以 TNFR1-S1B2 与 SzM-binder3 为例
-
力场与溶剂模型
- 蛋白力场：
AMBER14SB_parmbsc1 - 水分子模型：
TIP3P
- 蛋白力场：
-
溶剂盒子
- 使用长方体水盒，蛋白质位于盒子中心
- 距离盒子边界：1.2 nm
-
平衡步骤
- NVT 与 NPT 平衡，均采用三维周期性边界条件
- 对蛋白施加位置约束，避免初始剧烈运动
- 积分器：
leap-frog，时间 100 ps - 约束算法：
LINCS，对氢键约束 - 邻居列表：
Verlet+Grid - 静电与范德华相互作用截断距离：1.2 nm
- 长程静电：
PME，插值阶数 = 4 - 温度耦合：
V-rescale，蛋白与非蛋白部分分组 - 压力耦合：
Parrinello-Rahman - 初始速度：310 K，随机数种子来自系统
-
生产模拟
- 时间：300 ns
- 积分器：
leap-frog - 温控：
V-rescale，目标温度 310 K - 压控：
Parrinello-Rahman，目标压力 1 bar - 静电：
PME - 范德华：截断 + 力平滑切换
- 氢键：全约束
- 使用 gmx_MMPBSA 工具
- 输入：MD 稳定阶段的
.xtc轨迹 - 参数：
- 力场：
leaprc.ff99SB - 温度：310 K
- 能量分解：分析 6 Å 结合界面范围内的残基
- 力场：
- 目的：确定对结合贡献最大的关键氨基酸
- 将 binder 拆分为单独的螺旋束
- 根据 Step 1 的能量分解结果与关键氨基酸残基贡献对螺旋束排序
- 选择方式：
- TNFR1 Binder 中排名前二的螺旋束
- SzM Binder 中排名第一的螺旋束
- 使用 PyMOL 调整三根螺旋束的相对空间位置，确保结合界面暴露在表面
- Linker 长度：4–7 个氨基酸
- 随机设计 100 种 linker 组合
- 筛选：人工检查长度与空间适配性
命令示例：
Path_to_RFdiffusion/scripts/run_inference.py \
inference.output_prefix=example_outputs/design_motifscaffolding \
inference.input_pdb=input/szmtnfr.pdb \
'contigmap.contigs=[A1-19/4-7/B1-17/4-7/C1-19]' \
inference.num_designs=100- 目标：
- 为 linker 填充序列
- 对三螺旋内部可能存在的斥力进行氨基酸优化
- MPNN模型：
HyperMPNN (v48_020_epoch300_hyper) - 脚本示例：
mpnn_fixed_design.sh
- 使用
colabfold_batch预测填充序列后的结构 - 结构筛选：
- 目视检查：三螺旋是否完整折叠
- 脚本分析：
pLDDT.py评估模型可信度RMSD_calculate.py比较 Cα RMSD，越小表示结构保持更一致
命令示例：
colabfold_batch input.fasta colab_out_dir
- 构建 SzM–binder–TNFR1 三元复合物
- 使用
dl_interface_design.py进行结合界面序列优化 - 参考仓库：dl_binder_design
命令示例：
dl_interface_design.py -pdbdir path/to/pdbdir -outpdbdir ./mpnnfr_out
- 分别预测：
- binder–SzM 复合物
- binder–TNFR1 复合物
- 筛选指标：
- pLDDT、pTM 得分排序
- 可视化验证三螺旋束是否符合预期功能：
- 螺旋束 1 → 特异性结合 SzM
- 螺旋束 2 → 同时结合 SzM 和 TNFR1
- 螺旋束 3 → 特异性结合 TNFR1
- 与 Step 1 相同的模拟与能量计算参数
- 目的：筛选出最优 binder 候选，进入实验验证