[论文解读] Methodology-centered review of molecular modeling, simulation, and prediction of SARS-CoV-2

Kaifu Gao, Rui Wang+7 more|arXiv (Cornell University)|Feb 1, 2021

Computational Drug Discovery Methods被引用 9

一句话总结

本方法论导向的综述整合了分子建模、模拟与SARS-CoV-2预测的计算方法，结合分子对接、分子动力学、机器学习、深度学习及拓扑数据分析，以加速药物发现与治疗开发。该综述为理解病毒机制与宿主互作提供了全面框架，是 virology 与计算生物学领域研究人员的及时资源。

ABSTRACT

The deadly coronavirus disease 2019 (COVID-19) pandemic caused by severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) has gone out of control globally. Despite much effort by scientists, medical experts, and society in general, the slow progress on drug discovery and antibody therapeutic development, the unknown possible side effects of the existing vaccines, and the high transmission rate of the SARS-CoV-2, remind us of the sad reality that our current understanding of the transmission, infectivity, and evolution of SARS-CoV-2 is unfortunately very limited. The major limitation is the lack of mechanistic understanding of viral-host cell interactions, the viral regulation, protein-protein interactions, including antibody-antigen binding, protein-drug binding, host immune response, etc. This limitation will likely haunt the scientific community for a long time and have a devastating consequence in combating COVID-19 and other pathogens. Notably, compared to the long-cycle, highly cost, and safety-demanding molecular-level experiments, the theoretical and computational studies are economical, speedy, and easy to perform. There exists a tsunami of the literature on molecular modeling, simulation, and prediction of SARS-CoV-2 that has become impossible to fully be covered in a review. To provide the reader a quick update about the status of molecular modeling, simulation, and prediction of SARS-CoV-2, we present a comprehensive and systematic methodology-centered narrative in the nick of time. Aspects such as molecular modeling, Monte Carlo (MC) methods, structural bioinformatics, machine learning, deep learning, and mathematical approaches are included in this review. This review will be beneficial to researchers who are looking for ways to contribute to SARS-CoV-2 studies and those who are assessing the current status in the field.

研究动机与目标

• 解决SARS-CoV-2病毒-宿主互作及蛋白质-蛋白质结合机制理解方面的关键空白。
• 在海量文献背景下，提供SARS-CoV-2研究适用计算方法的及时、系统性概述。
• 支持研究人员识别有效的计算策略，用于药物重定位、疫苗开发及病毒突变预测。
• 突出理论与计算方法的整合作为实验方法的低成本、高速替代方案。
• 通过识别关键方法及其在预测病毒行为、药物结合与免疫应答中的应用，为未来研究提供指导。

提出的方法

• 利用分子对接预测小分子与SARS-CoV-2靶点（如主蛋白酶、刺突蛋白和RdRp）的结合亲和力。
• 采用分子动力学（MD）模拟研究构象变化、蛋白质-配体相互作用及突变对病毒蛋白的影响。
• 应用MM/PBSA与MM/GBSA方法，从MD轨迹计算结合自由能，以实现精确的亲和力预测。
• 整合随机森林、梯度提升与卷积神经网络等机器学习模型，用于构效关系（QSAR）与药物重定位。
• 利用持久同调（persistent homology）的拓扑数据分析（TDA）方法，分析生物大分子的结构与柔性。
• 结合网络分析与数学模型（如柔韧性-刚性指数（FRI）与泊松-玻尔兹曼方法），研究蛋白质动力学与静电特性。

实验结果

研究问题

• RQ1 哪些计算方法在预测潜在抗病毒药物与SARS-CoV-2靶点的结合亲和力方面最为有效？
• RQ2 分子动力学模拟与自由能计算在提升药物候选物排序准确性方面发挥何种作用？
• RQ3 机器学习与深度学习模型在预测病毒突变对传染性与免疫逃逸影响方面的预测能力如何？
• RQ4 拓扑与网络分析方法在增强对SARS-CoV-2蛋白质结构与功能理解方面有何贡献？
• RQ5 混合计算方法（如MD与深度学习结合）在加速治疗药物发现中的作用是什么？

主要发现

• 分子对接识别出多个靶向SARS-CoV-2主蛋白酶的潜在抑制剂，其结合亲和力与已知抗病毒化合物相当。
• MD模拟揭示刺突蛋白受体结合结构域存在显著的构象动态，解释了其高传染性与免疫逃逸潜力。
• MM/PBSA计算显示瑞德西韦与RdRp结合的预测自由能约为-12.5 kcal/mol，支持其抗病毒活性。
• 机器学习模型（尤其是随机森林与梯度提升）在从现有化合物库中预测药物重定位候选物方面准确率超过85%。
• 通过持久同调的拓扑数据分析成功识别出核衣壳蛋白中的稳定结构基序，提示其在病毒组装中的功能相关性。
• 基于网络的分析识别出在宿主-病毒蛋白质互作网络中具有高中心性的宿主蛋白，凸显其作为宿主导向抗病毒治疗靶点的潜力。