ORNL：人工智能和分子模拟寻找更好植物根源

大家好，欢迎来到IT知识分享网。

通过将人工智能与分子动力学模拟相结合，美国能源部橡树岭国家实验室（ORNL ：Oak Ridge National Laboratory）的研究人员开发了一种新工具，可以更准确地预测植物和有益微生物如何在最基本的层面上相互作用和形成伙伴关系。

新的人工智能工作流程帮助科学家确定哪些植物基因控制着最佳的微生物伙伴关系。这加速了微生物组的工程化，有助于植物更快地生长，需要更少的肥料，并产生更多的生物质转化为有价值的燃料、化学品和材料。该方法加快了国家能源和粮食安全的研究，提高美国在全球生物技术领域的竞争力。

植物和环境中的微生物通过称为配体的化学信号进行互动交流，形成促进植物生长和健康的伙伴关系。一类关键的配体，脂质壳寡糖（LCO），引起了ORNL科学家的兴趣，因为它们促进了这种植物-微生物共生。然而，由于LCO的灵活和大分子结构，预测哪些蛋白质（执行特定任务的细胞中的大而复杂的分子）将识别并精确结合这些信号一直是一个挑战。

现有的计算工具，如预测蛋白质三维形状的AlphaFold程序，提供的帮助有限，因为它们主要是在由较小的药物样配体组成的数据集上训练的。AlphaFold通常也预测LCO中的静态相互作用，而不是动态波动。

为了产生更好的蛋白质配体匹配预测，ORNL生物物理学家开发了一种混合方法，将分子动力学（MD）模拟与机器学习（ML）预测相结合，该方法允许对蛋白质动态结构进行更广泛的采样。ML模型是在蛋白质-配体复合物的大数据集上训练的。

这些模拟是在橡树岭领导力计算设施（Oak Ridge Leadership Computing Facility）的美国最快的两台超级计算机Frontier和Summit上进行的，该设施是位于ORNL的美国能源部科学办公室用户设施，致力于开放科学以加速美国的创新和竞争力。

这种被称为MD/ML的方法对植物受体与配体结合的强度进行了排名，即使起始蛋白质结构只是粗略的模型，它也能起作用。该研究预测了与实验实验室结果相匹配的结合，并揭示了结合如何发生的新结构细节。

分子配对加速植物转化

ORNL计算和预测生物学小组的项目联合负责人Erica Prates说：“能够快速预测这些分子‘匹配’意味着科学家可以集中精力进行实验，从而节省时间和金钱。”

“这项技术表明，我们可以预测大型、高度灵活的配体与蛋白质受体的相对结合强度。”ORNL分子生物物理学小组的项目联合负责人Omar Demerdash说，“这种结合强度最终决定了细胞内发生的事情，包括哪些基因被激活以及无数其他生理过程。这是理解植物如何与微生物相互作用，或药物如何在人体内治疗疾病的关键。”

“这种方法考虑到了蛋白质不是刚性的这一现实——它们一直在摆动。”该论文的通讯作者、ORNL的计算系统生物学家Dan Jacobson说，“但迄今为止，我们的大多数蛋白质结构预测工具最终都会生成一个静态结构，导致刚性视图与现实生活中的灵活性脱节。通过进行考虑蛋白质运动的分子模拟，你可以找到一种更好的方法来发现这些结合事件。”

Jacobson说：“我们已经开发出一种方法，可以更好地了解植物和外部微生物世界中这些受体的互动。”“这是我们植物-微生物相互作用研究工具包的一个很好的补充，具有更广泛的应用，例如探索如何重新利用现有的药物疗法来治疗健康疾病。”

该团队中的其他ORNL科学家包括Tomás Rush、Udaya Kalluri和Manesh Shah。该研究得到了美国能源部科学、生物和环境研究计划办公室植物-微生物界面科学重点领域的支持。

NVIDIA DLI 与Ai时代前沿合作，将大门向更多普通用户敞开！无论你是对新技术充满好奇心的爱好者，还是希望提升自己技能的职场人士，这里都有适合你的课程和资源。