【清华团队开发机器学习势能模型 助力高精度刻画蛋白片段非共价相互作用】
宏观生命活动根植于微观原子间的相互作用，其中非共价相互作用（NCI）主导着蛋白质折叠、分子识别和药物-靶点结合等核心过程。在生物计算领域，对非共价相互作用的表征往往面临或追求物理准确性或侧重运算速度的两难。经典分子力学以高效见长，但其物理近似引入了固有误差；量子力学（QM）虽能从物理本质精准求解非共价作用，却受限于高昂的计算成本与迟缓的运算速度，难以支撑蛋白质等生物体系的规模化模拟。近年来，机器学习原子间势能（MLIP）被视为有望实现精度与效率“双赢”的途径。

针对精度和效率难以兼得的痛点，清华大学生物医学交叉研究院黄牛研究员团队最新研究借鉴经典力场的迭代发展思路，采用“自底向上、分而治之”的建模策略，从基础小分子二体片段的相互作用出发，逐步构建多层次、全覆盖的二体片段非共价相互作用QM数据集，并据此研发出专为蛋白片段非共价相互作用打造的机器学习势能模型PANIP（PAirwise Non-covalent Interaction Potential）。通过引入多精度主动学习（MFAL）策略，在海量蛋白片段数据中高效筛选代表性样本，以极低的数据量实现接近量子化学级别的计算精度。研究成果以“开发一种用于描述蛋白质中非共价相互作用的机器学习原子间势函数”（Developing a machine-learning interatomic potential for non-covalent interactions in proteins）为题，于6月8日发表于《数字发现》（Digital Discovery）。论文链接：http://t.cn/AXS5dqSw（来源：生物医学交叉研究院）#科研速递# #清华大学[超话]#