MetalKB：用知识驱动图框架预测蛋白金属结合位点

MetalKB：用团检测和统计势定位蛋白中的金属结合位点本文信息标题：MetalKB：基于知识驱动图框架的蛋白金属结合位点预测作者：Xuejun Zhao, Hao Li, and Sheng-You Huang* 发表时间：2026年3月25日（论文接收）单位：华中科技大学物理学院，中国武汉引用格式：Zhao, X., Li, H., & Huang, S.-Y. MetalKB: Predicting Metal Binding Sites on Proteins with a Knowledge-Based Graph Framework. Journal of Chemical Information and Modeling (2026). https://doi.org/10.1021/acs.jcim.6c00453 代码与资源：GitHub：https://github.com/huang-laboratory/MetalKB/；网页：http://huanglab.phys.hust.edu.cn/MetalKB/；Zenodo：https://doi.org/10.5281/zenodo.18999183 摘要 MetalKB 提出了一种知识驱动的图框架，用于从蛋白质三维结构中预测金属离子的结合位点。它先把潜在供体原子之间的几何关系表示成图，并通过团检测找出可能共同配位的一组原子，再利用从金属蛋白结构数据库中统计得到的金属特异性原子对势函数对候选位点打分和局部细化。在 Metal3D 和 TEMSP 基准上，MetalKB 在精确率、召回率和 F1 分数之间取得了有竞争力的平衡，尤其能处理多核和桥联型金属位点，并且还能同时输出金属离子的三维坐标与残基级配位信息。核心结论 MetalKB 的核心创新不是简单套用机器学习，而是把供体原子几何约束转写成图上的团检测问题，再用知识驱动统计势进行筛选和局部优化。这套方法不是为每一种金属单独训练黑箱模型，而是把金属分成几类并分别构建金属特异性统计势，例如 Zn 类、Ca 类、Mg 类和 K 类。在 Metal3D 锌测试集上，MetalKB 在能量阈值 1.7 时达到 precision = 0.955、recall = 0.472、F1 = 0.631，与 PMM、Metal3D 相比表现稳定。在 TEMSP 锌测试集上，MetalKB 的 F1 = 0.967，是文中比较方法里最高的一项，说明它在严格残基重叠标准下仍能兼顾精确率与召回率。 MetalKB 的一个实际价值是同时给出金属离子的空间坐标和邻近配位残基，而不只是输出“这里可能结合金属”这一类粗粒度标签。背景金属离子在蛋白质中承担着多种角色，包括稳定结构、组织蛋白—蛋白界面、参与催化、调节信号转导以及维持离子稳态。已有研究估计，约 30%–40% 的蛋白需要一种或多种金属辅因子才能正常发挥功能，而锌尤其常见，在人体蛋白质组中约出现在 10% 的蛋白里。实验上确定金属结合位点可以提供最直接的证据，但代价也高。质谱、X 射线晶体学等技术可以提供高精度证据，不过成本高、周期长，不适合大规模筛选。因此，基于序列或结构的计算预测方法一直都很重要。问题在于，很多金属位点并不是线性序列上的连续 motif，而是由空间上靠近、序列上相隔很远的残基共同构成，所以只看序列往往不够。结构方法虽然更接近真实配位环境，但也面临几个长期存在的问题：模板法依赖已知模式，遇到新型配位环境或缺少合适模板的蛋白时，性能就容易掉下来。简单几何规则的信息量有限，距离和角度能描述一部分空间关系，却很难完整表达金属—配体相互作用。 QM/MM 足够准但代价太高，不适合做常规的大规模扫描和筛选。这里真正的问题在于：现有路线不是过度依赖模板，就是几何描述太粗，或者训练分布过窄，遇到多金属和复杂配位环境就容易失灵。MetalKB 针对这类空缺提出了一条不同的路线：它既不完全依赖模板，也不依赖昂贵的电子结构计算，而是利用实验结构中已经积累的大量统计规律来做预测。关键科学问题怎样从整条蛋白结构里先找出“值得考虑”的供体原子组合：真实金属位点通常至少包含 3 个配位供体，必须先把几何上可能同时配位的一组原子筛出来，否则后面的打分空间太大。怎样把“几何合理”与“化学合理”结合起来：单靠供体—供体距离约束，可以筛掉很多明显不可能的情况，但仍会留下大量假阳性；还需要金属—原子相互作用势来进一步区分。怎样兼顾多种金属类型而不过度依赖某一类训练集：Metal3D 一类方法对锌表现突出，但对碱金属和碱土金属的泛化能力有限。MetalKB 试图用金属特异性统计势缓解这个问题。怎样处理多核和桥联位点：如果两个金属之间距离本来就很近，简单的空间聚类很容易把真实双核位点误删掉；方法必须能识别共享配体和近距离双金属构型。创新点把金属位点采样写成 clique identification 问题，先用图论筛候选，再进入能量打分和细化。从 MESPEUS 数据库推导距离依赖统计势，并与 Lennard-Jones 12-6 势混合，增强短程排斥和整体物理合理性。显式引入羧酸侧链的虚拟供体节点，区分单齿、双齿、桥联等不同羧酸配位模式。输出金属离子三维坐标与残基级配位信息，而不只是一个二分类标签。 MetalKB 覆盖范围这里要把测试覆盖范围和统计势构建范围分开看。主文的多金属测试集明确包含 Zn2+、Ca2+、Mg2+、Mn2+、Fe2+、Fe3+、Cu2+、Co2+、Ni2+、Na+ 和 K+ 这 11 类金属离子；但方法本身并不是为这 11 类金属各自独立拟合一套势函数，而是按 4 个代表类别来建模：Ca/Na 组、K 组、Mg 组，以及以 Zn 为代表的过渡金属组。Al3+、Mo、W 这类离子没有出现在这篇的实际构建或测试范围里。研究内容图1：MetalKB 的整体流程阶段一：从金属蛋白结构中提取配位几何规则，并据此构建金属—蛋白原子对的统计势函数。阶段二：先做基于 clique 的候选位点采样，再用统计势对候选位点评分、局部细化，并去除冗余预测。 MetalKB 的整体思想是：先靠几何筛候选，再靠统计势做化学判别。它比一上来在整条蛋白上做均匀网格扫描更高效，因为大量非结合区域根本不会进入后续步骤。方法详述：统计势从哪里来 MESPEUS 是这里的主要数据来源。这个数据库专门整理蛋白中的金属位点，且只收录分辨率优于 2.5 Å、由 X 射线晶体学或冷冻电镜解析的结构，不包含 NMR 或分辨率不明的条目，因此适合做几何统计。文中先统计不同金属偏好的供体类型。Table 1 给出的不是精细电子结构，而是残基供体频率图谱。为了让这个统计更直观，可以把正文里的信息压缩成下面这张总结表：金属类别主要高频供体文章强调的配位特征 Ca2+、Mg2+ Asp/Glu 羧酸氧、主链羰基氧偏好氧供体，其中 Mg2+ 与 His 的统计接触不应简单解读为对氮供体有真实偏好 Na+、K+ 主链羰基氧和各类侧链氧方向性较弱，对氧供体整体较“宽容”，K+ 对主链羰基氧尤其常见 Mn、Fe、Co His 咪唑氮、Asp/Glu 羧酸氧兼具His 偏好与对酸性残基的明显使用 Ni、Cu、Zn His 咪唑氮、Cys 硫原子、Asp/Glu 羧酸氧 His/Cys 偏好最突出，尤其 Cu、Zn 对 Cys 的偏好很明显真正影响后续建模的是，文中并没有为每一种金属各写一套完全独立的规则，而是根据供体组成、离子半径和配位特征的共性，把统计势归纳成 4 类：Ca/Na 组、K 组、Mg 组，以及以 Zn 为代表的过渡金属组。为了降低冗余，这里还用 CD-HIT 在 30% 序列一致性阈值上做了去冗余。最终用于统计势推导的数据量分别是：Zn 结合蛋白 2568 个、Ca 2375 个、Mg 3451 个、K 778 个，这意味着这些势函数并不是基于少量案例拟合出来的，而是建立在相对扎实的结构统计样本之上。统计势与混合势函数论文真正使用的不是单一逆 Boltzmann 势，而是知识驱动势与范德华势的混合形式。知识势 $w_{ij}(r)$ 基于观测到的原子对距离分布，核心思想是：某种金属—原子相互作用在实验结构中出现得越频繁，对应的能量就越低。知识势函数（Eq 2）本文使用逆 Boltzmann 形式把“观察到得有多频繁”转换成“能量有多低”： \[w_{ij}(r) = -k_B T \log \left[ \frac{\rho_{ij}^{\mathrm{obs}}(r)}{\rho_{ij,\mathrm{bulk}}^{\mathrm{obs}}} \right]\] 这里，$\rho_{ij}^{\mathrm{obs}}(r)$ 是金属离子 $i$ 与原子类型 $j$ 在距离 $r$ 处的观测数密度，$\rho_{ij,\mathrm{bulk}}^{\mathrm{obs}}$ 是参考球体中的平均背景数密度。计算时把 $k_B T$ 设为 1，所以这个式子更接近一种相对打分势，重点是比较不同相互作用在结构数据库里出现得是否异常频繁。混合势函数（Eq 5）本文没有直接把知识势单独拿来用，而是把它和范德华势拼在一起： \[u_{ij}(r)= \begin{cases} \min \left[w_{ij}(r),\, v_{ij}(r)\right], & r \le 3.0\ \mathrm{\AA} \\ \dfrac{v_{ij}(r)e^{v_{ij}(r)} + w_{ij}(r)e^{w_{ij}(r)}}{e^{v_{ij}(r)} + e^{w_{ij}(r)}}, & r > 3.0\ \mathrm{\AA} \end{cases}\] 这里的 $v_{ij}(r)$ 是 Lennard-Jones 12-6 势。这个分段形式的意义很明确：在 3.0 Å 以内，直接取知识势和范德华势里更保守的那个，避免短程碰撞被统计势“误拉低”；在 3.0 Å 以外，再用指数加权把两者平滑拼接起来，让长程能量自然衰减到 0。这样既保留了实验结构统计里的配位偏好，又不会在短距离给出明显不合理的能量形状。金属离子坐标估算（Eq 6）候选 clique 找到之后，初始金属坐标先取供体原子的几何质心： \[x = \frac{1}{n}\sum_{i=1}^{n} x_i,\qquad y = \frac{1}{n}\sum_{i=1}^{n} y_i,\qquad z = \frac{1}{n}\sum_{i=1}^{n} z_i\] 这里的 $n$ 是 clique 中供体原子的数量，$(x_i, y_i, z_i)$ 是第 $i$ 个供体原子的三维坐标。这个初始点不是最终答案，而是后续局部网格细化的起点。这样做的好处是：先用几何关系快速锁定一个合理中心，再用势函数在局部把坐标修准。总打分时，会对金属离子与周围相关蛋白原子对的相互作用逐一求和。具体势函数 $u_{ij}(r)$ 由知识势 $w_{ij}(r)$ 与 Lennard-Jones 12-6 势 $v_{ij}(r)$ 组合得到，在短距离保留保守的排斥与势阱形状，在较长距离又让能量自然衰减到 0。这个设计的重点是：既保留统计势对真实配位偏好的描述，又避免出现明显不合理的短程碰撞。图2：基于 clique 的候选位点采样 (a) 蛋白先被表示为供体原子集合，再转成图；节点是候选供体原子，只有当供体—供体距离落在统计得到的合理区间时，两点之间才连边。 (b)、(c) 展示了羧酸氧参与金属配位时的两种典型模式，说明为什么仅靠均匀网格扫描很难区分这些模式。这里的 clique 指的是完全连通子图。在 MetalKB 里，它表示一组供体原子两两之间都满足合理距离约束，因此有可能共同围成一个真实金属位点。整个流程分成四步，而关键就在于先把搜索空间压缩到真正像配位簇的区域：第一步，提取候选供体原子。过渡金属考虑 Cys 的 SG、His 的 ND1/NE2、Glu 的 OE1/OE2、Asp 的 OD1/OD2；碱土和碱金属则考虑 Asp、Glu、Asn、Gln、Ser、Thr 的侧链氧以及所有残基的主链氧。第二步，按供体—供体距离建图。对于过渡金属，两个供体原子距离落在 2.4–5.2 Å 时连边；其他金属类型则用 SI Figure S1 统计出来的各自区间，例如 Ca2+ 和 Mg2+ 是 2.5–5.3 Å，K+ 是 2.9–5.8 Å。第三步，识别 clique 并做子团去冗余。这里要求 clique 至少包含 3 个供体原子；如果一个 clique 严格包含另一个较小 clique，则保留大的那个，避免重复采样。第四步，用供体原子几何质心作为初始金属坐标。这是后续局部精修的起点，而不是最终坐标。羧酸配位的特殊处理对于 Asp/Glu 的羧酸基，这里在两个氧原子之间引入了虚拟供体节点，用来表示潜在双齿配位；同时禁止同一羧酸的两个氧原子彼此连边，也禁止氧原子与其对应虚拟节点连边。这样做的目的是把单齿、对称双齿、非对称双齿和桥联这几类模式区分开，而不是被网格扫描混成一团。 3.1. 推导的原子对势函数图3：四种代表性原子对势函数图 3 把前面的统计规律落实到了具体势函数上： (a) Zn−S.3：势阱最深、最窄，说明 Zn 与 Cys 硫原子的配位更强、更刚性，这与它常承担结构稳定作用一致 (b) Zn−N.ar 和 (c) Zn−O.co2：势阱更宽，反映出更灵活的配位环境，常见于催化位点 (c) Zn−O.co2：有效配位区间可从约 2.0 Å 延伸到 4.0 Å，体现了羧酸氧既可以单齿配位，也可能通过双齿或桥联方式参与配位 (d) Ca−O.co2：在约 2.2–2.4 Å 处有主极小值，并在约 4.5 Å 附近出现次级势阱，说明 Ca 更偏好单齿或对称双齿羧酸配位，而不是 Zn 那种更连续的羧酸配位范围候选位点的评分、局部细化与冗余去除在得到初始 clique 质心后，MetalKB 并没有用梯度下降，而是采用局部网格细化：以初始坐标为中心，在 2.5 Å 半径内生成局部候选点。网格步长设为 0.25 Å。对每个候选点用统计势函数评分，保留能量最低的坐标作为最终预测位置。这种做法适合这个问题，因为金属位点局部能量面往往比较尖锐，局部细网格足以改善坐标精度，而且实现简单、稳定。去冗余时这里也特意避开了多核位点被误删的问题。多核金属簇里金属—金属距离多数在 3–4 Å 左右，因此 MetalKB 把冗余删除阈值设成 2.5 Å。实际做法是先按能量从低到高排序，再检查预测点之间的距离；如果两个预测金属离子彼此小于 2.5 Å，就保留能量更低的那个。另外，最终输出时只报告距离预测金属坐标 4 Å 以内的供体残基。例如锌位点只报告 Cys、His、Glu、Asp 这些符合统计规律的残基。 3.2. Metal3D 测试集评估图4：不同能量阈值下的 precision–recall 变化这张图不是在扫”团大小阈值”或”配位距离阈值”，而是看不同能量 cutoff 对预测表现的影响横轴是平移和缩放后的总能量绝对值，纵轴是 precision 与 recall 数据来自从 Ca、Zn、Mg、K 统计数据集中各随机抽取的 100 个结构图 4 说明的是一个直接的权衡：能量阈值越严格，precision 上升而 recall 下降。文中采用 1.7 作为折中阈值，因为此时 precision 已经明显提高，而 recall 仍保持在可接受范围内。这里还有两个容易忽略的限定条件： MetalKB 研究的是金属—蛋白相互作用，因此统计势推导时并不处理小分子配体配位数小于 3 的特殊情况并不是这套方法的重点，所以结果解读时不能把它理解成对任意金属位点都同样适用的工具 SI Figure S2：统计势能否区分金属类型 SI 里专门做了一个 cross-metal prediction analysis。不同金属类型的统计势被拿去打同一批位点，并观察 true positive 预测的空间偏差分布。结果是：正确金属类型对应的统计势通常会给出更集中、偏差更小的分布，说明这套势函数确实带有一定金属类型特异性。不过单靠当前这套基于距离和几何偏好的势函数，还不足以做精细的金属种类判别。MetalKB 的主要目标是找位点和坐标，不是做金属分类器。图5：MetalKB 在 Metal3D 测试集上的表现 (a) 比较 MetalKB、Metal3D、PMM 在不同阈值下的 precision、recall、F1 (b) 给出 MetalKB 预测坐标的误差分布，其中灰色条表示受多核金属位点影响的预测 (c) 比较 MetalKB（蓝色，energy threshold = 1.7）与 Metal3D（橙色，p = 0.75）在 11 类金属上的性能 (d) 给出 11 类金属预测的偏差分布；图中负值代表相对参考位置的有符号偏差，不是”负的距离” 图5a 展示了 MetalKB 在不同能量阈值下的性能变化。为了便于横向比较，可以把 MetalKB 与两种对比方法的关键指标整理成下面这张对照表：方法参数值 Precision Recall F1 MetalKB threshold = 1.0 0.806 0.489 0.608 MetalKB threshold = 1.5 0.859 - 0.614 MetalKB threshold = 1.7 0.955 0.472 0.631 PMM p = 0.5 0.752 0.494 - PMM p = 0.75 0.901 0.410 0.563 Metal3D p = 0.5 - - 0.631 Metal3D p = 0.75 0.904 0.450 0.601 Metal3D p = 0.9 0.986 0.360 0.527 从这张对照表可以看出几个关键趋势： MetalKB 在不同阈值下维持了相对稳定的精确率—召回率折中。坐标误差怎么理解 Figure 5b 还展示了空间定位精度。MetalKB(1.7) 的平均坐标误差是 1.117 ± 1.567 Å，表面上高于 Metal3D 在 p = 0.75 时的 0.710 ± 0.631 Å。但 MetalKB 的中位误差只有 0.224 Å，反而优于 Metal3D 的 0.508 Å。这与多核锌位点有关：因为两个真实锌离子本来就可能相距很近，误差统计容易被这些特殊案例拉高。文中还特别指出，误差大于 3 Å 的 15 个预测主要来自二核位点；如果把这些情况排除，MetalKB 的平均误差会降到 0.596 ± 1.025 Å。换句话说，多数普通位点的坐标定位已经很准，均值主要受少数多核难例影响。多金属测试集的结果 Metal3D 的多金属测试集包含 11 类金属：Ca2+、Mg2+、Na+、K+、Mn2+、Fe3+、Fe2+、Co2+、Ni2+、Cu2+、Zn2+。每个位点都至少有 3 个独特蛋白配体，且占有率大于 0.5。 Figure 5c 显示，MetalKB 在大多数金属类型上优于 Metal3D，尤其是 Zn2+、Ca2+ 和 Fe3+。而 Metal3D 在 Na+、K+、Mg2+ 这些非过渡金属上的表现较差，这和它的训练集主要偏向锌有关。 Figure 5d 里，MetalKB 在 11 类金属上的中位预测误差大约在 0.3 Å 左右，也就是一半以上预测已经非常接近实验坐标。更细的各金属误差统计见 SI Table S1。 SI Table S1：各金属的误差分布以 MetalKB（阈值 1.7）为例：金属平均误差（Å）中位数误差（Å） Zn 0.425 ± 0.884 0.174 Ca 0.314 ± 0.526 0.178 Ni 0.371 ± 0.267 0.304 Cu 0.362 ± 0.424 0.254 K 0.407 ± 0.608 0.253 这说明 MetalKB 不局限于锌体系，在 Ca、Ni、Cu、K 等金属上也能给出相当靠近实验位置的预测坐标。 3.3. TEMSP 测试集评估 TEMSP 更接近验证”配位组成有没有猜对“。这个数据集包含 100 个蛋白结构、136 个实验验证的锌位点。与 Metal3D 的”坐标 5 Å 内算命中”不同，TEMSP 用的是 IoUR（Intersection over Union of Residues，残基层面的交并比），即预测配位残基集合与真实配位残基集合的重叠程度。文中把 $\mathrm{IoUR} \ge 0.5$ 记为 true positive（TP），这比只比较空间距离更严格，因为你不仅要预测到附近，还得把残基组分猜对一半以上。图6 与表2：MetalKB 在 TEMSP 上的六方法比较柱状图展示 precision、recall、F1 折线显示平均坐标偏差，单位是 Å CHED 和 ZincBindDB 不输出显式三维坐标，所以图里没有它们的平均坐标偏差表2：TEMSP 上的关键数值方法 TP FN FP Precision Recall F1 坐标偏差（Å） MetalKB 133 3 6 0.957 0.978 0.967 0.262 PMM 134 2 21 0.865 0.985 0.921 0.237 TEMSP 117 19 5 0.959 0.860 0.907 0.380 CHED 112 24 11 0.911 0.824 0.865 — GRE4Zn 101 35 5 0.953 0.743 0.835 0.267 ZincBindDB 115 21 273 0.296 0.846 0.439 — 表 2 可以直接拆成下面几点： MetalKB 的 F1 = 0.967，是表 2 里最高的一项。虽然它的 recall 0.978 略低于 PMM 的 0.985，但 precision 0.957 明显高于 PMM 的 0.865 TEMSP 和 GRE4Zn 的高 precision、低 recall 组合意味着它们对 false positive 的控制更严格，但漏检风险也更高 ZincBindDB 的主要问题是 273 个 false positives，这直接把 precision 拉到 0.296 在坐标偏差上，MetalKB 的 0.262 Å 虽略高于 PMM 的 0.237 Å，但仍然处在非常小的误差量级内 Figures 4–6 之间 precision/recall 的差异，与测试集组成有关。Figures 4 和 5a 所用数据里包含一些配位数少于 3 的位点，而 Figures 5c 和 6 代表的是更典型、更规范的配位环境，因此这些数字不能直接横向混为一谈。图7：多核与桥联锌位点的代表性案例这里展示的不是”某个单独锌点能不能找到”，而是共享配体、近距离双核以及多位点并存这些更难的场景。 (a) 乳酸杆菌二核锌氨肽酶 PepV (b) 人源 H3K9 histone lysine methyltransferase (c) RAG1 dimerization domain (d) RAG1 dimerization domain 中的二核锌簇图中金色球是实验结构中的金属位置，红色球是 MetalKB 预测的位置案例 1：PepV 的双锌活性位点 PepV 是桥联双金属的典型例子。Zn2 由 His87、Asp119、Asp177 配位，Zn1 由 His439、Asp119、Glu154 配位，其中 Asp119 是桥联配体，连接两个锌离子，两个金属之间距离约 3.8 Å。MetalKB 不仅找到了两个锌的位置，还正确识别了共享配体 Asp119。平均金属—金属距离误差小于 0.18 Å。案例 2：H3K9 甲基转移酶中的多个锌位点在这个结构里，锌分布于 Pre-SET 和 Post-SET 区域。Pre-SET 区域有 3 个锌，由 9 个保守半胱氨酸围成三角形锌簇；Post-SET 区域还有一个四面体配位锌位点。MetalKB 对这些位点都能正确定位，说明它不仅能识别单个锌位点，也能处理同一蛋白中的多个不同锌位点。案例 3：RAG1 的复杂锌配位环境 RAG1 二聚化结构域里同时包含典型单核 C3H 型 RING finger、C2H2 型 zinc finger，以及一个独特的 Zn2Cys5His2 双核锌簇。在后者中，Cys293 是桥联配体，另外还有 Cys266、His270、His295 等参与配位。MetalKB 能把这些空间关系和共享配体关系一起识别出来，这恰好体现了 clique 建模比简单局部打分更适合处理复杂多中心位点。 SI Figure S3：非锌体系的补充案例 SI 里又补了 4 个非锌实例，分别是： (a) 多铜氧化酶 laccase（PDB：1GYC），展示催化中心的三核铜簇。 (b) Klebsiella aerogenes 的镍依赖脲酶（PDB：2KAU），展示双核 Ni2+ 活性位点。 (c) protein kinase C 的 Ca2+-bound C2 domain（PDB：1A25），展示空间上相邻的多个 Ca2+。 (d) 钾通道 KcsA（PDB：1K4C），展示选择性滤过器中的 4 个 K+。这些补充图说明，MetalKB 的多中心识别能力并不只限于锌，而是对 Cu、Ni、Ca、K 等体系也有一定可迁移性。关键结论与批判性总结这篇工作的主要贡献方法层面，MetalKB 给出了一种组合路线：几何上先用 clique 采样，化学上再用金属特异性统计势做筛选和细化。结果层面，它在 Metal3D 与 TEMSP 两个风格不同的基准上都拿到了有竞争力的结果，尤其在 TEMSP 上拿到最高 F1，说明残基级预测也做得不错。应用层面，它输出的是金属三维坐标加配位残基，而不是只有“有/没有位点”这类粗粒度结论，因此更方便后续结构解释、对接和建模。案例层面，PepV、H3K9 甲基转移酶、RAG1 等例子说明，这套方法对多核和桥联位点具有实际处理能力。方法的优势实验结构统计驱动的势函数：物理含义比纯黑箱模型更直观。对 Ca、Mg、K 和多种过渡金属的泛化性：不只局限于锌体系。对桥联和双齿配位的敏感性：羧酸虚拟节点和 clique 建模更容易识别复杂配位模式。能量阈值扫描下的稳定性：至少在文中给出的范围内，表现没有剧烈震荡。局限性与仍待解决的问题金属类型需要用户预先指定。MetalKB 不是端到端的“自动猜金属种类”工具，当前势函数只能提供有限的金属类型区分能力。小分子配体和配位数低于 3 的位点处理不足。这意味着某些依赖水分子、辅因子或非蛋白配体的位点可能不在它的强项范围内。统计势主要编码几何与距离偏好，还没有显式纳入更细的电子结构因素，所以在精细区分相近金属时仍有瓶颈。对输入结构质量有依赖。如果侧链构象本身不可靠，候选供体图的质量也会受影响。我的整体看法 MetalKB 抓住了两个真正关键的信号：供体原子的空间组合关系和金属—原子相互作用的统计偏好。这让它在解释性、可扩展性和多核位点处理上都有明显优势。当然，它也不是最终答案。尤其在金属种类精细判别、低配位位点以及含非蛋白配体体系方面，这个框架还有明显改进空间。但如果目标是从蛋白结构中快速、合理地找出金属结合位点，并给出可用于后续分析的三维坐标，那么 MetalKB 仍然是一套实用且思路清晰的方法。

