高，而 XDoc:CohE 界面仅呈弱正相关（0.37）。除此之外，AI 仅使用模拟数据的短片段就能做出准确的预测，甚至在键实际断裂之前。

这一点令人惊讶，因为此处测试的所有机器学习模型都仅使用相关性数据进行训练，这表明它们并非依靠相关性测量值的增加来更准确地预测断裂力。相反，这些模型正在解读由运动相关性所捕捉到的系统特征。

关于生物工程蓝图

研究系统地揭示了 XDoc:CohE 界面在机械应力下的复杂动态，阐明了这种逆锁键在不同力度下的表现。通过利用先进的计算技术，研究团队得以以前所未有的细节剖析该系统的机械稳定性特征。

这项研究还突出了人工智能在理解复杂生物数据方面的能力。这些模型不是依赖于静态结构，而是捕捉了蛋白质界面上的动态运动模式，发现了预测稳定性的微妙信号。

相关链接：https://phys.org/news/2025-09-ai-uncovers-hidden-nature-toughest.html