[论文解读] High-resolution Markov state models for the dynamics of Trp-cage miniprotein constructed over slow folding modes identified by state-free reversible VAMPnets

Hythem Sidky, Wei Chen+1 more|arXiv (Cornell University)|Jun 11, 2019

Protein Structure and Dynamics被引用 6

一句话总结

该论文提出无状态可逆VAMPnet（SRVs）作为非线性特征学习框架，用于构建蛋白质折叠的高分辨率马尔可夫状态模型（MSMs）。通过用SRVs替代传统TICA，该方法实现了更快速的隐含时间尺度收敛、对输入特征更高的鲁棒性，并可在更短的延迟时间下实现更高的动力学分辨率，揭示了Trp-cage折叠动力学中一种熔融球状能垒和此前未报告的瞬态中间体。

ABSTRACT

State-free reversible VAMPnets (SRVs) are a neural network-based framework capable of learning the leading eigenfunctions of the transfer operator of a dynamical system from trajectory data. In molecular dynamics simulations, these data-driven collective variables (CVs) capture the slowest modes of the dynamics and are useful for enhanced sampling and free energy estimation. In this work, we employ SRV coordinates as a feature set for Markov state model (MSM) construction. Compared to the current state of the art, MSMs constructed from SRV coordinates are more robust to the choice of input features, exhibit faster implied timescale convergence, and permit the use of shorter lagtimes to construct higher kinetic resolution models. We apply this methodology to study the folding kinetics and conformational landscape of the Trp-cage miniprotein. Folding and unfolding mean first passage times are in good agreement with prior literature, and a nine macrostate model is presented. The unfolded ensemble comprises a central kinetic hub with interconversions to several metastable unfolded conformations and which serves as the gateway to the folded ensemble. The folded ensemble comprises the native state, a partially unfolded intermediate "loop" state, and a previously unreported short-lived intermediate that we were able to resolve due to the high time-resolution of the SRV-MSM. We propose SRVs as an excellent candidate for integration into modern MSM construction pipelines.

研究动机与目标

• 通过用非线性特征学习替代TICA，提升蛋白质折叠马尔可夫状态模型（MSMs）的分辨率和鲁棒性。
• 解决MSM构建对输入特征和延迟时间选择的敏感性问题，该问题限制了动力学分辨率和收敛性。
• 利用基于深度学习的集体变量实现对生物分子缓慢构象动力学的高分辨率动力学建模。
• 通过增强时间分辨率，揭示Trp-cage微型蛋白折叠中此前未解析的折叠中间体和动力学路径。
• 证明SRVs可作为MSM流程中TICA的模块化、高性能替代方案。

提出的方法

• 采用无状态可逆VAMPnet（SRVs），一种基于构象动力学变分方法（VAC）的深度学习框架，学习近似转移算子最慢本征函数的非线性集体变量。
• 使用VAMP-2评分作为损失函数，训练双叶神经网络，以学习变分问题的最优非线性基集。
• 使用SRV坐标作为输入特征构建MSMs，而非TICA投影坐标，从而实现对慢动态模式的直接建模。
• 在SRV投影空间中应用PCCA++聚类以定义宏态，并计算转移概率和隐含时间尺度。
• 通过交叉验证验证模型，并通过测试VAMP-2评分和收敛行为与基于TICA的MSMs进行性能比较。
• 分析微观态转移矩阵和本征值谱，以识别亚稳态和动力学路径。

实验结果

研究问题

• RQ1 SRVs能否通过实现更快收敛和更高动力学分辨率，在构建马尔可夫状态模型方面优于TICA？
• RQ2 未折叠集合在Trp-cage折叠中的作用是什么？其是否包含一个介导向折叠态转变的中心动力学枢纽？
• RQ3 SRV-MSMs能否解析此前未被检测到的Trp-cage折叠瞬态中间体，这些中间体在低分辨率模型中不可见？
• RQ4 输入特征的选择如何影响MSMs的鲁棒性和性能？SRVs能否缓解这种敏感性？
• RQ5 Trp-cage的主导折叠路径和动力学机制是什么？与基于RMSD或TICA的先前模型相比有何异同？

主要发现

• SRV-MSMs在隐含时间尺度收敛方面表现更优，且测试VAMP-2评分方差更低，表明其性能更优且更具鲁棒性。
• 未折叠集合中存在一个中心动力学枢纽——被识别为熔融球状态——介导向折叠态和部分折叠构象的转变。
• 九宏态模型揭示了一个此前未报告的短寿命中间态，记为$\mathcal{S}_0$，其具有部分折叠的$3_{10}$-螺旋结构，并在折叠过程中充当关键亚稳态。
• 折叠主要通过熔融球状枢纽的成核-凝聚机制进行，包括直接折叠至天然态，或经由$\mathcal{S}_0$及另一个具有非天然$3_{10}$-螺旋的中间体。
• 主导折叠路径涉及疏水核心和N端$\alpha$-螺旋的形成，随后发生$3_{10}$-螺旋折叠，与熔融球状机制一致。
• 模拟数据表明最多存在九个统计上稳健的宏态，表明进一步解析折叠路径需进行微观态级分析或超出当前范围的路径采样。