Specific Sytems · 2026-04-02

倾斜角的物理决定因素：从膜厚度到跨膜电位

倾斜角的物理决定因素：从膜厚度到跨膜电位引言在《取向角即判据：用倾斜角判别膜肽表面/倾斜/插入三态，2H-NMR与MD证据》一文中，我们确立了tilt angle作为区分膜插入状态的核心判据。然而，仅仅“知道”一个螺旋的tilt angle是不够的，我们需要理解“为什么”它的tilt angle是这个数值，以及“如何”从序列预测取向。本文深入探讨决定tilt angle的三大物理定律：疏水匹配定律、能量分化定律和静电调控定律。通过分析PGLa、hΦ19W、跨膜螺旋与抗菌肽等体系，我们将看到这些定律在不同系统中的一致性，并建立从序列到取向的定量预测框架。跨膜电位对取向的调控：PGLa案例本章要点： ✓ PGLa倾斜角与TMP的定量关系（r²=0.6） ✓ 正反馈机制的三个环节 ✓ 细菌选择性的物理本质 PGLa是典型的两亲性α-螺旋抗菌肽（序列GMASKAGAIA GKIAKVALKA L-amide），对膜环境极其敏感，膜成分、肽脂比与水化条件都会显著改变其取向与拓扑，因此常被用作“电生理环境如何影响取向”的探针。 Németh等人通过MD模拟发现，PGLa的tilt angle与跨膜电位（TMP）存在耦合关系，揭示了电生理环境对抗菌肽取向的调控作用。 TMP是什么，如何控制？项目内容定义 TMP是膜内外静电势的差值，反映跨膜电场强度盐梯度法在双层膜中央隔室加入0.4 M $\ce{NaCl}$建立离子不对称分布定量结果 DB.S体系$\mathrm{TMP} \approx -66 \pm 28\ \mathrm{mV}$，加入PGLa后DB.S.P为$\mathrm{TMP} \approx -87 \pm 44\ \mathrm{mV}$ 方法学对照电荷分离法（NIIMB）会产生约4000 mV的非生理电位并扰乱膜结构，因此弃用无TMP对照 SB.P采用单层膜并依赖周期性边界条件使TMP近似为零跨膜电位对PGLa倾斜角的影响该图展示PGLa倾斜角（τ）与跨膜电位（TMP）的耦合：子图(A)为τ与TMP散点图（375 ns轨迹按5 ns分段），线性回归$r^2=0.6$显示显著相关；子图(B)显示TMP越负，Ala20越靠近膜中心，对应更深的倾斜插入；子图(C)的自由能曲线对比表明TMP使最低点向膜中心移动，并改变跨越能垒形状。倾斜角τ与TMP的耦合机制 \[\mathrm{TMP} = \phi_{\text{inner}} - \phi_{\text{outer}}\] 其中$\phi$是沿膜法向 $z$ 方向计算得到的静电势。原文的做法是：先用 gmx potential 将体系中所有原子的部分电荷沿 $z$ 方向分箱求和，再把该电荷分布代入 Poisson 方程并做双重积分，得到跨膜的电势 profile；TMP就是膜两侧对应区域的电势差。PGLa插入后会重排膜-水界面的离子分布，因此改变电势 profile，最终改变TMP。定量关系 τ增大导致螺旋更深插入，$\ce{Na+}$离子向膜内侧聚集，从而TMP更负；TMP更负增强静电驱动力，促进带正电的PGLa倾斜插入，进而τ增大。这种正反馈循环解释了PGLa在细菌膜（TMP约-50至-100 mV）中的高活性——一旦开始插入，过程会自我加强。定量关系可以拆成三个环节： graph TB A[τ增大 螺旋更深插入] --> B[Na⁺向膜内侧聚集 离子分布不对称性增强] B --> C[TMP更负 超极化 约-50至-100 mV] C --> D[静电驱动力增强 吸引带正电的PGLa] D --> A style A fill:#e1f5ff style B fill:#fff3e0 style C fill:#f3e5f5 style D fill:#e8f5e9 环节描述 τ增大螺旋更深插入，$\ce{Na+}$离子向膜内侧聚集 TMP更负离子重排使TMP负向增强，静电驱动力增强正反馈循环更大的TMP进一步促进倾斜插入，解释细菌膜中PGLa的高活性关键发现关键发现可以归纳为三点：关键发现详细描述正反馈机制 TMP更负增加tilted state population，螺旋更深插入并进一步改变TMP 电生理调控细菌膜内负电位（-50至-100 mV）促进倾斜插入，增强抗菌活性物理机制螺旋与膜-水界面$\ce{Na+}$离子的静电相互作用驱动耦合，离子重排成为电信号与结构变化的桥梁 Na+沿膜法向的分布揭示离子重排该图给出四种TMP簇（对应不同平均倾斜角）的$\ce{Na+}$浓度分布。高TMP（更负）时，膜内侧电双层的$\ce{Na+}$峰明显减弱，外侧相应增强，体现出离子分布的不对称性；下方两个放大图进一步强调了电双层区域的变化。它直观展示了“倾斜角越大，离子重排越明显”这一机制性证据。深入解读：跨膜电位与PGLa取向的正反馈耦合机制 💡 阅读提示：本节为深入解读，包含研究背景、实验设计和机制细节。如仅需核心结论，可跳至“为什么这篇论文重要？”部分。研究动机：细菌膜电位如何“召唤”抗菌肽？研究动机有三层背景：类别内容肽的生物学特性 PGLa为阳离子抗菌肽，对多种细菌有效，机制与膜插入和破坏相关选择性难题如何在细菌膜与真核膜之间实现选择性？电生理背景细菌膜TMP约-50至-100 mV（内负外正），该电信号是否调控取向与活性仍未知此前研究的核心缺口包括：缺口类型描述关注静态取向多数研究只讨论表面态与插入态的静态分布忽略TMP动态影响体内有TMP、体外无TMP，取向行为可能显著不同研究目标建立TMP与PGLa tilt angle的定量关系核心设计：盐梯度法产生生理相关TMP MD模拟中产生跨膜电位有两种主要方法：方法原理 TMP大小优缺点电荷分离法（NIIMB）在膜两侧放置不等数量离子直接产生电场 ~数千mV 远超生理范围并易导致膜破裂盐梯度法在中央隔室加入过量盐（0.4 M NaCl）形成浓度梯度 -66至-87 mV 生理相关，避免膜破裂论文采用盐梯度法，并设置四组对照模拟：模拟组描述目的 DB 双膜，无肽建立盐梯度作为空白对照 DB.S 双膜，无肽验证盐梯度产生的TMP大小 SB.P 单膜，有肽无TMP对照，周期性边界保证无电位差 DB.S.P 双膜，有肽，盐梯度核心实验组，PGLa在有TMP条件下模拟关键设计：SB.P与DB.S.P使用相同初始结构，唯一差异是是否存在TMP，从而干净分离电位效应。关键发现：正反馈循环的三个层次论文通过500 ns MD模拟（分析最后375 ns），发现了PGLa tilt angle与TMP之间的正反馈耦合：三层关键发现如下：发现类型详细描述定量相关性（$r^2=0.6$） TMP越负，tilt angle越大，四个倾角-电位簇分别为：95±7°对应−18±17 mV，100±8°对应−67±11 mV，110±6°对应−106±11 mV，116±6°对应−150±13 mV population偏移无TMP时以表面态（≈95°）为主，有TMP时插入态（≈110°–120°）显著增加正反馈机制倾斜插入使$\ce{Na+}$在膜内侧聚集、外侧减少，TMP更负后继续促进倾斜插入这个机制的物理本质是静电耦合与离子重排的闭环：倾斜角增大使正电表面更靠近膜内侧，$\ce{Na+}$向内聚集导致离子不对称性增强，TMP因此更负并反向牵引PGLa继续倾斜。能量景观的重塑论文计算PGLa沿膜法向（z轴）的自由能景观，显示TMP重塑了能量面：无TMP时全局最小值位于膜表面（z≈-15 Å），而有TMP时最小值向膜中心移动（z≈-10 Å），跨越能垒较低，插入态更容易被占据。为什么这篇论文重要？重要性维度具体体现解释细菌选择性细菌膜负TMP（-50至-100 mV）放大插入与抗菌活性，而真核膜缺乏TMP驱动，多停留表面态建立电生理-取向关系首次定量显示TMP影响抗菌肽取向（$r^2=0.6$），为电生理调控提供框架揭示自增强反馈正反馈意味着一旦PGLa开始插入，过程会自我加强，解释“全有或全无”行为与协同效应方法学创新盐梯度法生成生理相关TMP，避免电荷分离法产生的过强电位（~4000 mV）与膜破裂问题序列决定性：跨膜螺旋vs表面吸附肽本章要点： ✓ 隐式膜模型揭示“序列决定取向”的物理本质 ✓ 跨膜螺旋与抗菌肽呈现截然不同的自由能景观 ✓ 计算与实验定量一致（偏差约±8°） Ulmschneider等人开发了一种隐式膜模型来计算膜相关螺旋的取向，并与固态NMR实验结果进行了系统性对比。该研究分析了6个跨膜螺旋和9个抗菌肽，揭示了序列决定tilt angle的物理本质。跨膜螺旋vs抗菌肽的对比肽类型倾斜角特征能量极小值插入能跨膜螺旋（6个） 0–30°（接近垂直）膜中心（插入态）为主 –4.7 ~ –10.2 kcal/mol 抗菌肽（9个） 90±4°（平行于膜）膜表面（表面态）插入需克服约4–6 kcal/mol能垒跨膜螺旋与抗菌肽的自由能面对比该图展示了两种截然不同的自由能景观：子图(A) AchR M2跨膜螺旋有两个极小值，膜中心（z≈0 Å，tilt≈15°）为全局最小值，膜表面（z≈±10 Å，tilt≈90°）为局部极小值；子图(B) Magainin仅在膜表面出现深色极小值，插入膜中心需克服约4–6 kcal/mol的能垒，与实验一致。隐式膜模型的自由能计算 \[\Delta G(z, \theta) = \Delta G_{\text{solv}}(z, \theta) + \Delta G_{\text{elec}}(z, \theta) + \Delta G_{\text{conf}}\] 其中包括三个主要项：能量项描述 $\Delta G_{\text{solv}}$ 溶剂化自由能，依赖残基在膜内的位置和取向 $\Delta G_{\text{elec}}$ 静电相互作用能，主要来自带电残基与脂质头部的相互作用 $\Delta G_{\text{conf}}$ 构象熵损失对于跨膜螺旋，$\Delta G_{\text{solv}}$在膜中心最低（疏水残基埋藏）；对于抗菌肽，$\Delta G_{\text{elec}}$在膜表面最低（极性残基与头部相互作用）。计算结构与固态NMR结构的叠加对比该图展示三个跨膜螺旋的计算预测结构（灰色）与固态NMR测定结构（红色）的叠加对比，验证了隐式膜模型的准确性：蛋白描述结构一致性 AchR M2 烟碱乙酰胆碱受体δ亚基的M2通道片段计算结构与NMR结构几乎完全重合 Influenza A M2 流感病毒A M2通道取向高度一致，关键残基（Ser8、Gln13、Asp24）位置吻合 FD coat protein 噬菌体FD外壳蛋白，螺旋在页面平面内结构一致性良好关键发现跨膜螺旋的自由能面显示双重极小值，插入态（tilt ~15°）总是全局最小而表面态（tilt ~90°）为局部极小；抗菌肽的自由能面仅有一个表面极小值（tilt ~90°），插入到膜中心需要显著的自由能惩罚；计算与实验定量一致，6个跨膜螺旋的预测tilt angle与固态NMR测量值吻合，验证了隐式膜模型的可靠性；物理机制上，疏水残基驱动插入，极性/电荷/芳香残基决定螺旋在膜内的正确取向。深入解读：隐式膜模型揭示“序列决定取向”的物理本质 💡 阅读提示：本节为深入解读，包含方法学细节、参数化策略和验证过程。如仅需核心结论，可跳至“为什么这篇论文重要？”部分。研究动机：计算机预测膜蛋白取向的“圣杯” 2007年，当这篇论文发表时，结构生物学领域面临一个重要挑战：如何仅从氨基酸序列预测膜蛋白在膜中的取向？固态NMR实验能够测定tilt angle和rotation angle，但实验耗时费力，且无法进行大规模预测。另一方面，随着基因组测序的普及，大量膜蛋白序列被鉴定，但结构信息严重缺乏。如果能够开发一种计算方法，准确预测膜蛋白的取向，将极大推动膜蛋白结构和功能的研究。此前已有一些隐式膜模型（如Wimley-White全息标度、生物物理模型等），但它们主要关注小分子或肽的膜结合能，无法准确预测完整膜蛋白的tilt angle和rotation angle。这篇论文的核心动机是填补这个gap——开发一种基于物理原理的隐式膜模型，能够准确预测跨膜螺旋和抗菌肽在膜中的取向，并与独立的固态NMR实验数据集进行系统性验证。核心设计：从“统计分布”到“物理模型”的参数化策略论文采用的隐式膜模型基于一个巧妙的参数化策略：数据驱动的参数化：从46个已解析的α-螺旋膜蛋白结构（分辨率<4 Å）中，统计每种氨基酸残基沿膜法向（z轴）的分布$n_i(z)$。例如，疏水残基（Leu、Ile、Val）在膜中心（z≈0 Å）富集，带电残基（Arg、Lys、Asp、Glu）在膜表面（z≈±15-20 Å）富集，芳香残基（Trp、Tyr）在膜-水界面（z≈±10-15 Å）富集。势函数拟合：将统计分布转换为转移自由能$\Delta G_i(z)$： $\Delta G_i(z) = -k_B T \ln \left( \frac{n_i(z)}{n_i^{\text{bulk}}} \right)$ 其中$n_i^{\text{bulk}}$是残基在水中的参考浓度。这个公式将“统计频率”转换为“物理能量”，使得模型具有明确的物理意义。刚性体扫描：将肽或蛋白视为刚性体，扫描三个变量：tilt angle（θ，0°-180°）、rotation angle（ρ，0°-360°）、膜深度（z，-30 Å至+30 Å）。计算每个构象的总转移自由能： $\Delta G_{\text{total}}(\theta, \rho, z) = \sum_{i=1}^{N} \Delta G_i(z_i)$ 其中$z_i$是第$i$个残基在给定取向下的深度。找到全局能量最小值，即为预测的最优取向。这个设计的巧妙之处在于：模型参数完全来自真实膜蛋白结构的统计分布，无需任何人工调整或拟合实验数据。这使得模型具有强大的预测能力——可以用于与参数化集完全独立的体系。关键发现：三种能量景观揭示“序列决定取向”的本质通过对6个跨膜螺旋和9个抗菌肽的计算，论文揭示了三类截然不同的自由能景观：跨膜螺旋的双重极小值景观：插入态（tilt≈0°-30°）为全局最小值，表面态（tilt≈90°）为局部极小值，upside-down态（tilt≈150°-180°）能量较高，对应错误拓扑。三类极小值解释了跨膜螺旋可在表面短暂停留再插入，以及拓扑具有方向性。抗菌肽的单极小值景观：表面态（tilt≈90°）是唯一极小值，插入态需克服约4–6 kcal/mol能垒，因此抗菌肽主要以表面吸附态存在，其机制依赖表面吸附而非直接跨膜插入。序列决定取向的定量规律：疏水残基（Ala、Leu、Ile、Val、Phe）是插入驱动力，极性残基（Ser、Thr、Asn、Gln）偏向表面，带电残基（Arg、Lys、Asp、Glu）强烈偏好膜-水界面，芳香残基（Trp、Tyr、Phe）形成界面“aromatic belt”。因此疏水比例高的螺旋更易跨膜，带电/极性比例高则更易表面吸附。计算与实验的定量验证论文将计算预测与独立的固态NMR数据集（6个跨膜螺旋）进行了对比：跨膜螺旋实验tilt angle (°) 计算tilt angle (°) 偏差 (°) AchR M2 11 19 +8 Influenza A M2 37 (38±3) 41 +4 FD coat protein 19 (26) 23 +4 VPU 16 (13) 5 -11 NMDA NR1 - 40 - 平均偏差约±8°，这处于固态NMR实验的不确定性范围内（±5°至±10°），验证了模型的准确性。为什么这篇论文重要？建立了“序列→取向”的定量预测框架：该工作展示了隐式膜模型可用于预测tilt angle与rotation angle，为后续大规模膜蛋白取向预测与数据库建设提供了方法学基础。揭示了自由能景观的普适规律：论文发现跨膜螺旋和抗菌肽呈现截然不同的能量景观——双重极小值 vs 单极小值。这个规律后来被多次验证，成为理解膜蛋白-脂质相互作用的基础。为药物设计提供理论指导：通过分析残基贡献，论文揭示了哪些残基类型驱动插入，哪些残基决定取向。这为理性设计膜活性肽（如抗菌肽、细胞穿膜肽）提供了定量指导。例如，若要设计跨膜肽，应增加疏水残基比例；若要设计表面吸附肽，应增加带电/极性残基比例。方法学的创新影响：论文采用的“统计分布→物理模型”的参数化策略影响了后续许多隐式膜模型的开发，包括HSAFT、IMM1、MEMBPLUGIN等。这种方法避免了人工调整参数，保证了模型的客观性和可迁移性。方法学：计算与实验的相互验证固态NMR：hΦ19W的温度效应对含有19个疏水残基的跨膜锚定肽（hΦ19W）的研究发现：室温条件：螺旋绕长轴快速旋转导致N-H偶极耦合运动平均化，$\ce{^{15}N}$化学位移呈现尖锐共振峰，螺旋轮模式坍缩到其质心低温/DNP条件：$\ce{^{15}N}$化学位移变化约20 ppm，指示倾角减小约10°（例如从~22°减小到~10°），螺旋更直立物理解释：低温下脂质双分子层疏水厚度增加，跨膜螺旋需通过减小tilt angle来维持疏水匹配，这一定量关系验证了疏水匹配定律深入解读：PGLa的温度效应与DNP固态NMR的可靠性验证 💡 阅读提示：本节为深入解读，包含技术背景、实验设计和结果分析。如仅需核心结论，可跳至“为什么这篇论文重要？”部分。研究动机：低温是否改变了膜蛋白的“真实面貌”？研究动机来自对DNP低温条件的三重担忧：技术优势：DNP固态NMR可用微波激发电子自旋并转移极化，信号增强约10–100倍关键限制：必须在100 K左右极低温下进行科学疑问：低温是否改变膜相态（液晶→凝胶/亚凝胶），并冻结肽的取向与构象，从而影响生物学意义这篇论文的核心动机就是回答这个问题：DNP条件下的低温测量是否仍然能反映膜蛋白在生理条件下的真实取向？