跳到正文
bioRxiv· Bhakat, S.; Vats, S.·· 来源仅提供日期AI 评分62

研究提出REVEAL工作流,结合AI引导采样与分子动力学捕捉RNA激发态

REVEAL: RNA Ensemble Validation and Exploration with AI-guided Landscapes

AI 导读

研究提出REVEAL工作流,将生成式二级结构采样、trRosettaRNA2三级结构预测、无偏分子动力学和马尔可夫状态建模串联,用于捕捉RNA激发态构象。

预印本 · biorxiv · 10.64898/2026.11.10.765771

本站摘要基于收录版本 v1(2026-11-12),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v1

摘要 · AI 翻译

捕捉稀疏占据但功能上至关重要的 RNA 激发态,仍然是分子模拟面临的核心挑战,因为其底层转变属于稀有事件,无偏分子动力学无法从单一初始结构到达。在此我们提出 REVEAL(RNA Ensemble Validation and Exploration with AI-guided Landscapes),该工作流将生成式二级结构采样、基于二级结构条件的 trRosettaRNA2 三级结构预测、无偏分子动力学与马尔可夫状态建模耦合在一起。仅使用工程化 HIV-1 TAR 突变体的序列(其中激发态 ES2 为优势构象),我们证明 REVEAL 从 34 个种子合计 6.8 s 的无偏采样中捕捉到 ES2 与 GS 之间可逆的 register shift,恢复了两个盆地、中间态,并正确地将 ES2 识别为优势态,与该构建体的设计一致。相比之下,以 ES2 占优的 HIV-1 TAR 突变体 NMR 系综为种子的分子动力学,尽管累计模拟时间长得多,仍被困在 ES2 中;而仅基于序列的系综预测器(AlphaFold3、Boltz-2、ESMFold2、OpenFold3 和 Protenix-v2)将每个结构都置于基态附近,并颠倒了实验观测到的布居顺序。决定该转变能否被采样的,是种子系综的信息含量,而非总模拟时长。我们进一步提出「布居加权共识得分」(PWCS),它直接从模拟数据出发、无需实验约束且独立于集体变量的选择,按构象对平衡系综的代表性进行排序。即使低维表示无法区分各状态,PWCS 仍能识别出优势态。REVEAL 完全基于开源工具构建,为超越单一结构范式的 RNA 构象系综提供了一条透明且可扩展的途径。

来源:bioRxiv · biorxiv.org