AlloPool：从分子动力学模拟中推断蛋白质别构的图神经网络框架
核心概要
该研究提出 AlloPool——一个基于图神经网络、通过时间注意力与迭代边池化从平衡与非平衡分子动力学轨迹中学习最小化、随时间演化的残基相互作用网络的框架，在 Pin1、GAIN 机械感受域、D2 与 β1 肾上腺素受体、SdrG 黏附素、PDZ3 及 Engrailed 同源域等体系中以亚埃级 RMSD 重建轨迹，并据此映射别构通路、预测配体药理学、力学加载状态与突变效应。
深度剖析
AlloPool 用时间注意力加迭代边池化，从轨迹中学习最小且随时间演化的相互作用图，从而重建蛋白质动态轨迹。 相较依赖静态、全连接图的 NRI，该框架显式建模时间依赖的构象变化并剪除无关边。 在 Pin1、GAIN、D2、B1AR 等体系上与 NRI 对比，AlloPool 达到亚埃级重建 RMSD，而 NRI 的 RMSD 误差在 1.4 至 5.72 Å 之间波动；消融实验显示去掉时间注意力使 GAIN 的 RMSD 由 0.89 Å 升至 1.3 Å，去掉成对注意力升至 2.1 Å。
学习到的有向、非对称边网络可重建力学加载下的力传播路径，并区分 GAIN 的未加载态与两个机械加载态。 传统相关性方法与基于线性响应理论的 PRS 难以刻画诱导契合或机械去折叠这类非线性过程，而 AlloPool 的边池化频率随外力加载发生系统性变化。 GAIN 的 SMD 模拟在 0.1 与 1 nm/ns 拉速下产生两个加载态；重建的力传播路径与相关性方法结果一致，且 SdrG-纤维蛋白原肽复合物的断裂力分布与力-伸长曲线与既有报道吻合。
池化边特征可无监督地分辨 GPCR 的功能状态，并预测配体效能。 相较常用于 GPCR 结构分析的接触持续性指标，池化边特征与配体效能的关联更强。 在 D2 受体约 2 微秒轨迹上聚类得到三个动态模式，对应非活性、活性与中间态；在 B1AR 上，持续性指标与效能相关性弱，而池化边特征出现大量 R2 > 0.9 的边，用于线性回归的残基位于 TM3、TM5、TM6。
学习到的相互作用网络可预测别构突变对结合功能的影响，并揭示结构预测方法难以捕捉的错义突变动态后果。 在 AlphaFold2/3 对 Engrailed 同源域 L16A 突变给出近乎相同结构（RMSD 仅 0.339 Å）的情况下，AlloPool 仍从动力学中检出 H1 与螺旋束之间相互作用密度的显著减弱。 PDZ3 中耦合最强的 30 条边所涉残基与已知功能得失突变位点高度重叠；八个 PDZ 变体的模拟显示，除强去稳定的 N363F 外，功能丧失变体路径数减少或耦合减弱，功能获得变体则相反；Engrailed 突变体累计约 6 微秒平衡采样。
启示与展望
该框架面向已有分子动力学或导向分子动力学轨迹的体系，适用于平衡与非平衡模拟，覆盖可溶性小结构域、膜受体、机械感受器与多结构域蛋白；其输出是特定体系的最小相互作用网络与动态模式，可用于定位状态特异的别构位点、预测配体效能与突变效应，并为后续实验验证与蛋白质工程提供候选假设。
模型当前不编码氨基酸身份与化学性质，仅依赖轨迹中的空间信息，因此相互作用网络是体系特异的，跨蛋白泛化需要重新训练；Engrailed 突变体的模拟时长尚不足以重现实验观察到的大尺度重排，模型检测到的是相互作用网络的减弱而非构象位移本身；此外，本文为全文解析，部分图表以补充材料形式呈现，若需核对具体数值与统计细节，仍需查阅原始图表与数据文件。