核心设计：巧妙的“双线作战”策略作者采用“一石二鸟”的双体系策略： PGLa抗菌肽：两亲性α-螺旋，约21残基，常以表面态（tilt angle≈81°）存在，取向对脂质组成与温度敏感温度探针：若低温改变取向，PGLa会最先表现出来 hΦ19W跨膜锚定肽：19个连续疏水残基的典型跨膜螺旋对照逻辑：tilt angle由疏水匹配决定，若温度改变膜厚，应出现可预测的倾角调整实验设计的关键创新是带棕榈酰链的biradical（PyPol-C16）：传统问题：水溶性biradical（如TOTAPOL）易从脂质双层析出，增强效率低结构改造：加入16碳脂肪酸链，相当于“膜锚” 机制结果：嵌入膜疏水核心并与膜蛋白共定位，DNP增强可达约17倍技术意义：静态（无旋转）条件也能获得高增强因子，突破以往依赖MAS样品的限制 PGLa与hΦ19W的温度与相态响应条件 $\ce{^{15}N}$化学位移最大值对应倾斜角构象状态 310 K，DMPC/$\ce{DMPG}$液晶相 125 ppm 53° 倾斜插入（T-state，可能是二聚体） <297 K，凝胶相 87 ppm 81° 表面吸附态（S-state）脱水条件 160 ppm 更小垂直取向（I-state）关键发现：温度的影响比预期小得多实验结果的核心结论包括：结论类型详细描述 PGLa取向随相变切换 310 K时$\ce{^{15}N}$化学位移峰在约125 ppm，对应tilt angle≈53°（T态）；温度降至Tc以下（~297 K）后峰移至87 ppm，对应tilt angle≈81°（S态），100 K下仍保持良好取向 hΦ19W温度依赖倾角随低温增厚而减小约10°（更直立），与疏水匹配几何关系一致膜结构保持有序 100K与7W微波下仍呈现清晰PISEMA螺旋轮模式 DNP信号增强 0.7 mg单标记样品在7 W微波下获得可测信号，无微波条件下2天仍无明显信号；相关膜样品在静态条件下可达约17倍增强为什么这篇论文重要？为DNP应用“正名”：低温测得的取向与生理条件一致，消除方法学疑虑揭示温度鲁棒性：PGLa在低于相变温度（≤297K）的区间内取向保持稳定，说明表面吸附由静电-疏水平衡主导技术突破：PyPol-C16“膜锚”策略显著提升DNP增强，影响后续探针设计验证疏水匹配：hΦ19W倾角由约22°减小到约10°，与膜厚增加导致“更直立”的预测一致 hΦ19W的PISEMA谱图展示温度对取向的影响该图展示hΦ19W在$\ce{POPC}$双层中的PISEMA光谱，温度诱导的取向变化清晰可见：295 K时快速运动平均化，螺旋轮坍缩到质心（绿点）；降至253 K与223 K时螺旋轮逐步清晰；100 K DNP条件下出现完整螺旋轮模式。谱形与10°与22°两种模拟倾角分布相对比，低温条件更接近更直立的倾角，与20 ppm位移指示的“倾角减小”一致。模拟结果 10°与22°倾角的螺旋轮模式用于界定实验谱图的倾角范围，低温数据更偏向更直立的一端。 PISEMA谱图的螺旋轮模式解析 PISEMA谱图中的每个峰对应一个残基，其坐标为$(\delta_{\ce{^{15}N}}, \delta_{\ce{^1H-^{15}N}})$，其中$\delta_{\ce{^1H-^{15}N}}$是偶极耦合常数。对于α-螺旋： \[\delta_{\ce{^1H-^{15}N}} = D_{\text{max}} \left( 3\cos^2 \beta - 1 \right) / 2\] 其中$D_{\text{max}} \approx 10.7$ kHz是最大偶极耦合常数，$\beta$是N-H键相对磁场的取向角。螺旋轮模式的形状直接反映倾斜角$\tau$：倾斜角螺旋轮形状物理机制 $\tau \approx 0°$ 圆形所有残基的N-H键相对磁场取向等价，各向同性分布导致共振峰位置一致 $\tau \approx 10-22°$ 椭圆形长轴/短轴比定量反映倾斜程度，椭圆离心率随tilt angle增大而增加 $\tau \approx 90°$ 坍缩为质心点螺旋绕长轴快速旋转导致偶极耦合平均化理论计算方法的验证隐式膜模型 PPM 2.0相比1.0显著改进了外围蛋白膜结合能的预测精度（$R^2$从0.47提升至0.78，RMSE从2.73降到1.13 kcal/mol），说明模型的能量参数化更加可靠。 PPM模型的转移自由能计算 \[\Delta G_{\text{transfer}}(\theta, z) = \sum_{i} \Delta G_i(z_i)\] 其中$\Delta G_i(z_i)$是第$i$个原子在膜深度$z_i$处的转移自由能，通过原子溶剂化参数（ASP）计算。给定倾斜角$\theta$与膜中心位置$z$，对所有原子求和即可得到整体转移自由能。科学共识：倾斜角的物理决定因素通过对多篇文献的系统分析，我们可以总结出控制膜相关螺旋取向的三大物理定律，这些规律在跨膜螺旋、抗菌肽与电位耦合体系中得到了一致的验证。定律1：疏水匹配定律任何膜相关螺旋的最优倾斜角$\theta_{\text{optimal}}$都由螺旋疏水长度与膜疏水厚度的几何匹配决定： \[\theta_{\text{optimal}} = \arccos\left(\frac{d_{\text{membrane}}}{L_{\text{hydrophobic}}}\right)\] 公式的通俗解释核心思想：螺旋的疏水长度$L$与膜的疏水厚度$d$必须匹配，否则会产生能量惩罚。形象比喻：想象把一根长筷子（螺旋）插入一个水杯（膜）中：筷子长度 = 杯口深度：筷子可以垂直插入（θ ≈ 0°）筷子长度 > 杯口深度：筷子必须倾斜（θ > 0°）才能避免底部暴露在空气中筷子长度 ≫ 杯口深度：筷子几乎要平放在杯口（θ ≈ 90°）物理机制：疏水残基必须被埋藏在膜的疏水核心内，否则暴露于水相或脂质头部会产生显著的能量惩罚（每个暴露的疏水残基约1-2 kcal/mol）。多文献验证疏水匹配定律得到了多个实验体系的定量验证：验证结论：跨不同体系的一致性验证证明了疏水匹配定律的普适性。体系倾斜角疏水匹配关系跨膜螺旋 $\theta \approx 0-30°$ 螺旋疏水长度$L$与膜厚度$d$近似相等抗菌肽 $\theta \approx 90°$ 螺旋疏水长度$L$远小于膜厚度$d$ hΦ19W 低温下倾角减小约10°（更直立）膜厚增加时通过减小tilt angle来维持疏水匹配 PGLa 相变前后从约53°转向约81° 体现膜厚与相态变化的调节效应这些跨不同体系的一致性验证证明了疏水匹配定律的普适性。物理本质疏水残基必须被埋藏在膜的疏水核心内，否则暴露于水相或脂质头部会产生显著的能量惩罚。定律2：能量分化定律自由能面$F(\theta, z)$的极小值位置和深度决定了螺旋的取向态。不同类型的螺旋呈现截然不同的自由能景观： \[\Delta G_{\text{insert}} = \Delta G_{\text{solv}} + \Delta G_{\text{elec}} + \Delta G_{\text{conf}}\] 两类体系的行为差异体系类型 $\Delta G_{\text{solv}}$主导项 $\Delta G_{\text{elec}}$主导项自由能面特征最优态跨膜螺旋 ⬇️ 膜中心最低（疏水驱动）小（带电残基少）双极小值，膜中心为全局最小 I-state (θ < 30°) 表面吸附肽 ↔️ 膜中心惩罚（疏水不足）膜表面最低（极性锚定）单极小值，膜表面 S-state (θ > 60°) 多文献验证 Ulmschneider研究：跨膜螺旋插入能为-4.7至-10.2 kcal/mol（有利插入），抗菌肽在膜表面态为能量最低，插入到膜核心需克服约4–6 kcal/mol能垒，定量解释了取向差异 PGLa：310 K（T-state，53°）→ <297 K（S-state，81°），膜相态改变重塑能量面，使表面态更有利新增研究：总疏水矩控制倾斜角（Soft Matter 2025）这项工作用粗粒化圆柱体模拟“保折叠的蛋白片段”，在圆柱表面设定可扭转的疏水条带，并系统扫描三类变量：疏水条带宽度、条带扭转角度、疏水相互作用范围。核心发现是：三种相互作用态：无相互作用、表面接触态、插入态（且插入态呈可变倾斜角）插入态的两种稳态取向：一种几乎平行于膜平面（与膜法向夹角约90°），另一种为倾斜态（轴线对膜法向有非零分量）倾斜角的定性预测：倾斜角随“总疏水矩”变化而调节，总疏水矩越大越偏向平行取向，减小或接近零时更容易进入倾斜态膜形变证据：在表面接触态出现与twister模型一致的膜形变模式，可用于估计施加的扭矩新增研究：进动熵与膜形变的能量平衡（JCTC 2012）该研究提出倾斜角由螺旋进动熵的增益与膜形变代价的平衡决定，核心结论包括：倾斜仍会发生：即使在“完美匹配”或轻微负错配条件下，跨膜螺旋仍会倾斜，原因是进动熵增益可补偿膜形变自由能惩罚最小倾角约10°：在负错配区域，倾斜角随错配减小而下降，但最小值仍约10° 方程化预测：推导了倾斜角与螺旋长度、膜厚度的“状态方程”，与粗粒化MC模拟和既有实验/计算吻合（理论与MC相关性$R^2=0.99$）定义清晰：倾斜角$\alpha$是螺旋轴相对膜法向的夹角，0°为垂直跨膜、90°为平行表面该图以示意图总结三类疏水错配：正错配时螺旋更长、倾斜以缩短有效疏水长度并伴随膜扩张；完美匹配时也可能倾斜，因为进动熵增益可抵消膜形变；负错配时膜局部变薄以容纳螺旋，错配过大则倾向表面态。该图给出MC模拟与理论模型的关键对比：(A) 倾斜角随错配变化，$\alpha=0°$表示螺旋轴垂直膜面，$\alpha=90°$表示平行；(B) 膜厚适配随错配变化；(C) 端部残基相对膜边界的位置变化；(D) 理论模型与MC结果高度一致（$R^2=0.99$），说明“进动熵–膜形变”平衡可定量预测倾斜角。该图展示进动熵的几何来源：直立构象对应较小球面扇区面积，倾斜后对应更大的“带状区域”，可达构象空间增大带来熵增益，从而驱动倾斜。该图给出“状态方程”的趋势：倾斜角$\alpha$随$L$增大而减小，随$P_{\mathrm{eff}}$增大而增大；膜刚性$\omega$影响较弱；在固定$\omega$下，$\alpha$与$P_{\mathrm{eff}}/L$近似线性相关。物理本质疏水残基驱动插入，极性/电荷残基抑制插入，两者竞争决定自由能面形状。定律3：静电调控定律跨膜电位（TMP）通过静电相互作用调控倾斜角，形成正反馈循环，具体定量关系可在PGLa体系中直接观察。核心发现：PGLa的倾斜角与跨膜电位呈显著正相关（r²=0.6），细菌膜的内负电位（-50至-100 mV）通过正反馈机制促进倾斜插入，首次从物理角度解释了抗菌选择性。正反馈机制的三个环节 τ增大导致螺旋更深插入：当带正电的螺旋倾斜角增大时，螺旋更深入地插入膜内，导致$\ce{Na+}$离子向膜内侧聚集，膜内外离子分布不对称性增强，进而使TMP更负（hyperpolarization） TMP更负促进螺旋倾斜插入：更负的TMP产生更强的静电驱动力，吸引带正电的螺旋进一步向膜内倾斜，导致τ增大，形成自增强的正反馈循环循环强化导致膜破坏：正反馈循环的持续强化最终导致膜破坏和孔道形成，这在细菌膜（TMP约-50至-100 mV）中尤为显著，解释了抗菌肽的选择性毒性多文献验证 PGLa-TMP耦合：MD模拟显示τ与TMP显著相关（$r^2=0.6$），细菌膜的内负电位（-50至-100 mV）通过静电吸引促进倾斜插入，这一正反馈机制解释了PGLa在细菌膜中的高活性（文献1）物理本质带电螺旋与膜-水界面离子的静电相互作用提供了额外的取向调控维度。预测规则：从序列到取向基于上述三大定律，我们可以提出膜相关螺旋的理性预测框架。序列决定取向的定量规则序列特征预测取向态倾斜角范围物理依据疏水残基 > 70%，带电 < 2个 I-state ⬇️（跨膜螺旋） 0–30° 疏水驱动，$\Delta G_{\text{insert}} < 0$ 疏水残基 < 40%，或带电 > 4个 S-state ↔️（表面吸附肽） 60–120° 疏水不足，$\Delta G_{\text{insert}} > 0$ 40% < 疏水 < 70%，或带电2-4个 T-state ↗️（倾斜态） 30–60° 疏水匹配不完美芳香残基集中在一端 📌 表面锚定 θ > 60° 芳香锚定效应环境调控取向的定性规则环境因素调控方向物理机制验证文献膜厚度增加 θ减小（更直立） $L \cos \theta = d$几何匹配 hΦ19W 跨膜电位增大 θ增大静电吸引带电螺旋插入 PGLa-TMP 温度降低取向发生可预测改变膜厚/相态变化驱动疏水匹配调整 PGLa、hΦ19W 凝胶相 θ→90°（表面肽）膜刚性增加，插入不利 PGLa 方法学共识：多维验证的必要性没有单一方法能给出完整的取向信息，三种方法必须互补使用：方法优势局限提供信息固态NMR 原子级精度，直接测定θ和ρ 时间平均，无法看动态转变静态结构参数 MD模拟动态过程，时间演化力场精度，采样受限转变路径、动力学理论模型快速预测，物理机制需要实验验证自由能面、预测交叉验证案例多项研究展示了方法学互补的价值。PPM 2.0对外围蛋白膜结合能的预测精度显著提升（$R^2=0.78$），说明模型参数化更可靠；DNP固态NMR在低温条件下依然保持稳定取向，为实验测量提供可靠基准。这些案例共同表明，只有通过实验、模拟和理论的多维交叉验证，才能获得可靠的取向信息与物理机制。应用价值：理性设计膜活性分子基于这些科学共识，我们可以提出膜蛋白/抗菌肽的理性设计原则：设计目标设计规则预测结果设计跨膜蛋白 ⬇️ 疏水残基比例>70%，形成连续的疏水段（$L \approx d_{\text{membrane}}$）；净电荷数<2个，避免穿越疏水核心的巨大能量惩罚（每个电荷约3-5 kcal/mol） I-state（θ < 30°），稳定跨膜插入，自由能面显示膜中心为全局最小值设计表面锚定肽 ↔️ 疏水残基比例<40%，或疏水段长度 $L \ll d_{\text{membrane}}$；引入芳香残基（Trp、Tyr）在疏水/水界面形成“锚”，利用芳香侧链偏好膜-水界面的性质 S-state（θ > 60°），稳定表面结合，自由能面在膜表面显示单一极小值设计环境响应型肽 ↗️ 引入多个正电荷（Lys、Arg），利用静电调控定律，使细菌膜负电位（-50至-100 mV）触发插入；设计$L$与目标膜厚度$d$匹配的疏水段，通过疏水匹配在不同膜环境中实现最优取向 T-state（30° < θ < 60°），环境诱导的取向转变，具有条件激活的特性设计膜破坏性抗菌肽 💥 初始态为S-state（表面结合，θ > 60°），避免在正常组织中过早插入导致毒性；细菌负膜电位（-50至-100 mV）→ TMP更负 → 静电驱动促进转向T/I态，实现选择性激活；多肽协同形成跨膜孔道（I-state寡聚体），通过“地毯式”或“桶板式”机制破坏膜完整性 PGLa、Melittin/MelP5的S→T→I转变展示了从表面吸附到倾斜插入再到跨膜成孔的完整路径总结分子主轴相对膜法向的取向角是判断膜插入状态的关键指标，本文围绕S/T/I三态模型系统性地总结了这一核心判据，并进一步提炼出三大物理定律和定量预测框架：核心结论 🎯 三大物理定律：通过多篇文献的交叉验证，我们发现了控制膜相关螺旋取向的普适规律疏水匹配定律：$\theta = \arccos(d/L)$，解释了跨膜螺旋、抗菌肽与hΦ19W等体系的倾角差异能量分化定律：自由能面形状（双极小值vs单极小值）决定了I/T/S态的稳定性静电调控定律：TMP与倾斜角存在正反馈耦合（$r^2=0.6$），实现了电生理调控 📊 S/T/I三态模型：S-state（60–120°）表面吸附，T-state（30–60°）倾斜插入，I-state（0–30°）跨膜插入实验验证：MD模拟、固态NMR、2H-NMR多方法交叉验证，确保结论可靠性方法学互补：理论预测（PPM 2.0的能量参数化提升）、模拟采样（MD）、实验测定（NMR）三者结合理性设计：基于三大定律，可从序列预测取向，为膜蛋白/抗菌肽设计提供指导本质论点取向角是非结合/表面态/插入态的核心定量判据，这一规律由三大物理定律（疏水匹配、能量分化、静电调控）控制，在跨膜螺旋与抗菌肽等体系中得到一致验证。通过多篇文献的交叉分析，我们从现象描述（S/T/I分类）上升到机制理解（三大定律），最终实现定量预测（序列→取向）。参考文献 PGLa倾斜角与跨膜电位耦合的MD模拟研究。J Chem Inf Model 2022, 62, 4963–4969. https://doi.org/10.1021/acs.jcim.2c00779 PGLa的固态NMR研究与DNP低温验证。Sci Rep 2016, 6, 20895. https://doi.org/10.1038/srep20895 隐式膜模型预测螺旋倾斜角：计算方法与NMR的系统性对比。Biophys J 2007, 92, 724–737. https://doi.org/10.1529/biophysj.106.089672 PPM 2.0各向异性溶剂模型与膜结合能评估。J Chem Inf Model 2011, 51, 930–946. https://doi.org/10.1021/ci200020k Protein–membrane interactions with a twist：总疏水矩解释插入态倾斜角。Soft Matter 2025, 21, 4336. https://doi.org/10.1039/d4sm01494d The Transmembrane Helix Tilt May Be Determined by the Balance between Precession Entropy and Lipid Perturbation. J. Chem. Theory Comput. 2012, 8, 2896–2904. https://doi.org/10.1021/ct300128x

