Chem. Sci. | 机器学习势+静电嵌入：高精度模拟酶催化的新方法

DRUGONE

准确模拟酶催化反应对于理解生物催化机制和设计新型酶具有重要意义，但传统的量子力学/分子力学（QM/MM）方法在保证精度的同时计算成本极高。研究人员提出一种结合机器学习势函数与静电嵌入模型的新型多尺度模拟方法，通过将气相训练的反应型机器学习势与酶环境中的静电效应耦合，实现对酶催化反应的高精度、高效率模拟。该方法基于电静嵌入机器学习框架，使机器学习势能够响应环境电场变化，从而正确描述过渡态稳定化等关键催化效应。研究人员在Diels–Alderase和Chorismate mutase两种酶反应体系中验证了该方法，结果显示其与高水平QM/MM计算高度一致，同时计算成本显著降低，为酶设计与催化筛选提供了新的计算工具。

在溶液、界面或酶活性位点中模拟化学反应，是催化剂设计、药物代谢研究和酶工程的重要基础。QM/MM方法长期以来是研究酶催化机制的核心工具，它能够在量子力学精度下描述化学键的形成与断裂，同时利用分子力学处理大规模环境，从而计算反应能垒和催化效应。然而，为了同时获得足够的精度和充分的构象采样，QM/MM模拟往往需要极高的计算成本，使其难以用于大规模筛选或酶设计流程。

近年来机器学习势函数（MLP）能够以接近量子化学精度预测能量和力，并具有更高计算效率，因此成为替代QM方法的重要方向。但在酶反应中，反应区域不仅受到自身结构影响，还受到周围蛋白和溶剂电场的调控。传统机器学习势通常只在气相训练，无法正确描述环境诱导的电子结构变化，从而难以直接用于酶催化模拟。

为解决这一问题，研究人员提出电静嵌入机器学习方法，通过将机器学习势与环境电荷耦合，使模型能够响应外部电场，从而在保持高效率的同时准确描述酶催化过程。

方法

研究人员采用电静机器学习嵌入（EMLE）方案，将体系总能量分解为气相机器学习势能、静电相互作用、诱导极化能和分子力学能四个部分。反应区域由机器学习势描述，而酶和溶剂环境由经典力场处理，同时通过可极化模型计算环境对反应区域电子分布的影响。该方法允许使用仅在气相训练的机器学习势，并通过学习极化和静电响应实现对不同环境的可迁移模拟。研究人员在两个典型酶反应体系中训练专用机器学习势，并结合分子动力学和自由能计算评估催化效果，与高水平QM/MM结果进行比较。

结果

研究体系与反应模型

研究人员选择两个具有代表性的酶催化反应作为测试体系，包括AbyU催化的Diels–Alder反应和Chorismate mutase催化的重排反应。这两个体系分别代表极化较弱和极化较强的过渡态情况，可用于评估嵌入模型对不同电子结构变化的描述能力。通过比较水溶液和酶环境中的反应路径，研究人员能够分析环境电场对反应能垒的影响。

图1：本研究考察的反应类型及酶-底物结合构象示意图。

AbyU反应中的催化效应模拟

在Diels–Alder反应中，机器学习嵌入模型能够准确再现实验和QM/MM计算得到的自由能曲线，并正确区分不同底物构象的反应活性。与简单的机械嵌入或固定电荷模型相比，电静嵌入方法能够更好地描述酶电场对过渡态的稳定作用，从而获得更准确的反应能垒。误差分解分析表明，气相机器学习势的误差较小，而静电项和诱导项对总能量的准确性至关重要。

图2：AbyU底物在水溶液中及在AbyU催化下的Diels–Alder反应的ML/MM模拟结果。

不同底物构象的催化差异

当底物以不同结合姿态进入酶活性位点时，反应能垒存在明显差异。完整的电静嵌入模型能够正确预测活性构象和非活性构象之间的能垒差，而固定电荷嵌入无法再现这种差异，说明酶催化效应依赖于电子密度对环境电场的响应。该结果表明，正确描述极化效应对于模拟酶选择性至关重要。

图3：两种不同AbyU-底物结合构象下Diels–Alder反应的自由能垒和反应能差异。

Chorismate mutase反应中的强极化过渡态

在具有高度极化过渡态的Chorismate mutase反应中，简单嵌入方法产生较大误差，而包含诱导极化的电静嵌入模型能够将能垒误差降低到约2 kcal/mol以内。研究人员发现，过渡态中氧原子的电荷和极化程度显著变化，只有允许极化随环境变化的模型才能正确描述催化稳定化效应。

图4：在水溶液中及在EcChoM催化下，chorismate向prephenate转化反应的ML/MM模拟结果。

模型可迁移性与突变效应预测

研究人员将同一机器学习势应用于不同酶结构和突变体系，结果仍能正确预测反应能垒变化。例如在不同来源的Chorismate mutase以及关键位点突变体系中，模型成功再现催化效率变化，说明该方法具有良好的可迁移性，并可用于酶工程和突变筛选。

图5：由BsChoM及其Arg90Cit突变体催化的chorismate向prephenate转化反应的ML(EMLE)/MM自由能曲线。

讨论

本研究表明，通过将机器学习势与电静嵌入模型结合，可以在保持高效率的同时获得接近QM/MM精度的酶催化模拟结果。与传统机械嵌入相比，该方法能够描述电子密度随环境变化而产生的极化效应，这是正确预测催化能垒和选择性的关键。

误差分析表明，当前模型的主要误差来自静电项的近似以及极化模型的简化，未来可通过引入更高阶多极矩或更灵活的极化模型进一步提高精度。尽管如此，该方法已经能够在多种酶体系中获得可靠结果，并具有良好的可迁移性。

研究人员认为，电静嵌入机器学习势为多尺度模拟提供了一种通用框架，可用于酶设计、药物代谢研究和生物催化筛选，在需要同时兼顾精度与效率的计算任务中具有重要应用前景。

整理 | DrugOne团队

参考资料

Gradisteanu, V., Chan, E. W., Hedges, L., Malagarriga, M., David, R., de la Puente, M., ... & Zinovjev, K. (2026). Simulating enzyme catalysis with electrostatically embedded machine learning potentials. Chemical Science.

内容为【DrugOne】公众号原创｜转载请注明来源