Specific Sytems · 2026-03-19

椭球粒子更易被膜包裹？微凝胶形状与膜刚性调控细胞摄取机制

本文信息标题：脂质膜包裹各向异性微凝胶粒子：粒子形状与膜刚性的影响作者：Xiaoyan Liu, Thorsten Auth, Nabanita Hazra, Morten Frendø Ebbesen, Jonathan Brewer, Gerhard Gompper, Jérôme J. Crassous, Emma Sparr 发表时间：2023年7月25日单位：隆德大学（瑞典）、于利希研究中心（德国）、南丹麦大学等引用格式：Liu X, Auth T, Hazra N, et al. Wrapping anisotropic microgel particles in lipid membranes: Effects of particle shape and membrane rigidity. Proc Natl Acad Sci USA. 2023;120(30):e2217534120. https://doi.org/10.1073/pnas.2217534120 摘要细胞通过内吞作用摄取大分子组装体或纳米颗粒，这一过程既与健康和疾病相关的生物过程有关，也涉及药物纳米颗粒的递送以及污染物的潜在纳米毒性。根据系统物理化学性质的不同，吸附的颗粒可能停留在膜表面、被膜包裹或通过类似内吞的过程穿过膜。本文研究了软性核壳微凝胶粒子的形状、粒子-膜粘附能、膜的相行为和膜弯曲刚性如何调控胶体颗粒被脂质膜包裹的过程。共聚焦显微镜数据清楚地表明，通过调控粒子和膜的基本性质，可以定向控制包裹行为、膜变形以及颗粒在膜上的组织方式。与相似体积的球形微凝胶粒子相比，椭球形微凝胶粒子的深度包裹状态更有利。然而，基于固定粘附强度的理论计算预测了相反的行为——随着长径比增加，包裹变得更加困难，微凝胶的粘附强度必须随粒子拉伸而增加。考虑到微凝胶系统在不同形状、功能化和机械性能合成方面提供的多样性，这些发现进一步启发了未来涉及纳米颗粒-膜相互作用的研究，为新型生物材料和治疗应用的设计提供了指导。核心结论椭球形粒子更容易被深度包裹：实验发现椭球形微凝胶粒子（长径比$b/a = 2$或$6$）比球形粒子更容易被脂质膜深度包裹，这与传统理论预测相反膜刚性是关键调控因素：膜的弯曲刚性越低、有效脂质头基面积越大，深度包裹越容易发生；液无序相（DOPC）膜比液有序相（DMPC/胆固醇）膜更容易包裹颗粒粘附强度随形状变化：实验与理论计算的差异表明，微凝胶的粘附强度不是固定的，而是随粒子拉伸程度的增加而增加，这可能是由于微凝胶变形导致的更多疏水残基暴露形状调控包裹取向：浅包裹的椭球形粒子长轴平行于膜表面，处于“潜艇”态；深度包裹的粒子长轴垂直于膜表面，处于“火箭”态，两种状态之间存在能量势垒相分离膜的偏好性吸附：在相分离膜中，球形和椭球形微凝胶都强烈偏好吸附到较软的液无序相，而不是较硬的液有序相背景细胞通过内吞作用摄取纳米颗粒的过程是生物医学和纳米技术领域的核心问题。无论是病毒感染、药物递送，还是环境污染物的毒性评估，都涉及纳米颗粒与细胞膜的相互作用。尽管过去二十年来理论预测和计算机模拟已经广泛研究了膜-颗粒相互作用，但实验研究主要局限于球形颗粒，而关于非球形软颗粒的包裹行为的实验研究仍然缺乏。自然界中存在大量非球形组装体，如病毒衣壳、盘状高密度脂蛋白共组装物和各种形状的抗原颗粒。这些非球形颗粒如何被细胞膜识别和摄取，是理解细胞摄取机制的关键。然而，由于生物系统的分子复杂性，体内研究难以解耦各种分子机制。因此，通过模型系统系统地研究物理化学参数对包裹过程的影响，成为理解这一复杂问题的必由之路。核心科学矛盾：传统理论预测椭球形粒子由于曲率大、弯曲能代价高，应该更难被膜包裹。然而，本文实验观察到相反现象——椭球形粒子反而更容易被深度包裹。这一理论与实验的矛盾揭示了粘附强度随粒子形状变化这一被传统包裹理论忽视的关键因素，成为本文研究的切入点。关键科学问题软性核壳微凝胶粒子的包裹行为受哪些物理参数调控？形状效应：椭球形粒子是否比球形粒子更容易被膜包裹？理论预测和实验观察为何存在矛盾？膜刚性作用：膜的弯曲刚性和脂质链堆积状态如何影响颗粒的包裹深度？粘附强度变化：微凝胶的粘附强度是否随粒子形状变化而变化？这种变化如何影响包裹行为？相分离膜的选择性：在相分离膜中颗粒如何选择性地吸附到不同的脂质相？这反映了什么物理机制？创新点本文在实验设计上运用严格的控制变量策略：三种微凝胶体积相同，仅长径比不同；三种脂质膜头基化学性质相同，仅弯曲刚性和链堆积状态不同。正因为变量拆得足够干净，形状效应与膜刚性效应才能被相对独立地识别出来。研究还采用了多尺度验证体系，把单粒子尺度的包裹状态与取向转变、群体尺度的膜上组装结构，以及环境尺度的均相膜与相分离膜放在同一篇文章里统一比较。科学贡献方面，本文首次系统研究了非球形软颗粒的膜包裹行为，并通过实验与理论对照把问题收敛到一个核心机制上：粘附强度并不是固定常数，而会随粒子形状变化。文章还把粒子形状、膜刚性、膜张力和粘附能这四个关键参数放进同一个框架里讨论，并在液无序-液有序相分离膜中观察到明显的偏好性吸附，从而进一步指出脂质链堆积状态会直接影响膜-颗粒相互作用。研究内容实验系统设计本研究采用了一个精心设计的模型系统，包括两个核心组成部分：各向异性核壳微凝胶粒子和不同组成的脂质膜微凝胶粒子设计：研究使用了三种软性核壳微凝胶粒子，均由聚苯乙烯核和交联PNIPMAM（聚N-异丙基甲基丙烯酰胺）壳组成：粒子类型形状长径比 $b/a$ 20°C下几何尺寸 20°C下流体表征制备方法表面电荷 MG1 球形 1 核心半径 $215 \pm 13~\mathrm{nm}$；水合尺寸约 $830 \times 830~\mathrm{nm}$ 流体动力学半径 $462~\mathrm{nm}$；$D_T = 4.62 \times 10^{-13}~\mathrm{m^2\,s^{-1}}$ 初始粒子轻微正电 MG2 椭球形 2 长轴约1236 nm；短轴约620 nm $D_T = 4.17 \times 10^{-13}~\mathrm{m^2\,s^{-1}}$ 单轴拉伸 $50\%$ 轻微正电 MG3 椭球形 6 长轴约2750 nm；短轴约446 nm $D_T = 3.21 \times 10^{-13}~\mathrm{m^2\,s^{-1}}$ 单轴拉伸 $400\%$ 轻微正电椭球形粒子通过对同一类球形核壳母粒进行单轴拉伸后处理获得，因此实验上尽量把形状作为主变量，而不是重新合成另一批化学组成不同的颗粒。不过，这里不宜把它表述成“严格等体积”：从SI Table S1给出的20°C水合尺寸粗略估算，MG2和MG3与MG1属于相近体积量级，但并非完全一致。这里还要特别注意，主文中明确给出的核心半径 $215 \pm 13~\mathrm{nm}$ 和20°C下的流体动力学半径 $462~\mathrm{nm}$，只对应母体球形核壳微凝胶MG1。而 SI Table S1 中 MG1 的 $830 \times 830$ nm，则是基于共聚焦图像统计得到的水合几何尺寸。这两个量不是一回事：前者对应颗粒在溶液中的流体动力学表征，后者对应显微图像中的几何外形尺寸，因此不能直接拿来一一对照。对于MG2和MG3，作者在SI Table S1里主要报告的是20°C下的长轴、短轴、长径比和扩散系数，而不是再压缩成一个单一的水动力学半径，因此正文表格也按原始表征方式保留这些数据。三种微凝胶都表现为轻微正电，这一点来自电泳迁移率测量；同时粒子还通过荧光探针Alexa488标记以便观察。图1：球形和椭球形微凝胶粒子的形貌特征。（A）三种微凝胶粒子，即MG1球形、MG2椭球形（$b/a=2$）和MG3椭球形（$b/a=6$），在载玻片上的2D共聚焦激光扫描显微镜（CLSM）图像，温度28°C，标尺为1 μm。（B）DOPC和DMPC脂质的分子结构及熔点（$T_m$），以及胆固醇的分子结构。脂质膜设计：使用三种不同组成的磷脂酰胆碱（PC）脂质制备巨单层囊泡（GUVs）：脂质组成相态弯曲刚性有效头基面积熔点$T_m$ DOPC 液无序（$L_d$）低大 -20°C DMPC 液无序（$L_d$）中中 23°C DMPC/胆固醇液有序（$L_o$）高小 - 实验温度为28°C，确保DOPC和DMPC处于液态，而DMPC/胆固醇混合物处于液有序相。胆固醇的加入会进一步减小双层膜平面内每个脂质分子的有效面积；不过从文中引用的膜结构数据看，每个PC头基的有效面积仍与液无序PC双层膜接近。这种设计的巧妙之处在于：保持脂质头基化学性质不变，仅通过改变酰基链组成来调节膜的物理性质，包括弯曲刚性和有效头基面积。微凝胶与膜的相互作用机制微凝胶粒子与脂质膜的相互作用，原文更倾向于解释为：以疏水黏附为主，静电因素为辅。静电作用不是主要差异来源：微凝胶虽然带轻微正电，但三种模型膜都由两性离子PC脂质组成，在中性条件下整体不带净电。如果主导作用真是静电吸引，那么不同膜相乃至相分离膜的不同区域上，吸附强度应当更接近；而实验并没有看到这种结果。更合理的主因是疏水链暴露差异：液无序膜的酰基链堆积更松散，膜界面更容易暴露疏水烃链。作者据此提出，微凝胶表面伸出的聚合物链段会部分插入这些暴露的疏水区域，从而提高粒子-膜黏附能；DOPC膜之所以更容易发生深度包裹，也主要沿着这条机制来理解。实验结果：形状与膜刚性调控包裹行为微凝胶在脂质膜上的吸附和包裹通过共聚焦荧光显微镜观察，研究发现了三种不同的吸附-包裹状态：状态膜变形粒子位置典型特征表面吸附无明显变形膜表面粒子仅吸附在膜表面，未嵌入膜中浅包裹轻微变形部分嵌入膜围绕粒子轻微变形，粒子部分嵌入膜中深度包裹显著变形几乎完全被包粒子几乎完全被膜包裹；对于椭球粒子，长轴通常垂直于膜表面图2：球形和椭球形微凝胶粒子在不同脂质膜上的包裹行为。微凝胶粒子（绿色，标记为Alexa488）在GUVs脂质膜（红色，标记为Rhod-PE）上的吸附和包裹的2D CLSM图像。微凝胶粒子：球形MG1（A-C）或具有不同长径比（$b/a$）的椭球形MG2（D-F）和MG3（G-I）脂质组成：DMPC/胆固醇（A、D、G）、DMPC（B、E、H）和DOPC（C、F、I）膜性质差异：DMPC/胆固醇的弯曲刚性最高，DOPC的有效头基面积最大实验的核心发现可以概括为以下三个关键规律：规律1：形状依赖性从图2出发，如果只对比两种液无序膜（DOPC与DMPC），形状效应可以简化为一句话：球形MG1在两种膜上都停留在表面吸附或浅包裹状态；而椭球形粒子更容易进入深度包裹，其中MG2只在更软的DOPC上达到深度包裹，MG3则在DOPC与DMPC上都能达到深度包裹，并伴随长轴由平行转向垂直膜面的取向重排。图S8：深度包裹的直接图像证据。A为MG2被DOPC膜深度包裹，B为MG3被DOPC膜深度包裹，C为MG3被DMPC膜深度包裹。从左到右分别是粒子绿色通道、膜红色通道和合并图。原文特别指出，深度包裹最直接的证据就是红色膜通道中出现显著膜形变；这也是区分图2里“浅包裹”和“深度包裹”的核心判据。规律2：膜刚性依赖性深度包裹发生在弯曲刚性最低、有效脂质头基面积最大、同时表观界面疏水性最高的脂质膜上，以及长径比较大的微凝胶粒子。具体趋势如下：膜组成弯曲刚性有效头基面积 MG1球形 MG2椭球（$b/a=2$） MG3椭球（$b/a=6$） DMPC/胆固醇高小无包裹浅包裹（平行）浅包裹（平行） DMPC 中中浅包裹浅包裹（平行）深度包裹（垂直） DOPC 低大浅包裹深度包裹（垂直）深度包裹（垂直）规律3：取向依赖性时间分辨成像显示，无论椭球形粒子以什么角度接近膜，它们总是以长轴平行于膜的方式着陆（Movies S1-S3），然后在某些组成下进一步被膜包裹。这表明粒子在吸附过程中会重新取向以最大化界面接触面积，反映了微凝胶与脂质膜之间存在强吸引力。 SI 的 Fig. S6 把这个过程展示得更直接：作者跟踪了MG2在DOPC囊泡上的吸附前后图像，三组例子虽然初始入射角度不同，但一旦真正接触膜面，都会先转成长轴平行膜面的构型。换句话说，深度包裹并不是“直接垂直撞上去就被吞进去”，而是先经历一个平躺吸附的中间阶段，然后才可能进一步重排成深包裹终态。图S6：MG2在DOPC囊泡上的吸附前后序列图。A到C给出三个不同初始取向的例子，每一行左侧是吸附前，右侧是吸附后。尽管入射角度不同，吸附后都转成长轴平行于膜面的姿态。这个补充图说明，“先平躺、后重排”是实验上直接可见的动力学路径，而不是仅来自理论想象。微凝胶在膜上的组织结构图3：吸附在GUVs上的球形MG1微凝胶（A-C）、椭球形MG2微凝胶（D、E）和MG3微凝胶（F）的3D CLSM图像，温度28°C，标尺：5 μm。上图：3D图像由共聚焦z-stack图像重建，合并了来自微凝胶（绿色）和标记了Liss Rhod PE的膜（红色）的通道。脂质组成为DMPC/胆固醇（A、D、F）、DMPC（B、E）和DOPC（C）下图：对应的放大图像显示微凝胶在脂质膜上的组装结构除了包裹状态，研究还发现微凝胶粒子在膜上形成了高度有序的组装结构：球形MG1的六方晶体排列：球形微凝胶在所有膜系统上都形成了具有六方结构的2D胶体晶体。这种紧密堆积的方式类似于之前观察到的PNIPAM微凝胶在流体DMPC和DOPC膜上的行为。椭球形MG2的取向有序膜类型膜刚性分布特征取向关联类比 DMPC（液无序）中局部边对边排列有明显取向关联近晶状有序（smectic-like） DMPC/胆固醇（液有序）高均匀分布六方位置有序无明显取向关联塑性晶体构型（plastic crystal）椭球形MG3的无序分布：长径比最高的椭球形MG3微凝胶在膜表面呈随机分布和取向。至少没有全都竖起来，或者说很多是躺着的…… 这些有序结构的形成表明，微凝胶-膜相互作用不仅影响单个粒子的包裹状态，还调控多个粒子在膜上的集体组装行为。相分离膜的偏好性吸附为了进一步研究膜刚性对微凝胶吸附的影响，研究者使用了由DOPC富集的液无序相和DMPC/胆固醇富集的液有序相组成的相分离GUVs。图4：球形和椭球形微凝胶在相分离膜上的选择性吸附。实验对象：吸附在由DOPC、DMPC和胆固醇（摩尔比7:7:3）组成的GUVs上的球形MG1微凝胶（A）和椭球形MG2微凝胶（$b/a=2$）（B）的2D CLSM图像相分离特征：形成共存的液有序（液有序相富含DMPC/胆固醇，黑色）和液无序膜相（液无序相富含DOPC，红色荧光更强）实验条件：温度16°C，标尺5 μm 关键发现：球形MG1和椭球形MG2微凝胶都强烈偏好吸附到较软的DOPC富集的液无序相。这与单相DOPC囊泡的观察结果一致：球形粒子只是被膜浅包裹，位于囊泡表面；而椭球形粒子被膜深度包裹。重要的是，在微凝胶不过量的条件下，没有观察到微凝胶在液有序DMPC/胆固醇富集域上的吸附。这种选择性吸附表明，脂质链的堆积状态显著影响颗粒的吸附。 SI 的 Fig. S11 还补充了一个有用背景：DOPC/DMPC/chol（7:7:3）这个体系在28°C时还是均一液相，而降到17°C、16.5°C和16°C后会逐渐出现液无序相与液有序相共存。因此，图4里看到的选择性吸附不是随手挑了一个“看起来有相分离”的囊泡，而是建立在这个三组分膜温度诱导相分离已经先被单独验证过的基础上。图S11：DOPC、DMPC和胆固醇三组分GUV在不同温度下的3D CLSM图像。A为28°C，此时仍是均一液相；B到D分别为17°C、16.5°C和16°C，此时可见液无序相与液有序相共存。图中较暗区域对应更有序的DMPC/胆固醇富集相，较亮区域对应DOPC富集的较无序相。它为图4里的选择性吸附提供了相分离本身已经成立的直接证据。理论计算：包裹能预测为了从能量角度理解包裹过程，研究进行了详细的数值分析，计算了包裹过程中膜曲率变化和微凝胶-膜接触面积变化产生的能量。 \[E = \int \left( 2\kappa H^2 + \sigma \right) \mathrm{d}A - \int_{A_{\mathrm{ad}}} w \, \mathrm{d}S\] 该公式包含以下物理量：$\kappa$为膜的弯曲刚性，$\sigma$为侧向张力，$w$为微凝胶与双层膜之间的粘附强度。$H = (c_1 + c_2)/2$表示平均曲率（mean curvature），其中$c_1$和$c_2$是主曲率，$A_{\mathrm{ad}}$为粘附在粒子上的膜面积。这套理论的出发点其实很朴素：先假设微凝胶只是一个给定形状、给定体积、给定黏附强度的“等效颗粒”，再问膜在什么条件下愿意把它包进去。也正因为模型足够简洁，它很适合回答“几何和膜弹性本身会把系统推向哪里”这个问题，但不擅长处理真实微凝胶表面的化学异质性、壳层可压缩性以及局部链段重排。公式的通俗解释这个能量函数可以理解成一个很直观的“收益减成本”的账本：膜想要包住粒子会付出代价，但一旦贴上去又能拿到粘附收益。最终是不是会进入深度包裹，取决于三项量的此消彼长。后面图5的“潜艇态”与“火箭态”、以及二者之间的能垒，本质上就是这三项能量在不同取向与包裹程度下竞争的结果。弯曲能项：$\int 2\kappa H^2\,\mathrm{d}A$是把膜“掰弯”所付出的能量。$\kappa$越大，膜越硬，同样的曲率变形就越贵，因此深度包裹更难发生。对椭球粒子来说，尖端曲率更大，这一项会更容易把系统“推回”到浅包裹的构型。张力项：$\int \sigma\,\mathrm{d}A$描述把更多膜面积“拉”进包裹区域时的代价。张力越大，膜越像一张绷紧的橡皮膜，想多包一点就得付出更高代价，所以包裹转变所需的粘附强度会随张力增大而升高。粘附能项：$-\int_{A_{\mathrm{ad}}} w\,\mathrm{d}S$是粒子和膜贴合带来的能量收益。$w$可以理解成单位接触面积能“赚”到的能量，$A_{\mathrm{ad}}$越大，收益越多，系统就越倾向于从表面吸附走向深度包裹。换一种更直白的说法，图5里真正竞争的不是“平躺好还是竖起来好”这么简单，而是下面这两种倾向谁更强：先多贴一点，先赚到黏附能；尽量别去碰最难包的尖端，先少付一点弯曲代价。正因为这两种倾向同时存在，椭球粒子才会自然出现“潜艇”和“火箭”两种稳定构型，而不是只有一种单调的包裹路径。此外，原文还有一个很容易被忽略、但对理解实验条件很重要的提醒：在共聚焦图像里看不到明显的热涨落，并不等价于囊泡处在高张力状态。作者指出，即使囊泡近似“无张力”，其形状涨落幅度也可能小到低于显微镜的可分辨尺度。理论上，准球形无张力囊泡的球谐模涨落满足 \[\langle |u_{l,m}|^2 \rangle = \dfrac{k_\mathrm{B}T}{\kappa\,l(l-1)(l+1)(l+2)}\] 其中$u_{l,m}$是第$l,m$阶球谐形变模式的幅度（以囊泡半径为单位）。作者给了一个数量级估算：当$\kappa/k_\mathrm{B}T = 50$、囊泡半径$R = 5~\mu\mathrm{m}$时，主导的椭球形形变模（$l = 2$）对应的典型幅度约为150 nm，在实验成像中可能并不显著。这意味着，不能仅凭“膜看起来很平滑”就武断地认为张力很大，张力效应更可靠的判断仍应来自独立测量或系统性的物理参数对照。图5：椭球形粒子的包裹能景观和状态转变。长径比$b/a = 2$、体积$V_0 = 0.31~\mu\mathrm{m}^3$的椭球形粒子在无张力、初始平面的脂双层膜上的包裹能，弯曲刚度为$\kappa = 20 k_{\mathrm{B}}T$。读图提示：图5A的两个坐标其实对应两个最直观的“自由度”。$A_{\mathrm{ad}}$表示有多少膜面积贴在粒子表面，可以粗略理解为包裹深度；$\theta$表示长轴相对膜法线的倾角，$90^\circ$对应长轴平行膜面（潜艇态），$0^\circ$对应长轴垂直膜面（火箭态）。（A）包裹能景观：不同粘附强度$w = 210.1$、$233.4$、$256.7~k_{\mathrm{B}}T/\mu\mathrm{m}^2$下的包裹能景观，横纵坐标分别为粘附膜面积$A_{\mathrm{ad}}$和长轴相对于膜法线的取向角$\theta$；图中可见“潜艇”态的能量极小值对应浅包裹、$\theta = 90^\circ$，“火箭”态对应深度包裹、$\theta = 0^\circ$ （B）转变路径快照：在$w = 233.4~k_{\mathrm{B}}T/\mu\mathrm{m}^2$时，“潜艇”态与“火箭”态之间转变路径上的模拟快照，展示粒子重新取向和膜逐步包裹的过程（C）能量分解：沿转变路径$A_{\mathrm{ad}} = 0.8(1.5 - \tanh(0.03(\theta-60^\circ)))~\mu\mathrm{m}^2$的能量分解：总能量为蓝色，粘附膜能量为橙色，自由膜能量为绿色，二者之间的峰值对应两种状态之间的能量势垒（D）包裹相图：固定体积$V_0 = 4/3\pi R^3_{\mathrm{sph}}$时的包裹相图，给出粘附强度$w$与侧向张力$\sigma$的关系；红线表示长径比$b/a = 2$的椭球粒子，黑线表示球形粒子，I、II、III三区分别对应未包裹、浅包裹、深度或完全包裹理论预测的关键发现发现描述物理意义两种稳定状态 “潜艇”态（$\theta = 90^\circ$）和“火箭”态（$\theta = 0^\circ$）浅包裹时避免高曲率尖端，深度包裹时一个尖端被包入能量势垒两种状态间存在能量势垒对应于包裹高曲率尖端所需的弯曲能代价张力依赖性转变粘附强度随张力线性增加需要从膜外拉入额外面积以完成包裹形状依赖性 $b/a = 2$时与球形粒子转变粘附强度相近，$b/a > 2$时更难包裹高长径比粒子曲率更大，弯曲能代价更高这些结果里，真正解释得最扎实的其实不是实验趋势本身，而是深包裹的几何障碍来自哪里。理论非常清楚地指出：问题主要出在尖端包裹。只要系统还没开始包那个高曲率尖端，平躺的浅包裹就更划算；一旦要跨进深包裹，就必须付出一笔额外的弯曲能，这就是图5C里那道能垒的来源。图6：椭球形粒子包裹转变的标度粘附强度与长径比的关系。标度粘附强度$wR_{\mathrm{sph}}^2/\kappa$与椭球形粒子长径比（$1 \le b/a \le 6$）的关系图，适用于无张力、初始平面的脂双层膜。读图提示：这里用$wR_{\mathrm{sph}}^2/\kappa$做无量纲化，相当于把粘附驱动力与弯曲代价放到同一标度下比较（$R_{\mathrm{sph}}$是等体积球的参考长度尺度）。因此，这张图最想表达的不是某一个具体数值，而是理论预测的总体趋势：粒子越细长，想要达到完全包裹所需的相对粘附强度会越高。两种情况的展示结果：固定粒子表面积$S_0$时为红色，固定粒子体积$V_0$时为黑色关键发现：对于长径比$b/a > 2$的椭球形粒子，完全包裹所需的标度粘附强度随长径比线性增加，这与实验观察到的趋势相反理论与实验的矛盾：粘附强度随形状变化理论计算预测：椭球形粒子比球形粒子更难包裹，特别是对于高长径比的粒子。实验观察则是：椭球形粒子比球形粒子更容易被深度包裹。如何解释这一明显矛盾？研究者给出的核心解释是：微凝胶的粘附强度不是固定常数，而会随着粒子被拉伸而增加。具体支持证据如下表所示：证据类型具体机制实验基础作用表面性质变化拉伸后粒子表面性质微小变化，提高膜黏附性实验与理论对照、SI表征结果增强椭球形粒子黏附疏水链插入微凝胶表面聚合物链段部分插入膜界面暴露的疏水烃链区域液无序膜链堆积松散增强与液无序膜的黏附粒子柔软度壳层可压缩，拉伸可能导致致密化、溶胀性下降和柔软度变化理论模型未考虑改变有效黏附能局部膜缺陷被埋入尖端形成孔洞或blister，降低包裹代价理论预测（SI）辅助降低高长径比粒子包裹能理论局限：固定粘附强度、忽略粒子柔软度的模型能抓住取向转换和能垒结构，却不足以解释“越细长反而越容易深包裹”的实验结果。更尖锐一点的评价如果说得直接一点，这里的理论部分更像是在界定“缺了什么物理”，而不是已经完整解释了实验。它成功解释了什么：为什么椭球粒子会先平躺吸附，为什么浅包裹与深包裹之间会有能垒，为什么膜张力会抬高深包裹门槛。它没解释什么：为什么实验里长径比更大的粒子反而更容易深包裹。这个最核心的实验现象，并不是从模型内部自然推出的。它最后真正给出的结论，其实是反推：既然固定$w$的模型失败了，那真实系统里的有效黏附强度$w$就不能当常数看待，或者尖端附近还存在模型没纳入的局部膜重构。 SI 里关于 hole 和 blister 的分析，其实进一步暴露了这个边界：主模型默认膜必须连续地去贴合尖端，但真实膜也许会通过开孔、局部鼓包或局部脱附来绕开最贵的那部分弯曲代价。这让理论讨论更有启发性，但也说明它离“真正解释实验”还有一段距离。 Q&A Q1：为什么理论预测椭球形粒子更难包裹而实验观察到更容易包裹？ A1：关键在于理论把粘附强度$w$当作固定常数，但原文讨论部分认为，拉伸会轻微改变微凝胶表面性质，从而提高膜黏附性。再叠加液无序膜更容易暴露疏水链、微凝胶表面链段可部分插入膜界面的因素，实验中椭球粒子就会比理想刚性模型表现出更强的包裹倾向。此外，真实微凝胶的柔软度变化和尖端局部形成孔洞或blister，也可能继续降低高长径比粒子的包裹代价。 Q2：膜刚性如何影响微凝胶的包裹行为？ A2：这里其实有两层作用。第一层是弯曲能代价：更硬的膜更难围着粒子弯折，因此深度包裹更吃亏。第二层是界面结构差异：液无序膜的酰基链堆积更松散、更容易暴露疏水区域，因而更有利于微凝胶表面链段黏附到膜上。也正因为这两层因素叠加，在相分离膜里颗粒会明显偏向较软的液无序相，而不是液有序相。 Q3：椭球形微凝胶的“潜艇”态和“火箭”态有什么物理意义？ A3：这两个名字对应的是同一个粒子在能量景观中的两个局部稳定构型。在“潜艇”态里，长轴平行膜面，系统优先回避高曲率尖端被包住时带来的弯曲能罚分；在“火箭”态里，长轴转为垂直，膜包裹更深，黏附收益更大，但也要承担更高的局部弯曲代价。两者之间那道能垒，本质上就是“要不要把尖端也包进去”的代价。关键结论与批判性总结本研究通过精心设计的实验系统和理论计算，揭示了形状、膜刚性和粘附能如何协同调控软性纳米颗粒的膜包裹行为。主要贡献把形状、膜刚性和界面结构放到同一个实验框架中比较：论文用体积相近但形状不同的软微凝胶，配合三类膜和相分离膜，比较系统地展示了包裹深度、粒子取向和膜上组装结构如何联动变化。明确指出实验与传统刚性粒子理论之间的缺口：理论能够解释“潜艇”态与“火箭”态、张力效应和高长径比的弯曲代价，却不能直接解释实验中椭球粒子更易深包裹这一结果。这个反差本身就是本文最重要的机制信息。把差异进一步收敛到黏附能并非固定这一点：原文讨论部分认为，粒子被拉伸后表面性质会发生微小变化，从而提高膜黏附性；再加上液无序膜更容易暴露疏水链区，最终使实验结果偏向深度包裹。研究的局限性缺乏对粘附强度的直接测量：文章提出的“粘附强度随形状变化”是基于理论-实验矛盾的推论，缺少AFM力谱等直接测量手段来定量验证$w(b/a)$的关系，如果能补充这部分数据，结论将更加直接。分子机制不够明确：粘附强度变化的三种可能机制（表面性质变化、疏水链插入、柔软度变化）都是定性推测，没有实验区分哪种机制占主导。未来工作可以通过荧光标记疏水区域、测量接触面积等方式深入。理论模型的修正空间：现有理论假设固定粘附强度，主要用于凸显问题。可以在模型中直接引入形状依赖的粘附强度参数$w(b/a)$，进行定量预测，这样能够建立更完整的理论框架。形状效应的饱和：实验发现MG2（$b/a=2$）和MG3（$b/a=6$）的包裹行为差异不大，说明在$b/a>2$后，形状效应可能饱和，这一点在讨论中可以更明确地指出。局限性类型具体描述研究需求理论模型简化模拟未纳入粒子柔软度、壳层可压缩性及拉伸致密化效应需要开发考虑微凝胶结构和体弹性的详细模型局部降能机制孔洞或blister等局部膜缺陷机制未定量化需要更深入的理论和模拟研究这些辅助机制模型系统简化使用成分可控的PC模型膜，缺少蛋白、糖脂等复杂成分需要在更接近真实细胞膜的系统中验证对相关领域研究者的启发药物递送系统设计：不要只关注球形颗粒，各向异性颗粒可能带来意外优势，但必须同时考虑形状 + 膜刚性 + 粘附强度可变性的三元调控，椭球形颗粒不一定总是更好，取决于具体应用场景。颗粒-膜相互作用模拟：软颗粒的粘附强度不应设为固定常数，需要考虑粒子形变导致的接触面积变化，可以尝试在模型中引入$w = w_0 \cdot f(\text{shape}, \text{deformation})$。实验方法开发：AFM力谱、光镊等单分子技术可以直接测量颗粒-膜粘附力，原位成像技术（如冷冻电镜）可以观察接触界面的分子结构，这些技术补充将让这类研究更加完整。应用启发对递送颗粒设计的直接启发：如果目标是提高膜包裹与摄取概率，单纯改变几何形状还不够，还必须同时考虑膜刚性、局部链堆积状态以及粒子表面在变形后的黏附性变化。对后续模型构建的启发：这篇文章提示，研究软颗粒摄取时，最好把粒子柔软度、壳层重排和界面黏附的可变性一起纳入，而不是继续沿用固定黏附强度的刚性粒子近似。结语：这篇文章最有价值的地方不只是发现椭球粒子更容易被深度包裹，而是进一步猜想：一旦颗粒是软的、可变形的，黏附能本身也会成为随形状变化的变量。这正是实验结果能偏离传统包裹理论预测的关键。所以能不能补充实验来证明那个“形状依赖的粘附能”是确有其事？分子模拟能够做吗？胆固醇这么硬的反倒导致粒子喜欢“平躺”，即使是个“长条”，似乎disprove了我们的观点，但是又说如果真能垂直又确实有利于被包裹，又算是个可能的印证。。。

Specific Sytems · 2026-03-19

膜通透化的分子动力学模拟（上篇）：方法学与机制综述

【综述】膜通透化的分子动力学模拟（上篇）：方法学与机制系列说明：本文是膜通透化MD模拟综述的上篇，涵盖方法学、机制分类和未来展望。下篇为案例研究文档，深入分析具体antimicrobial peptides (AMPs) 和pore-forming toxins (PFTs) 的分子机制。本文信息标题：膜通透化的分子动力学模拟：抗菌肽与成孔蛋白的研究现状作者：Sofia Cresca, Jure Borovšek, Alessandra Magistrato, Igor Križaj 发表时间：2026年2月单位：Consiglio Nazionale delle Ricerche (CNR)-IOM, 意大利；其他单位信息见原文引用格式：Cresca, S., Borovšek, J., Magistrato, A., & Križaj, I. (2026). Current Status of Molecular Dynamics Simulations of Membrane Permeabilization by Antimicrobial Peptides and Pore-Forming Proteins: A Review. Journal of Chemical Information and Modeling, 66(6), 1982-2005. https://doi.org/10.1021/acs.jcim.5c02731 摘要分子动力学模拟已成为研究antimicrobial peptides (AMPs, 抗菌肽) 和pore-forming toxins (PFTs, 成孔蛋白) 诱导膜通透化机制的重要工具。本综述系统总结了AMPs和PFTs的主要作用机制，包括成孔机制（桶板模型和环形孔模型）和非成孔机制（地毯模型和聚集模型），以及全原子和粗粒化模拟在这些研究中的优势与局限。我们详细讨论了增强采样技术在克服时间尺度限制中的应用，并通过代表性案例研究展示了MD模拟如何揭示孔道形成的分子机制。最后，我们探讨了当前面临的主要挑战，如力场精度、生物膜的复杂性以及稀有事件采样，并展望了人工智能和机器学习在膜通透化研究中的应用前景。核心结论 MD模拟已成为研究膜通透化的不可或缺工具，能够提供原子级分辨率的过程信息，填补实验方法的空白全原子和粗粒化模拟各有优势，多尺度工作流程结合两者优势，能够在大系统和长时间尺度下研究膜通透化过程增强采样技术（如伞形采样、元动力学、副本交换）能够克服时间尺度限制，计算孔道形成的自由能景观 AMPs主要通过两种机制诱导膜通透化：桶板模型和环形孔模型，某些AMPs还可能采用地毯模型或聚集模型。值得注意的是，这些通透化机制并非AMPs独有，其他膜活性肽类（如病毒融合肽、细胞穿膜肽）也采用相似的原理 PFTs分为α-PFTs和β-PFTs，两者在寡聚化时机、构象变化程度和孔道结构上存在显著差异未来挑战包括力场精度提升、生物膜复杂性建模以及AI/ML技术的应用图形摘要：膜通透化研究的核心问题与计算路线。该图强调抗菌肽与成孔蛋白作为生物问题入口，分子动力学模拟与增强采样是机制解析的核心路径，并连接理性设计、结构预测与潜在应用。引言：为什么研究膜通透化？生物膜是所有活细胞的基本组成部分，它们作为动态屏障定义细胞边界、区隔化细胞器并调节物质运输。生物膜的选择性透过性是维持细胞稳态的关键，它建立了电化学梯度，为能量生产和基本的细胞过程（如营养摄取和废物排出）提供必要的驱动力。然而，这种选择性透过性可能被多种肽和蛋白质破坏，主要包括抗菌肽和成孔蛋白/毒素。这些分子通过多种机制诱导膜通透化，从形成明确的孔道到更微妙的双层结构破坏。理解膜完整性破坏的分子机制对于开发新型医疗、生物技术和农业应用工具至关重要。生物膜的基本结构与功能生物膜主要由磷脂双层构成，磷脂分子具有两亲性特征：亲水头部朝向水相，疏水尾部相互聚集形成双层核心。这种自组装结构创造了厚度约5-10 nm的疏水屏障，能够有效阻挡极性分子和离子的自由通过。生物膜展现出复杂的动态性质，包括流动性、不对称性、微区域化（如脂筏）以及适应曲率变化的能力。膜通透化的生物学意义膜通透化在许多生物学过程中扮演重要角色，包括免疫防御（宿主细胞释放AMPs和MACPF家族蛋白）、细胞程序性死亡（Gasdermin蛋白介导的细胞焦亡）、细胞间通讯以及病原体攻击（细菌分泌PFTs）。然而，膜通透化过程失控时会导致严重的病理后果，如组织损伤、神经退行性疾病和心血管疾病。这个领域为什么重要？抗生素耐药性危机：世界卫生组织预测到2050年耐药感染可能成为全球头号死因，每年导致1000万人死亡。AMPs作为广谱抗菌剂，通过物理破坏膜结构来杀菌，不易诱导耐药性，是下一代抗生素的候选者毒素致病机制：细菌PFTs是许多病原体的关键毒力因子。理解其机制有助于开发抗毒素和新型疗法，如针对肺炎链球菌溶血素的中和抗体或小分子抑制剂生物技术应用：苏云金芽孢杆菌产生的Cry蛋白已广泛用作环保杀虫剂，某些成孔蛋白在食品工业中用作天然防腐剂。此外，细胞穿膜肽（CPPs）为大分子药物递送提供新策略，对基因治疗和癌症靶向治疗具有重要意义研究膜通透化的实验挑战膜通透化过程具有高度的瞬态和动态性质，孔道形成可能在纳秒到微秒时间尺度内完成，远快于大多数实验技术的时间分辨率。孔道结构存在多种中间态和构象，难以通过单一实验方法捕捉。此外，孔道的稳定性和结构特征高度依赖脂质组成、离子强度、pH值等因素，传统实验方法只能提供整体信息，难以揭示分子层面的细节。分子动力学模拟的独特优势分子动力学（MD）模拟作为不可或缺的补充工具，可以提供原子/分子水平的详细见解。 MD模拟可以记录孔道形成的每一步，从初始脂质扰动到孔道成核、扩张和稳定的全过程，跨越从纳秒到毫秒的时间尺度。 MD模拟揭示肽/蛋白-膜相互作用的精确细节，包括氨基酸残基与脂质的相互作用、水分子和离子的通过机制、膜厚度和曲率变化以及脂质翻转的动力学过程。 MD模拟可以填补实验方法的空白，为实验数据提供分子层面的解释。结合增强采样技术，MD模拟可以计算孔道形成的自由能景观，定量比较不同AMPs或PFTs的成孔能力。从全原子到粗粒化，MD模拟可以在不同分辨率下研究膜通透化过程，多尺度工作流程结合两者优势，提供全景式的理解。 MD模拟在膜通透化研究中的里程碑近年来，MD模拟在膜通透化研究领域取得了多项突破： 2008年：Sengupta等通过CG-MD首次揭示了AMPs形成环形孔的动态过程，开创了MD研究膜通透化的先河 2012年：Parton等采用多尺度模拟方法揭示了maculatin 1.1的渗透机制，展示了水如何通过肽聚集体渗透 2021年：Talandashti等详细阐述了pleurocidin的孔道形成机制，发现其倾向于形成环形孔或无序环形孔 2022年：Sun等发现了melittin形成两种不同孔道形态（T-pore和U-pore）的双重机制，取决于环境条件 2024年：Stephani等揭示了melittin与革兰氏阴性菌外膜相互作用的分子细节，为理解AMP对复杂膜的机制提供新见解膜通透化的分子机制：从AMP到PFT 抗菌肽的作用机制抗菌肽（AMPs）通常是小于50个氨基酸残基的小阳离子肽，具有两亲性特征。根据二级结构可分为α-螺旋AMPs（如melittin、magainin）、β-折叠AMPs（如defensins）、混合α/β或非α/β结构（如indolicidin）以及环状AMPs（如θ-defensins）。这些结构差异影响它们与膜的相互作用方式和通透化机制。AMPs诱导膜通透化的机制可分为两大类图1：AMPs诱导膜破坏的主要机制该图展示了抗菌肽（AMPs）诱导膜破坏的主要机制分类，箭头指示AMPs插入引起的膜变形方向和性质。以下表格详细对比4种机制的特征：这些机制并非互斥。例如：同一AMP可能采用多种机制：Melittin可根据肽浓度、脂质组成和初始构型形成T-pore（类环形孔）或U-pore（类桶板孔）机制不限于AMPs：病毒融合肽、细胞穿膜肽等其他膜活性肽类也采用相似的浓度依赖性寡聚化原理 AMPs的4种膜通透化机制对比特征桶板模型环形模型地毯模型聚集模型英文名称 Barrel-stave Toroidal pore Carpet Aggregate 肽取向近垂直（<30°）倾斜（30-60°）平行（≈90°）嵌入膜内，无序亲水面排列亲水侧向内形成孔道内壁亲水面朝向孔道内；阳离子氨基酸将脂质头基拉入核心形成水通路以平行取向覆盖膜表面极性残基形成连续水传导通路疏水面相互作用疏水侧向外与脂质相互作用肽和脂质头基共同构成孔道内壁疏水相互作用破坏膜完整性非极性残基与膜脂质酰基链相互作用孔道组成仅肽肽+脂质头基无孔道肽-脂质聚集体脂质排列脂质保持在双层中脂质连续弯曲穿过孔道膜整体崩塌成胶束脂质包装破坏孔径范围 1-2 nm 1-3 nm，动态变化无稳定孔道瞬态缺陷动态性相对稳定高度动态一次性崩塌瞬态、可逆形成能垒较高较低需要阈值浓度较低孔道稳定性稳定寡聚体动态稳定无孔道瞬态结构典型例子 Alamethicin, Gramicidin A Melittin, Magainin 2 Cecropin A, Dermaseptin Maculatin 1.1, Aurein 1.2 关键特征肽-肽相互作用稳定脂质持续翻转阈值触发机制瞬态缺陷通道通透性离子和小分子离子和小分子全面膜破坏水和离子可逆性不可逆部分可逆不可逆可能可逆注：以上4种机制并非互斥。同一AMP可能采用多种机制：Melittin可根据肽浓度、脂质组成和初始构型形成T-pore（类环形孔）或U-pore（类桶板孔）机制不限于AMPs：病毒融合肽、细胞穿膜肽等其他膜活性肽类也采用相似的浓度依赖性寡聚化原理形成类似孔道的结构我们的OP更像是环形模型？成孔蛋白/毒素的作用机制成孔蛋白/毒素（PFTs）是细菌、真菌、甚至哺乳动物自身产生的蛋白毒素，它们在靶细胞膜上形成孔道，导致离子失衡、代谢紊乱甚至细胞死亡。与AMPs相比，PFTs通常具有更复杂的结构和更精细的调控机制。 PFTs的基本结构特征包括：大小：通常200-800个氨基酸残基，比AMPs大一个数量级，这使得它们能够形成更复杂的孔道结构结构域组织：通常包含多个结构域，分别负责膜结合、寡聚化和孔道形成，各结构域协同工作实现精确调控前体形式：许多PFTs以无活性的前体形式分泌，需要蛋白酶切割激活，这防止了对产生者自身的毒性受体识别：特定PFTs识别膜表面的特定受体（如胆固醇、糖脂等），确保靶向特异性 α-成孔毒素与β-成孔毒素 PFTs根据结构特征和作用机制主要分为两类，以下表格详细对比其15个特征：特征 α-PFTs β-PFTs 膜结合方式单体直接插入膜内单体先在膜表面寡聚化寡聚化时机插入后寡聚化插入前寡聚化（形成前孔复合物）构象变化程度较小显著（α-螺旋→β-发夹，约150个残基）孔道结构 α-螺旋束 β-桶典型孔径 1-3 nm 10-30 nm 形成速度较快较慢（多步骤过程）孔道组成仅蛋白亚基仅蛋白亚基寡聚体大小可变通常固定（如7聚体、12聚体）前体形式通常无前体或需蛋白酶激活常以前体形式分泌，需蛋白酶切割激活方式构象变化激活蛋白酶切割+构象重排能垒较低（直接插入）较高（多步骤、大构象变化）孔道稳定性相对稳定高度稳定主要结构域膜结合结构域+孔道结构域受体识别结构域+寡聚化结构域+孔道结构域典型例子海葵毒素（如Equinatoxin II）、大肠菌素、溶细胞素A（ClyA）肺炎链球菌溶血素（Ply）、气单胞菌溶素前体、金黄色葡萄球菌α-溶血素生物学功能快速杀伤需要精确调控的毒性图2：PFTs的作用机制对比（α-PFTs vs β-PFTs）该图展示了两类成孔毒素/蛋白（PFTs）的作用机制差异，浅黄色脂质代表膜内的特定脂质种类（如胆固醇、磷脂酰丝氨酸等），作为PFTs与质膜结合的受体位点，这种机制差异决定了不同PFTs的细胞毒性、宿主范围和生物学功能：子图A：α-PFTs机制，可溶性单体直接插入膜内，插入后逐步寡聚化形成孔道，寡聚化时机在膜插入之后，构象变化相对较小，典型的如海葵毒素（Equinatoxin II）、大肠菌素、溶细胞素A（ClyA）等采用这种机制，能够快速形成孔道子图B：β-PFTs机制，单体首先在膜表面寡聚化形成前孔复合物，随后发生显著的构象重排插入膜内，寡聚化时机在膜插入之前，经历大幅度构象变化（α-螺旋转化为β-发夹），典型的如肺炎链球菌溶血素（Ply）、气单胞菌溶素前体、金黄色葡萄球菌α-溶血素等，这种多步骤机制降低了初始结合的能垒哺乳动物自身的成孔蛋白哺乳动物细胞也利用成孔蛋白来执行重要生理功能，如免疫防御（MACPF家族，补体系统）、细胞焦亡（Gasdermin家族）和细胞凋亡（BCL-2家族）。这些蛋白在正常情况下受到严格调控，但在病理条件下可能过度激活导致组织损伤。 MACPF/CDC超家族膜攻击复合物/穿孔素（MACPF）家族是哺乳动物最重要的成孔蛋白家族之一，包括：补体成分（C6-C9）：形成膜攻击复合物（MAC），在病原体膜上打孔穿孔素（Perforin）：由细胞毒性T细胞和NK细胞释放，在靶细胞膜上形成孔道 Gasdermins：介导细胞焦亡。哺乳动物成孔蛋白的活性受到严格调控：空间隔离：蛋白前体与激活酶分开储存蛋白酶切割：需要特定蛋白酶切割激活 pH依赖性：某些蛋白仅在特定pH下激活辅助因子：需要钙离子或其他辅助因子。图3：哺乳动物成孔蛋白（PFP）家族的带状表示该图展示了哺乳动物成孔蛋白（PFP）家族的结构多样性，每个面板从左到右分别展示了可溶性单体、插入质膜（PM）的蛋白原体以及完整孔道（侧面和顶视图），这些结构展示了从α-螺旋到β-桶的多种孔道形成机制：家族代表蛋白生物学功能孔道特征 A）MACPF/CDC家族气单胞菌溶素、胆固醇依赖性溶素免疫防御，在补体系统和穿孔素途径中发挥作用形成大孔道（直径>10 nm），快速破坏靶细胞膜 B）Gasdermin家族 GSDMD 介导细胞焦亡（pyroptosis）形成超大孔道（直径10-20 nm），释放炎性细胞因子如IL-1β C）BCL-2家族 BAX、Bak 调控线粒体外膜通透性，介导细胞凋亡在线粒体外膜形成孔道，释放细胞色素c等促凋亡因子 D）Actinoporin家族 FraC 由海洋生物产生的成孔蛋白展示了从α-螺旋到β-桶的结构转变，揭示了哺乳动物成孔蛋白的结构多样性和功能复杂性分子动力学模拟方法学 MD模拟的独特优势 MD模拟在研究膜通透化方面具有独特优势，能够解决实验方法难以应对的挑战：记录孔道形成的全过程：MD模拟可以记录孔道形成的每一步，包括初始脂质扰动、孔道成核、孔道扩张和稳定过程，跨越从纳秒到毫秒的时间尺度揭示分子层面的相互作用：MD模拟揭示肽/蛋白-膜相互作用的精确分子细节，包括氨基酸残基与脂质的相互作用、水分子的结构和动力学、离子选择性机制、膜厚度和曲率变化以及脂质翻转过程填补实验方法的空白：这些分子层面的信息对于理解膜通透化的物理机制至关重要，也是实验方法难以直接获得的，MD模拟能够为实验数据提供分子层面的解释例如，MD模拟与实验方法形成互补：实验方法可提供信息 MD模拟的补充作用电生理测量孔道电导特征、离子选择性揭示孔道内水分子排列、离子水合状态、脂质取向，解释电导的分子来源荧光光谱膜完整性破坏、染料泄漏展示孔道形成的具体过程和结构特征 EPR光谱肽取向和动力学信息原子级分辨率展示肽-膜相互作用的细节 Cryo-EM 孔道高分辨率静态结构揭示孔道形成的动力学过程和能量景观结合增强采样技术，MD模拟可以计算孔道形成的自由能景观，定量比较不同AMPs或PFTs的成孔能力。例如：伞形采样（umbrella sampling）：计算沿反应坐标（如孔径、肽插入深度、膜厚度）的自由能变化，预测孔道的稳定性和形成概率 Metadynamics：探索多维自由能面，识别孔道形成的关键路径和中间态自适应偏置力（ABF）：沿反应坐标施加偏置力以克服能垒，同时保证采样均匀性。通过这些方法，可以计算孔道形成的能垒、孔道的相对稳定性、不同构象态之间的自由能差异等关键热力学量，为理解膜通透化的热力学驱动力提供定量基础。模拟分辨率的选择：全原子 vs 粗粒化从全原子到粗粒化，MD模拟可以在不同分辨率下研究膜通透化过程： AA-MD：提供高精度细节，能够精确描述蛋白质-脂质相互作用、水介导的氢键网络、离子效应、质子化状态 CG-MD：允许研究大系统和长时间尺度过程，如多肽寡聚化、大孔道形成、膜曲率变化、脂质相分离选择合适的模拟分辨率是MD研究膜通透化的关键决策。不同分辨率在时间尺度、系统尺寸、计算成本和物理细节之间提供不同的平衡。图4：Actinoporin-膜复合物的全原子与粗粒化表示对比该图展示了Actinoporin-膜复合物（PDB ID: 4TSY）在不同分辨率下的概念性可视化，两个面板都使用范德华表面表示以突出结构复杂性差异，这种多尺度方法使研究者能够在计算效率和物理精度之间找到最佳平衡：子图A：全原子（AA）表示，使用CHARMM-GUI接口生成，清晰展示所有原子细节，包括水分子、离子和脂质的每个原子，提供最高分辨率的结构信息，能够精确描述氢键网络、水合结构、质子化状态以及特定的脂质-蛋白质相互作用，颜色说明：Actinoporin蛋白显示为黄色，便于识别蛋白的三维结构和空间取向子图B：粗粒化（CG）表示，在MARTINI框架内构建，每个珠粒代表4个重原子，大幅简化系统但保留主要相互作用特征，显著提升计算效率，可研究更大系统和更长时间尺度过程，颜色说明：胆固醇显示为粉色，POPC脂质显示为浅蓝色，清晰展示了蛋白与膜的相互作用界面，有助于理解膜环境对蛋白结构的影响特征全原子MD（AA-MD）粗粒化MD（CG-MD）分辨率保留所有原子细节原子组映射为珠粒时间尺度纳秒-微秒（常规可达几十微秒）微秒-毫秒（可达毫秒级）系统尺寸数百万原子数百万珠粒（对应更多原子）时间步长 1-2 fs 20-40 fs 计算成本极高（需要GPU加速）大幅降低优势高精度，能描述氢键、水合结构、质子化可观察稀有事件、大规模膜重组、寡聚化局限难以捕捉自发孔道形成；系统尺寸受限丢失原子细节；力场精度较低；「黏性」问题（过度稳定蛋白-脂质相互作用，亦称sticky problem）适用场景蛋白-膜结合识别、预成孔稳定性、特定脂质相互作用多肽寡聚化、孔道成核、膜曲率变化、脂质相分离注：以上表格和说明列出了AA-MD和CG-MD的主要特征对比。实际应用中，应根据研究问题的具体需求选择合适的分辨率，或采用下述多尺度策略结合两者优势。方法选择细节 AA-MD常用力场：CHARMM36(m)、AMBER+Lipid21、SLipids、OPLS-AA等，不同力场对膜性质和蛋白-脂质相互作用的描述精度不同。 CG-MD常用力场：MARTINI 3.0、SPICA、SIRAH等，其中MARTINI是最广泛使用的CG力场，采用4重原子映射为1个珠粒的方案。选择合适的模拟分辨率应该基于具体的研究问题：研究问题推荐方法理由肽-膜初始识别和结合 AA-MD 需要精确的氢键和静电相互作用孔道稳定性评估 AA-MD 需要原子级结构细节离子选择性机制 AA-MD 需要精确的离子-孔道相互作用质子化状态效应 AA-MD 需要精确的质子化状态描述自发孔道成核 CG-MD 需要长时间尺度和大规模系统多肽寡聚化过程 CG-MD 需要观察多个肽的组装过程膜曲率变化 CG-MD 需要研究大尺度膜形变变体筛选 CG-MD 需要高通量计算能力多尺度模拟策略：结合两者优势最佳实践是采用多尺度工作流程：先用CG模拟快速探索孔道形成和集体行为，识别关键中间体和转变路径；然后将CG构象反向映射（backmapping）回AA分辨率，进行结构细化并分析详细的相互作用。这种策略兼具效率和精度：CG模拟快速覆盖大构象空间，AA模拟提供高分辨率细节。 1. CG探索阶段构建CG模型系统（包含大量脂质和多个肽/蛋白），使用MARTINI等粗粒化力场运行长时间CG模拟，利用CG的时间步长优势加速模拟，能够观察自发孔道形成等稀有事件观察肽寡聚化、孔道成核、孔道扩张等过程，记录关键中间态的结构特征和转变时间点，识别关键构象态和转变路径 2. 构象选择与反向映射从CG轨迹中选择代表性构象（如寡聚体、孔道中间态、稳定孔道等），确保覆盖所有重要的构象态和转变路径基于结构特征（如肽取向、孔径、脂质排列）选择代表性构象将CG构象反向映射（backmapping）回AA分辨率，恢复原子级细节优化结构以消除可能的不合理几何构型添加水分子和离子以满足生理条件并平衡系统电荷 3. AA模拟与分析对选定的构象运行AA模拟，使用CHARMM36m或AMBER Lipid21等全原子力场，精确描述分子相互作用分析详细的相互作用（氢键、盐桥、水合结构），识别关键的残基-脂质相互作用和水分子的介导作用计算孔道稳定性（如RMSD、孔径随时间变化）如需要，进行增强采样以计算自由能，使用伞形采样或Metadynamics等方法计算孔道形成的自由能景观 4. 整合分析结合CG和AA结果构建完整的膜通透化机制图，CG提供长时间尺度和全局构象变化信息，AA提供分子细节和精确的相互作用信息通过多尺度整合，揭示从初始肽-膜结合到孔道成核、扩张和稳定的完整动力学过程定量比较不同突变、脂质组成或环境条件对孔道形成的影响案例研究：Richardson等人（2024）该研究采用多尺度策略研究不同AMPs的孔道形成机制：方法：他们首先用CG模拟观察melittin、aurein 1.2和magainin 2诱导孔道形成，然后将CG构象反向映射到AA分辨率，应用伞形采样计算自由能面关键发现： Melittin最有效地降低孔道成核能垒，促进特征性环形孔形成 Magainin 2和aurein 1.2效应较小，孔道排列更无序科学意义：为理解AMPs的构效关系提供了分子基础，展示了多尺度方法的强大能力多尺度模拟也面临一些挑战：反向映射的准确性：CG到AA的映射可能产生不合理的原子位置，需要结构优化时间尺度的连续性：AA模拟时间通常短于CG模拟，可能无法观察到CG中的某些转变力场的兼容性：CG和AA使用不同力场，可能影响构象偏好计算成本：多个AA模拟仍需要大量计算资源增强采样技术：克服时间尺度限制膜通透化过程中的许多关键事件是稀有事件，这意味着它们发生的自由能垒很高，在常规MD模拟的时间尺度内难以观察到。这些稀有事件包括：脂质孔道的形成可能需要毫秒级时间，远超常规AA-MD的能力多肽组装成孔道涉及多个中间体，每个寡聚化步骤都可能存在能垒 β-PFT的前孔到孔道转变涉及大幅度构象变化在有限的模拟时间内，系统可能被困在局部自由能最小值中，无法充分采样相空间。这种现象被称为“准非遍历性”（quasi-non-ergodicity），导致模拟结果无法代表系统的真实统计行为。增强采样技术旨在克服这些限制，通过修改采样分布或使用广义系综策略来增强相空间探索。增强采样技术对比由于孔道形成是稀有事件，需要使用增强采样技术来加速构象探索。以下表格对比了4种主要增强采样技术的原理、优势、局限和适用场景：增强采样技术原理优势局限适用场景伞形采样沿反应坐标施加谐振势，多窗口采样精确计算自由能；结果物理意义明确需预先知道反应坐标；计算成本高计算肽插入自由能；量化孔道成核能垒 Metadynamics 沿CV施加历史高斯偏置势，迫使系统探索新构象不需预先知道精确路径；可探索多维自由能面 CV选择影响质量；收敛性评估困难发现未知中间态；探索复杂自由能面副本交换MD 多个副本在不同温度/Hamilton量下运行并交换不需选择CV；保证正确统计采样计算成本随系统尺寸剧增；交换接受率可能低肽折叠和膜结合；温度依赖性现象适应性偏置力（ABF）沿CV施加与平均力相反的偏置力获得连续自由能剖面；不需预定义窗口对CV质量要求高；复杂CV难收敛离子穿孔道过程；构象转变路径分析成孔集体变量：成核CV 为了量化孔道形成过程，研究者设计了专门的集体变量（CV）来描述孔道成核和扩张。成核CV（nucleation CV, $\xi$）是近年来发展的重要方法，通过统计跨膜圆柱内的水和脂质分布来表征孔道形成程度。往期参考阅读：https://mp.weixin.qq.com/s/iywYMimfqn9BWNqvaxfoTw 图7：用于研究孔道形成的集体变量（CV）设计该图展示了用于量化孔道形成过程的集体变量（CV）设计方法，为定量研究孔道形成的自由能景观提供了强大工具：子图A：成核CV（$\xi$）的定义与应用，$\xi$通过一个跨膜圆柱来定义，该圆柱具有半径$R$并被分为$N_s$个切片，通过统计圆柱内水分子氧原子（蓝色）和脂质头基（红色）的占比来表征孔道形成程度，低$\xi$值（$\approx 0.2$）代表完整膜，中等$\xi$值（$0.2-0.7$）表示膜开始出现缺陷，高$\xi$值（$>0.7$）代表膜缺陷显著，$\xi \approx 1$表示完整孔道已形成，这些组分在圆柱内的增加驱动膜从完整状态向膜缺陷和完整孔道转变子图B：两种CV策略对比与选择，”Full-path” CV分为描述孔道缺陷（成核）和孔道扩张两个部分，完整覆盖孔道形成的全过程；”Rapid” CV模拟”无限”环形孔，孔道尺寸由模拟盒大小控制，适合快速评估孔道稳定性最佳实践建议根据PDF原文的Table 1，以下是MD模拟膜通透化的最佳实践建议：方法组件最佳实践分辨率选择根据生物学过程和相关时间/空间尺度选择：AA-MD用于初始蛋白-膜结合、特定脂-蛋白相互作用、预成孔稳定性评估；CG-MD用于自发孔道成核、协同肽组装、大尺度膜变形等稀有事件。可行时采用多尺度工作流程：用CG探索孔道形成和集体行为，然后反向映射到AA分辨率进行结构细化力场选择脂质力场应准确重现关键双层性质（面积/脂质、厚度、序参数）并匹配膜的化学复杂性。AA用CHARMM36(m)、AMBER+Lipid21、SLipids；CG用MARTINI 3.0 增强采样选择能描述孔道形成关键自由度的集体变量（CV），如孔径、脂质有序参数、肽-膜距离、多肽倾斜角等分析验证结合实验数据（EPR、NMR、荧光光谱、电生理测量等）验证模拟结果系列文档：上篇：方法学与机制综述下篇：案例研究与机制解析

Specific Sytems · 2026-03-09

细菌孕酮5β-还原酶的底物选择性调控与5β-二氢类固醇的高效合成

细菌孕酮5β-还原酶的底物选择性调控与5β-二氢类固醇的高效合成本文信息标题：Engineered Bacterial Progesterone 5β-Reductase: Tunable Substrate Preference and Synthesis of 5β-Dihydrosteroids 作者：Changli Che, Wenhe Zhang, Xiao Qiu, Qingyu Wang, Lichun Tang, Bin Qin, Xian Jia, Song You 发表时间: 2025年9月16日单位：沈阳药科大学生命科学与生物制药学院、药物工程学院、伍亚创新学院（中国）引用格式：Che, C., Zhang, W., Qiu, X., Wang, Q., Tang, L., Qin, B., Jia, X., & You, S. (2025). Engineered Bacterial Progesterone 5β-Reductase: Tunable Substrate Preference and Synthesis of 5β-Dihydrosteroids. ACS Catalysis, 15, 16560-16573. https://doi.org/10.1021/acscatal.5c04685 摘要类固醇在5β位置的立体选择性氢化是类固醇药物合成中的关键步骤。然而，现有植物孕酮5β-还原酶（P5βR）和动物来源的类固醇5β-还原酶存在催化效率低和异源表达水平差的问题，限制了其实际应用。为了拓展5β-二氢类固醇的酶法合成途径，本研究首次从细菌中挖掘了P5βR，并研究了其对孕酮和8-氧香叶醛的催化活性。与植物来源的PRISE（孕酮5β-还原酶和/或鸢尾苷合成酶样1,4-烯酮还原酶）类似，细菌P5βR尽管保持高度保守的蛋白序列和结构架构，但表现出不同的底物偏好。通过整合序列-结构比较分析，研究者识别了控制底物选择性的构象开关，实现了细菌P5βR底物偏好的精准调控。分子动力学模拟结果表明，突变体M1能够打开底物结合口袋内的cavity B，使线性底物8-氧香叶醛稳定结合。本研究首次证明细菌P5βR可通过单点突变实现底物偏好的程控反转。此外，研究者提出了一种基于底物特征的理性策略，进一步增强了细菌P5βR对类固醇的催化活性。最优突变体LpP5βR-M5对孕酮的催化效率比野生型提高了700倍以上。准工业化的反应体系在2小时内几乎完全转化28 g/L孕酮并实现330 g/L·d的时空产率，标志着5β-二氢类固醇绿色合成进入可放大阶段。本研究不仅阐明了细菌P5βR的结构-功能关系，还开创了5β-二氢类固醇合成的环境友好型生物催化途径。核心结论细菌来源P5βR全面挖掘：首次从细菌中成功获得孕酮5β-还原酶集合，并同步解决植物/动物同源酶可溶表达差的瓶颈保守骨架孕育新底物偏好：尽管整体折叠与PRISE高度保守，细菌P5βR展现与植物体系截然不同的底物特异性 H307构象开关实现偏好反转：单点突变即可通过cavity B门控调节，实现孕酮与8-氧香叶醛之间的底物选择性切换理性工程显著提升动力学参数：面向空间位阻与疏水性需求的组合突变将催化效率提升至773倍，对应$k_\text{cat}/K_\text{m}=348.4\,\mathrm{mM^{-1}\,min^{-1}}$ 准工业化反应体系验证放大潜力：28 g/L孕酮在2小时内完成高立体选择性转化并达到330 g/L·d时空产率，为绿色工业化提供直接路径。背景类固醇Δ4,5-双键的立体选择性β面氢化能够形成具有A/B环顺式稠合构象的5β-二氢类固醇。这一转化在强心苷和胆汁酸的生物合成途径中具有关键意义。5β-二氢类固醇决定着强心苷与胆汁酸的终端产量，因此任何调控Δ4,5双键氢化的酶都直接关系到药物供应链的安全。尽管对动物和植物来源的同源酶进行了广泛研究，但微生物来源的催化该反应的酶仍未被表征。动物来源的类固醇5β-还原酶（如AKR1D1和AKR1D2）是类固醇激素代谢和胆汁酸合成的必需酶，属于醛酮还原酶（AKR）超家族，采用其特征性的(α/β)8-桶状结构。在植物中，孕酮5β-还原酶（P5βR, EC 1.3.99.6）最早从洋地黄叶片中纯化，参与强心苷的生物合成。与动物类固醇5β-还原酶不同，植物来源的P5βR由于关键催化残基的差异而属于短链脱氢酶/还原酶（SDR）的特殊类别。动物AKR与植物SDR在催化骨架和辅酶识别上的根本差异，凸显了跨界挖掘全新催化架构的紧迫性。植物P5βR和鸢尾苷合成酶（IS）共享高度的序列和结构同一性，IS活性也被证实广泛存在于植物P5βR中，因此它们被统称为VEP1编码的孕酮5β-还原酶/鸢尾苷合成酶（PRISE）。尽管PRISE家族酶具有几乎无法区分的结构和相似的催化机制，但P5βR和IS表现出明显不同的底物特异性。 5β-二氢类固醇作为众多生物活性分子和药物的关键中间体，包括强心苷类药物地高辛（Digoxin）、蟾毒灵（Bufallin）、胆汁酸衍生物鹅去氧胆酸（Chenodeoxycholic acid）以及新型抗抑郁药zuranolone等。然而，现有类固醇5β-脱氢酶在大肠杆菌中异源表达效率低、对Δ4,5-3-酮类固醇的催化性能欠佳，限制了其在5β-二氢类固醇合成中的实际应用。尽管许多研究尝试通过基因挖掘或工程化改进类固醇5β-脱氢酶的催化活性，但至今仍未开发出可工业化规模的生物催化工艺。因此，工业合成5β-还原酶主要依赖传统化学方法。然而，类固醇Δ4,5-双键的立体选择性和区域选择性还原对化学合成是一个挑战，硼氢化物的使用更倾向于还原3-酮基。最广泛采用的化学方法涉及钯催化氢化（Pd/C或Pd/CaCO3），但通常只能达到约50%的立体选择性，且不同类固醇底物之间存在显著差异。传统氢化工艺在立体纯度、成本与环境负担之间的矛盾，逼迫行业寻求可放大的生物催化替代方案。实现更高的立体选择性需要费力优化反应溶剂和催化剂配方，显著增加了生产成本并限制了商业可行性。图1：5β-二氢类固醇合成的现状与本研究定位 (a) 合成方法对比：左侧展示类固醇Δ4,5-双键的立体选择性β面氢化反应；右侧对比传统化学法（Pd/C催化加氢，需有机溶剂，立体选择性仅约50%）与酶法（SDR/AKR/P5βR，水相反应，立体选择性>99%）。关键信息：标注”Bacterial P5βR - Underexplored”点明本研究切入点 (b) 天然产物与药物应用：展示6个重要的5β-二氢类固醇分子，蓝色氢原子标记β构型：强心苷类：地高辛（Digoxin）、毛地黄毒苷（Digitoxin）新型神经活性药物：Zuranolone、Bufallin 胆汁酸类：鹅去氧胆酸（Chenodeoxycholic acid）、熊去氧胆酸（Ursodeoxycholic acid） (c) 已知PRISE催化反应：植物来源的PRISE家族催化孕酮（1a）生成5β-孕烷-3,20-二酮（2a），或催化8-氧香叶醛（1b）生成鸢尾苷前体（nepetalactol + iridodial） (d) 本研究发现：细菌P5βR（紫色蛋白结构）同样催化1a生成2a，但对1b的催化产物为diquatdial（2b）和6,7-二氢-10-氧香叶醛（2b’），产物路线与PRISE不同关键科学问题异源表达瓶颈：现有植物P5βR和动物类固醇5β-还原酶在大肠杆菌中可溶性表达水平低，难以满足工业化应用需求催化效率低下：野生型P5βR对孕酮等类固醇底物的催化活性不足，限制了酶法合成的经济可行性底物选择性机制不明：PRISE家族酶的底物特异性决定因素尚未阐明，阻碍了理性设计和底物范围拓展工业化应用缺失：缺乏可工业化规模生产5β-二氢类固醇的环境友好型生物催化工艺创新点首次挖掘细菌P5βR：以植物P5βR为探针，从NCBI数据库中挖掘了10个细菌来源的P5βR，解决了异源表达问题揭示底物选择性开关：通过序列-结构比较分析，识别了H307位点作为控制底物偏好的构象开关，单点突变即可反转底物选择性底物特征导向的理性设计：提出了基于底物特性（大空间位阻和疏水性）的工程策略，系统性提升了对类固醇的催化活性分子机制深入解析：结合分子对接、分子动力学模拟和腔体分析，阐明了突变体活性提升的结构基础实现克级规模制备：最优突变体LpP5βR-M5实现了28 g/L孕酮的高效转化（STY 330 g/L·d），为工业化应用提供了可行方案研究内容基因挖掘与细菌P5βR的活性测定为了克服植物P5βR和动物类固醇5β-脱氢酶异源表达差的障碍，研究者采用基因挖掘技术从细菌中搜索潜在的P5βR。首先，以洋地黄（Digitalis lanata）的经典DlP5βR和拟南芥（Arabidopsis thaliana）的AtP5βR为探针，在NCBI数据库中搜索了序列同一性最高的前100个细菌P5βR序列。所有序列在NCBI数据库中均被预测为SDR家族的氧化还原酶。随后，基于植物P5βR的六个特征性保守基序（32GXTGIXG40、59GXXRR65、80DXXD85、143TGXKHYXGP153、176NFYYXXED185、197WSVHRP204）进行序列筛选。最终选择了约20个符合标准的候选序列。为了提高基因挖掘的成功率，研究者使用邻接算法（Neighbor-Joining Algorithm）构建了系统发育树，并分析了序列同一性。最终选择了10个序列进行基因合成。 graph TB Start["基因挖掘策略"] --> S1 subgraph S1["1.序列搜索与筛选"] direction LR A1["以DlP5βR和AtP5βR 为探针搜索NCBI"] --> A2["获得前100个 细菌序列"] A2 --> A3["基于6个保守基序 筛选候选序列"] A3 --> A4["构建系统发育树 选择10个基因合成"] end S1 --> S2 subgraph S2["2.异源表达与活性测定"] direction LR B1["克隆至pET-28a载体 大肠杆菌表达"] --> B2["SDS-PAGE分析 LpP5βR表达量最高"] B2 --> B3["Ni-NTA纯化 活性测定"] end S2 --> S3 subgraph S3["3.底物特异性发现"] direction LR C1["孕酮1a 所有P5βR有活性"] --> C2["8-氧香叶醛1b 仅RbP5βR有活性"] C2 --> C3["产物鉴定 2b和2b'"] end S3 --> Result["发现：细菌P5βR 具有显著底物特异性"] 这些基因广泛分布于不同的细菌科，与DlP5βR和AtP5βR的序列同一性为35-42%，彼此之间的序列同一性为45-86%。合成基因克隆至pET-28a(+)载体，在大肠杆菌BL21(DE3)中表达。SDS-PAGE结果显示，这些酶的可溶性表达差异很大，其中LpP5βR的可溶性表达量最高（来源于Lichenihabitans psoromatis）。活性测定结果令人惊喜：所有纯化的酶均表现出P5βR催化活性，能够立体选择性地还原孕酮（1a）的Δ4,5-双键形成5β-孕烷-3,20-二酮（2a）。其中，LwP5βR、GbP5βR和LpP5βR的催化活性较高，转化率超过20%。值得注意的是，与植物PRISE家族类似，细菌P5βR也依赖NADPH而非NADH作为辅酶，这归因于细菌P5βR具有与PRISE家族类似的辅酶结合口袋。为了探索细菌P5βR是否像PRISE一样具有鸢尾苷合成酶活性，研究者以8-氧香叶醛（1b）作为底物进行活性测试。结果显示，细菌P5βR对1b普遍没有可检测的催化活性，只有RbP5βR表现出例外的催化活性（来源于Rhodobacteraceae bacterium）。产物经GC、MS和NMR鉴定为diquatdial（2b）和6,7-二氢-10-氧香叶醛（2b’），这与PRISE的催化产物不同，而与真菌还原酶EasA（来自Aspergillus fumigatus）的催化产物相同。推测在细菌P5βR催化过程中，氢负离子攻击1b的C6位而非C3位。图2：细菌P5βR的基因挖掘与活性鉴定全景图 (a) 系统发育树：以植物DlP5βR和AtP5βR为探针，从NCBI筛选出的P5βR序列构建邻接树。红色标记为本研究合成并验证的10个细菌P5βR（来自蓝色区域的细菌分支），橙色为植物PRISE，灰色为动物类固醇5β-还原酶。树的尺度条表示0.54的进化距离 (b) 底物特异性测试：柱状图展示10个细菌P5βR对孕酮（1a，蓝色柱）和8-氧香叶醛（1b，紫色柱）的转化率。关键发现：大多数P5βR偏好1a（蓝色柱高），仅RbP5βR对1b有显著活性（紫色柱高） (c) 可溶性表达差异：SDS-PAGE凝胶电泳图。灰色背景柱代表不同底物组合（diquatdial、6,7-二氢-10-氧香叶醛、8-氧香叶醛），橙色柱标记LpP5βR对1a的高转化率（>25%），显著高于其他P5βR (d) 催化产物示意：上方为PRISE家族催化1b的产物（8-氧香叶醛→鸢尾苷前体），下方为细菌P5βR催化的产物路线（8-氧香叶醛→diquatdial + 6,7-二氢-10-氧香叶醛） (e) GC色谱验证：时间-强度曲线显示无酶对照、RbP5βR反应和标准品的峰位对比，证实产物身份细菌P5βR的底物特异性调控挖掘的10个细菌P5βR在催化1b和1a时表现出显著的底物特异性：RbP5βR偏好催化线性底物1b而非1a，而其他P5βR则偏好催化1a而非1b。为了实现细菌P5βR底物特异性的理性调控并寻找影响底物选择性的分子基础，研究者首先使用AlphaFold3获得了细菌P5βR与NADPH复合物的蛋白结构。分子动力学模拟方法为解析底物偏好反转与活性增强的结构机制，作者针对RbP5βR、LpP5βR及其M1、M5突变体开展了100 ns全原子MD模拟。所有体系在Schrödinger Release 2018-1环境中构建，采用OPLS3力场与SPC水模型，将蛋白-底物复合物置于正交水盒，并通过添加Na+/Cl−调节至pH 7.0并整体中和。每个体系先进行10 000步最陡下降能量最小化，随后在300 K、1.01325 bar的NPT系综下跑100 ns，轨迹每100 ps输出一次，以便统计氢键、距离、溶剂可及表面积和配体RMSD等指标。后处理统一借助Simulation Interaction Diagram模块，输出的接触占有率、SASA和结构快照构成了图4、图6及SI图S14-S19中氢键网络、Ligand-Contact-Diagram、SASA与RMSD分析的原始数据。结构比较显示，细菌P5βR的整体结构与植物来源的DlP5βR相似，均具有SDR家族的Rossmann折叠和延伸的C端结构域。DlP5βR关键催化残基（Y179和K147）位置的酪氨酸和赖氨酸在细菌P5βR中也存在，推测为细菌P5βR的关键催化残基。 LpP5βR-Y145F突变体对1a的催化活性几乎完全丧失，进一步证明了该残基参与细菌P5βR的催化。 K114A突变体对1a的催化活性增强，表明K114氨基酸侧链不参与催化，可能是K114骨架酰胺氮与底物形成氢键，稳定底物并促进质子转移。由于RbP5βR的底物特异性与其他挖掘的P5βR不同，研究者从序列和结构两方面分析了RbP5βR的特殊性。序列保守性分析显示，细菌P5βR底物结合口袋的氨基酸高度保守（L117、F120、Y123、M180、W306、H307、D311、R314），难以仅根据序列判断底物偏好。结构比较显示，细菌P5βR的底物结合口袋可分为主体cavity A和靠近辅酶向下延伸的cavity B。RbP5βR的cavity B明显长于其他P5βR，推测更大的cavity B对于细菌P5βR催化8-氧香叶醛至关重要。通过观察cavity B周围的残基，识别出残基H307能够直接影响cavity B的大小。图3：底物选择性的结构基础与H307门控开关 (a) 整体结构与保守骨架：左侧为RbP5βR-WT的AlphaFold3预测结构（浅蓝色ribbon），标注Rossmann fold（辅酶结合域）、N端和C端。右上插图展示Y179（对应LpP5βR的Y145）与NADPH、底物1a的空间位置关系。右侧底物结合口袋俯视图（紫蓝色表面）清晰显示水平延伸的cavity A和垂直向下的cavity B (b) 关键催化残基特写：Y179与底物1a的羰基氧形成氢键（红色虚线），K147起辅助稳定作用。柱状图显示不同P5βR的相对活性，RbP5βR（紫色柱）对1b活性最高 (c) 底物结合口袋的保守残基网络：棒状模型展示8个高度保守的残基（L117、F120、Y123、M180、W306、H307、D311、R314）围绕底物1a（白色骨架）。右侧sequence logo显示这些位点在PRISE家族中的保守性，H307位点几乎100%保守 (d) Cavity B的门控效应可视化：三个蛋白表面模型对比（RbP5βR-WT、LpP5βR-WT、LpP5βR-H307A）。黄色区域标记cavity B，红色圈标注H307/A307位置。关键量化：LpP5βR-M1的cavity B比WT增大**52.8 **Å3（从1213 Å3到1271 Å3） (e) H307突变体的底物选择性反转：柱状图显示5个突变体（H307A、H307V、H307L、H307I、H307F）对1a和1b的催化活性。H307A实现完全反转：对1b的活性从0提升至约60%，对1a的活性从80%降至20% (f) 底物谱系统测试：3D柱状图展示不同突变体对多种底物的转化率，验证H307A在拓宽底物范围中的作用为了验证这一假设，研究者对LpP5βR的H307进行了定点诱变（H307A、H307V、H307L、H307I），并测试了对1a和1b的催化活性。令人惊喜的是，LpP5βR-H307A（M1突变体）对1b的催化活性相比野生型显著提高，而对1a的催化活性降低。活性位点腔体体积测量显示，LpP5βR-M1比LpP5βR-WT的体积增加了52.8 Å3。突变体M1成功实现了底物特异性的反转，也证实了研究者的推测。随后，研究者在其他挖掘的P5βR上构建了M1突变体（LwP5βR-H307A、SsP5βR-H307A、GbP5βR-H311A、RbP5βR-H310A、AbP5βR-H306A、AcbP5βR-H309A、CbP5βR-H306A、TbP5βR-H311A），活性测试结果显示，所有突变体相比野生型都成功实现了底物特异性的改变。通过理性设计和工程化，研究者仅用单点突变就实现了细菌P5βR底物选择性的反转。为了进一步探索细菌P5βR底物偏好改变的潜在机制，研究者进行了分子对接和分子动力学（MD）模拟。首先，通过比较RbP5βR-WT和LpP5βR-WT与1b的催化过程，发现底物1b在RbP5βR-WT的底物结合口袋中稳定，但在LpP5βR-WT的底物结合口袋中不稳定。这可能是RbP5βR相比其他细菌P5βR-WT对1b有催化活性的原因。图4：底物结合稳定性的分子动力学证据（100 ns MD模拟）这是一个3列×5行的MD模拟快照网格，系统性地展示了底物1b在不同酶中的动力学行为：列布局（从左到右）：第1列 - RbP5βR-WT（米色蛋白表面）：天然对1b有活性的酶第2列 - LpP5βR-WT（白色蛋白表面）：野生型，对1b无活性第3列 - LpP5βR-M1（淡紫色蛋白表面）：H307A突变体，获得对1b的活性行布局（从上到下）时间序列：0 ns → 40 ns → 60 ns → 80 ns → 100 ns 关键观察：黄色棒状：底物1b的线性骨架标注残基：K117/K114（催化赖氨酸），Y148/Y145（质子给体），H310/H307/A307（门控残基） RbP5βR-WT（左列）：1b在整个100 ns过程中始终稳定地停留在活性位点，保持合适的催化距离 LpP5βR-WT（中列）：1b在模拟过程中逐渐偏离最佳催化位置，H307的咪唑环（粉色）形成空间冲突，导致底物无法稳定结合 LpP5βR-M1（右列）：H307A突变消除了空间位阻后，1b重新获得稳定的结合姿态，证明H307确实是控制底物选择性的门控开关通过理性设计扩大LpP5βR的cavity B后，1b能够在突变体LpP5βR-M1的底物结合口袋中形成合适的预反应构象，并在整个催化过程中保持稳定。307位高度保守的组氨酸充当门控开关，抑制对1b的催化活性。将该位点突变为丙氨酸使细菌P5βR的底物结合口袋更适合线性底物1b的稳定结合。作者在Discussion中特别强调，cavity B门控是细菌P5βR底物偏好反转的唯一开关，借助这一点既能解释RbP5βR对1b的天然适配，也能为植物PRISE体系提供结构参照。团队计划围绕该门控位点开展跨物种序列比对，构建能够预测未知P5βR/IS序列底物偏好的规则库，为后续精准控制底物选择性奠定基础。工程化细菌P5βR增强孕酮催化活性尽管通过基因挖掘识别的细菌P5βR能够立体选择性地还原1a为2a，但其对1a的催化活性普遍较低。为了克服现有P5βR的局限性并为5β-二氢类固醇合成提供潜在的生物催化剂，研究者对细菌P5βR进行了理性设计指导的结构工程。由于LpP5βR在大肠杆菌中表达量高且对1a有良好的催化活性，因此选择LpP5βR进行工程化。考虑到1a的性质（大空间位阻和疏水性），研究者制定了理性工程策略：将底物结合口袋中具有大空间位阻或极性的残基突变为具有小空间位阻的非极性氨基酸。通过观察LpP5βR的底物结合口袋，识别出F120、Y123、M180、H307和D311作为工程位点。其中F120和Y123位于底物通道入口，而M180、H307和D311更靠近辅酶。图5：理性设计策略与迭代工程优化路线 (a) 工程热点定位：LpP5βR-WT的活性位点放大图。紫色棒状标记5个候选突变位点：F120和Y123（底物通道入口），M180、H307、D311（靠近NADPH）。底物1a（白色骨架）和NADPH（橙色棒状）清晰可见 (b) 单点突变筛选结果：柱状图展示野生型和单突变体对1a的转化率（条件A：0.5 mg/mL酶，1 h反应）。紫色柱为突变体，灰色柱为对照。关键发现：M180V（M2）、M180I、H307L活性显著提升（>60%转化率），而D311I活性降低 (c) 组合突变的迭代优化：柱状图展示从单突变H307L到双突变M3（M180V/H307A）、三突变M4（M180V/H307A/D311I）、四突变M5（T170V/M180V/H307A/D311I）的活性递增。分级筛选条件：左侧虚线前用条件B（0.25 mg/mL），右侧用条件C（0.04 mg/mL，20 min）。M5在最严格条件下仍完全转化底物 (d) M5在不同P5βR上的普适性：3D柱状图展示8个不同细菌P5βR的野生型（浅色柱）vs M5突变体（深色柱）对1a的转化率。所有M5突变体均显著优于野生型，证明策略的广泛适用性 (e) 克级制备验证：反应方案展示NADPH/NADP+循环系统（BsGDH偶联葡萄糖氧化）。时间-转化率曲线显示28 g/L底物在2 h内达到>98%转化率，产率93% 这五个氨基酸被突变为具有小空间位阻的非极性氨基酸，如A、V、L、I、P。为了准确评估不同突变体的活性变化，研究者设计了三套分级筛选条件：条件A（野生型和单突变体）：0.5 mg/mL纯酶，1 h反应条件B（双/三突变体）：0.25 mg/mL纯酶，1 h反应条件C（四突变体）：0.04 mg/mL纯酶，20 min反应这种分级筛选策略的设计逻辑在于：随着突变累积导致活性不断提升，若继续使用高酶浓度和长反应时间，所有突变体都会达到完全转化，无法区分活性差异。因此必须逐步降低酶浓度并缩短反应时间，才能准确捕捉活性提升的梯度。突变结果显示，F120和Y123突变体的催化活性与野生型相差不大，而M180A、M180V（M2）、M180I、H307L和H307F的转化率显著提高。此外，D311I突变体的催化活性相比野生型显著降低。随后，构建了M180和H307的组合突变，发现突变体M180V/H307A（M3）和M180F/H307A相比单突变H307L的活性进一步提高。鉴于酶工程中上位效应的普遍性，研究者在M180/H307双突变体的基础上构建了D311突变。所得到的最优三突变体M180V/H307A/D311I（M4）在条件B下能够完全转化1a。为了进一步消除底物结合口袋中的不利作用力并提高LpP5βR对1a的催化活性，研究者在M4的基础上构建了K114、H169、T170、R314突变体。最终获得了催化活性最高的突变体T170V/M180V/H307A/D311I（M5），在条件C下能够完全转化底物。这意味着M5的活性是野生型的至少12.5倍（0.5/0.04），而实际催化效率提升达到773倍，说明不仅酶浓度可以大幅降低，催化速率也显著加快。为了测试理性工程策略是否普遍适用于细菌P5βR，研究者在其他挖掘的P5βR上引入了M5突变（LwP5βR-T170V/M180V/H307A/D311I、SsP5βR-T170V/M180V/H307A/D311I等）。活性测试显示，工程化P5βR的酶活性相比野生型显著提高。这些P5βR之间的低序列同一性表明，工程策略对不同细菌来源的P5βR具有广泛适用性。为了研究LpP5βR-M5的应用价值，研究者使用LpP5βR-M5粗酶液作为催化剂进行2a的不对称合成。反应体系采用NADPH作为辅酶，并耦合葡萄糖脱氢酶（GDH）循环系统实现辅酶再生。该GDH来源于枯草芽孢杆菌（Bacillus subtilis, BsGDH），对D-葡萄糖的催化活性约为10 U/mg（25°C）。辅酶循环的工作原理是：GDH将葡萄糖氧化为葡萄糖酸的同时将NADP+还原为NADPH，从而持续供给P5βR催化所需的还原当量，使得系统仅需催化量的NADP+（0.1 mM）即可维持反应进行。通过优化反应条件（包括助溶剂类型、底物浓度和辅酶浓度），确定了最佳反应条件：底物浓度：28 g/L（约90 mM）助溶剂：20% (v/v) DMSO 辅酶：0.1 mM NADP+（催化量）辅助底物：50 g/L葡萄糖（为GDH循环提供驱动力）酶用量：40 g/L湿菌体粗酶液（LpP5βR-M5）+ 5 g/L湿菌体粗酶液（BsGDH）反应温度：35°C，220 rpm 在100 mL规模的不对称还原反应中，1a的转化率在2小时内超过98%，时空产率（STY）高达330 g/L·d。最终通过硅胶柱层析纯化得到纯净的化合物2a（2.6 g，93%产率）。值得强调的是，28 g/L的底物负载和330 g/L·d的STY已接近工业生物催化的标准要求，而仅需0.1 mM的辅酶浓度大大降低了成本。 LpP5βR突变体活性增强的分子机制为了探索LpP5βR突变体对1a催化活性增强的分子机制，研究者测试了LpP5βR-WT及相关突变体的动力学常数。结果显示： M2突变体通过降低$K_\text{m}$显著提升了酶对1a的亲和力：$K_\text{m}$从0.16 mM下降到0.091 mM，证明缩小空间位阻的有效性 M3突变体依靠减小辅酶附近的腔体空间位阻显著提高$k_\text{cat}$，从而同步提升周转速率 M4与M5突变体通过增强口袋疏水性实现亲和力与速率的双向提升，共同奠定了后续克级合成的基础酶 $K_\text{m}$ (mM) $k_\text{cat}$ (min-1) $k_\text{cat}/K_\text{m}$ (mM-1 min-1) 倍数 LpP5βR-WT 0.16 ± 0.04 0.066 ± 0.012 0.45 1 LpP5βR-M2 0.091 ± 0.028 0.342 ± 0.054 3.8 8 LpP5βR-M3 0.10 ± 0.02 3.42 ± 0.48 34.2 76 LpP5βR-M4 0.06 ± 0.01 6.60 ± 0.59 110.0 244 LpP5βR-M5 0.062 ± 0.009 21.6 ± 2.4 348.4 773 此外，研究者使用分子对接、腔体分析和MD模拟分析了LpP5βR的变化。首先，使用AlphaFold3预测了LpP5βR-M5的蛋白结构，预测模板建模分数（pTM）和界面预测模板建模分数（ipTM）分别为0.95和0.97。腔体分析显示，LpP5βR-M5的底物结合口袋相比野生型增大了约58 Å3，主要由于180、307位置（靠近辅酶结合口袋位置）的空间位阻减小。图6：M5活性提升的三重分子机制全景解析 (a) 腔体体积的可视化对比（Caver分析）：蓝色球形区域表示底物结合口袋和辅酶结合口袋的共同空间。上图（WT）：腔体入口较窄；下图（M5）：腔体明显扩大，标注”entrance”指示底物进入通道 (b) 腔体体积量化：紫色网格显示WT和M5的三维腔体轮廓。数值标注显示WT为1213 Å3，M5为1271 Å3，净增加58 Å3 (c) 催化构象优化（关键距离缩短）：散点图显示100 ns MD模拟中两个关键催化距离的分布。上排（WT）：d(Osub-OHY145)和d(Csub-C4NADH)距离较长且分散；下排（M5）：两个距离显著缩短并聚集在催化最优范围（3-5 Å），证明质子和氢负离子传递更容易 (d) 相互作用力谱分析（Ligand-Contact-Diagram）：柱状图展示底物1a与不同残基的相互作用占有率。上图（WT）：主要依赖K114的氢键（绿色柱，>80%），Y145几乎无贡献；下图（M5）：相互作用更丰富，出现多个水介导接触（蓝色柱），Y145通过水分子参与催化 (e) 水介导氢键网络的关键证据：3D结构特写显示M5中Y145（黄色棒状）通过1-2个水分子（红色球）与底物1a（白色骨架）形成氢键网络（绿色虚线）。NADPH（橙色）提供氢负离子。这种水桥结构在WT中几乎不存在，是M5催化效率提升的核心创新 (f) 结构稳定性增强（RMSD分析）：时间序列曲线显示0-100 ns的蛋白和底物RMSD。紫色曲线（M5）比粉色曲线（WT）波动更小，RMSD均值更低，证明M5在催化过程中更稳定 (g) 疏水性增强的可视化：蛋白表面着色图。黄色区域表示疏水性，蓝色区域表示亲水性。WT（左）：底物结合口袋有较多蓝色亲水区；M5（右）：口袋疏水性显著增强（更多黄色），与类固醇疏水骨架的范德华相互作用更强 MD模拟从分子层面揭示了M5活性提升的三重机制：首先，催化构象优化。突变体M5的两个关键催化距离[d(Osub-OHY145)和d(Csub-C4NADH)]明显短于WT，表明在突变体M5的催化过程中氢质子和氢负离子的传递距离更短，因此反应更容易发生。这直接解释了$k_\text{cat}$的大幅提升（从0.066到21.6 min-1，提升327倍）。其次，水介导氢键网络的建立是M5活性提升的关键创新。力分析显示，在野生型中，虽然底物能够与K114形成连续且稳定的氢键，但与关键催化残基Y145没有直接相互作用，这导致质子传递效率低下。相比之下，M5在催化过程中与底物的相互作用力更丰富，许多水分子参与其中充当质子传递的桥梁。这归因于突变体相比WT具有更大的溶剂可及表面积（SASA）——突变引入的小侧链残基使得水分子更容易进入活性位点。定量分析显示，在M5中，Y145在大约49%的模拟时间内通过1-2个水分子与底物形成氢键网络，从而有效促进质子从Y145羟基转移到底物羰基，完成还原反应。这种水介导的质子传递机制在野生型中几乎不存在，是M5催化效率大幅提升的分子基础。最后，结构稳定性增强。M5和WT的RMSD（均方根偏差）分析表明，M5在整个反应过程中的构象波动更小，蛋白结构更稳定。这可能是由于M5相比WT具有更疏水的底物结合口袋，与类固醇疏水骨架的范德华相互作用更强，因此底物结合更加稳定，减少了蛋白构象的扰动。基于以上分析，突变体LpP5βR-M5对1a催化活性提高的原因可归纳为三点：减小空间位阻：底物结合口袋中靠近辅酶位置的空间位阻减小增加疏水性：底物结合口袋疏水性增加水介导氢键网络：活性位点腔体的SASA增加，从而在酶的关键催化残基与底物之间建立水介导的氢键网络底物范围探索为了测试LpP5βR对类固醇化合物的催化效果，研究者使用LpP5βR-WT和LpP5βR-M5作为生物催化剂催化不同的类固醇。结果显示，LpP5βR-M5相比野生型具有更广的底物范围，其对所有类固醇底物的催化活性均显著提高。图7：底物范围拓展与结构-活性关系图示展示了LpP5βR-WT和M5对11个类固醇底物（1c-1k）的催化转化率对比，反应条件：0.1 M磷酸钾缓冲液（pH 7.5）、0.1 mM NADP+、10% DMSO、35°C、2 h。颜色编码：黑色文字：LpP5βR-WT的转化率蓝色文字：LpP5βR-M5的转化率（下方括号内为分离产率）关键结构-活性规律： C17取代耐受性强：2c（11-OH）、2f（25-OH）、2g（17-炔丙基）、2h（17-环氧）的高转化率（M5达67-99%）证明C17位大取代不影响催化，因为该位置位于口袋外部 Δ1-双键显著抑制：2d和2e的转化率明显低于饱和类似物，符合1,4-加成机制的要求 11-OH提升活性：2i（11β-OH，90%）和2j（11β-OH + 17,21-二羟基，99%）的超高转化率表明极性羟基增强底物亲水性有利于催化 C6-甲基完全阻断：2k（6α-Me）对WT和M5均无活性（N.A.），证明该位置的空间位阻阻止催化构象形成 M5的全面优势：对所有可转化底物，M5的活性均为WT的2-30倍，最大提升见于2i（从8%到90%）通过比较LpP5βR对不同类固醇化合物的催化活性发现： C17位取代的空间位阻影响小：类固醇17位取代的空间位阻对酶活性影响很小，LpP5βR能够高效催化大的C17取代类固醇（如1f、1i），这可能是由于催化过程中类固醇的该位置位于P5βR底物结合口袋外部 Δ1-双键显著降低活性：Δ1-双键的存在（1d、1e）显著降低了P5βR的催化活性，因为P5βR的催化遵循1,4-加成原理 11位羟基取代提升活性：类固醇11位的羟基取代进一步增强了P5βR的催化活性，表明该位点的空间位阻对P5βR活性没有影响，且底物亲水性的增加有利于P5βR活性的提高（1i、1j） C6-甲基阻碍催化：对于底物1k，LpP5βR-WT和M5均未表现出催化活性，可能是因为底物C6-甲基的空间位阻阻止了其处于合适的预反应姿态总之，通过理性设计获得的LpP5βR-M5不仅高效催化1a，也能覆盖多种药用类固醇，包括4-雄烯二酮（2e）、二苄醇（2f）、氢化可的松（2j）等关键中间体。 Q&A Q1：为什么细菌P5βR与植物PRISE在序列和结构高度保守的情况下，底物特异性却存在显著差异？这是酶学研究中的经典现象——高度保守的整体结构并不意味着完全相同的底物选择性。尽管细菌P5βR与植物PRISE的整体序列同一性为35-42%，关键催化残基（如Y145、K114）高度保守，但底物结合口袋的微小结构差异足以导致底物偏好的显著改变。具体而言，本研究发现cavity B（靠近辅酶的向下延伸腔体）的大小是决定性因素。RbP5βR的cavity B显著长于其他细菌P5βR，使其能够容纳线性底物8-氧香叶醛。而大多数细菌P5βR由于H307残基的存在，cavity B较小，更适合孕酮等刚性类固醇底物的结合。这种门控效应（gatekeeper effect）在酶工程中非常常见——单个关键残基就能控制底物通道的开闭和底物选择性。此外，底物结合口袋的疏水性和形状互补性也是重要因素。孕酮作为疏水性强的刚性四环骨架分子，需要一个紧密的疏水性口袋才能稳定结合；而8-氧香叶醛作为线性柔性分子，需要一个更开放的腔体来容纳其延伸构象。MD模拟清晰地显示了这种差异：在LpP5βR-WT中，1b无法形成稳定的预反应构象，而在cavity B扩大后的M1突变体中，1b能够稳定结合并维持整个催化过程。 Q2：H307A单点突变如何实现底物选择性的完全反转？这一发现对PRISE家族底物特异性研究有何启示？ H307A突变能够反转底物选择性的根本原因在于其打开了cavity B的门控。组氨酸是一个相对较大的极性氨基酸（侧链含咪唑环），在307位时其侧链会延伸到cavity B空间，物理性地阻碍了线性底物1b的进入和稳定结合。当突变为丙氨酸（最小的非极性氨基酸）后，cavity B的体积增加了52.8 Å3，这一空间扩展足以容纳1b的延伸链状结构。从结构动力学角度看，MD模拟揭示了更深层的机制：在野生型中，H307的咪唑环与底物形成空间冲突，导致1b无法在活性位点建立稳定的催化构象在M1突变体中，H307A的空间释放使1b能够以合适的角度接近NADPH的C4位（氢负离子给体），并维持这种构象达100 ns以上这一发现对PRISE家族研究具有重要启示。植物PRISE家族也面临同样的底物特异性之谜——为什么结构几乎无法区分的P5βR和IS会表现出对孕酮和8-氧香叶醛的选择性差异？现有研究尝试通过loop区域的动力学、活性位点苯丙氨酸的保守性等因素解释，但结论仍不清晰。本研究提示cavity B大小可能是PRISE家族底物特异性的通用决定因素。考虑到细菌P5βR与植物PRISE的结构同源性，推测植物PRISE中也存在类似的门控残基。未来可以通过比较具有不同底物偏好的PRISE的cavity B结构，识别关键门控位点，进而通过定点突变实现底物选择性的理性调控。 Q3：基于底物特征的理性设计策略为何能普遍适用于不同来源的细菌P5βR？这种策略的局限性在哪里？这一理性设计策略之所以具有普遍适用性，根源在于其基于底物-酶相互作用的普遍原理而非特定酶的个性化特征。孕酮作为底物具有两个显著特点：（1）刚性的四环骨架导致大空间位阻；（2）完全由碳氢骨架组成，具有强疏水性。因此，任何旨在提升孕酮结合和催化的策略，都应该围绕这两个特征展开：减小活性位点的空间位阻：将大侧链残基（如M180、H307）突变为小侧链残基（如A、V），为刚性的类固醇骨架腾出空间，使其能够以最佳角度接近辅酶增加活性位点的疏水性：将极性残基（如D311）突变为疏水残基（如I），增强与类固醇疏水骨架的范德华相互作用这种策略的普适性体现在：研究者在序列同一性仅45-86%的10个不同细菌P5βR上应用M5组合突变（T170V/M180V/H307A/D311I），所有工程化酶的活性均显著提高。这表明这些位点在不同细菌P5βR中具有结构保守性和功能等效性。然而，这种策略也存在局限性：依赖保守的底物结合口袋：如果目标酶的底物结合口袋与LpP5βR差异较大（如关键位点编号不同、腔体形状显著不同），则需要重新识别等效位点可能影响酶稳定性：疏水性增加虽然有利于类固醇结合，但过度突变可能导致酶稳定性下降或溶解度降低（幸运的是，本研究中M5的稳定性良好）底物范围限制：这一策略是针对类固醇骨架优化的，对于其他类型的底物（如线性萜类、小分子酮）可能不适用，甚至产生负面效应上位效应的不可预测性：虽然M5在多个P5βR上都有效，但不同突变的组合效应（epistasis）在不同酶中可能存在差异，最优组合可能需要针对每个酶单独筛选 Q4：LpP5βR-M5的催化效率提高了773倍，但这是否足以支撑工业化应用？还需要解决哪些问题？ LpP5βR-M5的催化效率（$k_\text{cat}/K_\text{m}$ = 348.4 mM-1 min-1）相比野生型（0.45 mM-1 min-1）提高了773倍，这是一个非常显著的改进。从酶工程角度看，单纯依靠理性设计实现如此大幅度的活性提升是相当罕见的（通常理性设计能实现10-100倍提升已属优秀）。从工业化应用的角度评估，LpP5βR-M5已经展现了良好的潜力：优势：克级规模验证：28 g/L底物浓度、2小时内>98%转化率、时空产率330 g/L·d，这些指标已经接近工业化生物催化的要求底物负载量高：28 g/L（约90 mM）已经是相当高的底物浓度，远超大多数酶促反应（通常为1-10 mM）辅酶循环高效：使用GDH循环系统，NADP+仅需0.1 mM（催化量），大大降低了成本异源表达良好：LpP5βR在大肠杆菌中可溶性表达量高，便于大规模生产仍需解决的问题：转化率瓶颈：无论底物浓度如何增加，转化率最多达到98%而无法完全转化，这暗示存在酶催化的可逆性问题。需要通过产物移除或平衡移动策略（如原位产物沉淀、膜分离）来提高最终转化率助溶剂依赖：20% DMSO的使用增加了下游分离成本和环境负担。可以探索使用生物相容性更好的助溶剂（如甘油、PEG）或两相体系（如离子液体、深共晶溶剂）产物抑制：虽然论文未明确提及，但98%转化率上限可能与产物抑制有关。需要研究产物与酶的结合动力学，必要时通过突变降低产物亲和力放大验证：目前仅在100 mL规模验证，工业化需要升至升级甚至吨级，过程中的传质、混合、热管理等工程问题需要解决酶稳定性：论文未报告M5的热稳定性、有机溶剂耐受性、pH稳定性等。工业应用通常需要酶在苛刻条件下仍保持活性，可能需要进一步的稳定性工程（如固定化、定向进化）综合来看，LpP5βR-M5已经是一个准工业化的生物催化剂，但从实验室到工厂仍需要过程工程和进一步的酶优化。关键结论与批判性总结潜在影响系统建立细菌P5βR平台：作者通过基因挖掘获得10条细菌来源P5βR并验证其对孕酮/8-氧香叶醛的活性，证明微生物SDR可弥补植物与动物P5βR在可溶表达和催化效率上的短板 cavity B门控锁定底物偏好：结论强调扩大cavity B即可让线性底物1b稳定结合，单点突变即反转底物选择性，为解析PRISE家族长期未解的底物特异性提供了结构化线索理性工程输出工业级催化剂：基于底物空间位阻与疏水性设计的LpP5βR-M5将$k_\text{cat}/K_\text{m}$提升700余倍，并在28 g/L孕酮条件下实现330 g/L·d的STY，展示了绿色合成5β-二氢类固醇的放大潜力底物谱得到实证扩展：M5对4-androstenedione、hydrocortisone等多种类固醇的高转化度表明该策略可直接支撑多条药物中间体的酶法路线局限性特定骨架仍不可及：底物范围实验显示Δ1-双键或C6-甲基取代会使酶完全失活，说明现有腔体工程尚无法兼容所有类固醇结构线性底物须专属突变：只有扩大cavity B的M1类突变才能高效催化8-氧香叶醛，尚未形成可同时处理线性与类固醇底物的统一方案高效率依赖助溶体系：克级放大实验需要20% DMSO加GDH循环维持28 g/L底物负载，提示与理想工业工艺之间仍存在溶剂与成本压力未来研究方向将门控策略迁移至PRISE：利用细菌P5βR与植物PRISE的同源性，对后者的cavity B位点进行系统比对，验证是否能同样实现底物偏好反转针对难底物继续工程化：围绕Δ1-双键、C6-甲基等难以容纳的骨架开展新的腔体扩展或柔性门控设计，进一步拓宽类固醇谱优化放大流程：在现有28 g/L体系基础上探索低助溶甚至无助溶条件、替代辅酶循环方案与酶固定化策略，以降低工业化成本并提升可持续性

Specific Sytems · 2026-03-08

膜通透化的分子动力学模拟（下篇）：案例研究与机制解析

【综述】膜通透化的分子动力学模拟（下篇）：案例研究与机制解析系列说明：本文是膜通透化MD模拟综述的下篇，聚焦代表性案例，用具体体系解释AMPs与PFTs的成孔机制与关键分子细节。上篇侧重方法与机制分类。本文信息标题：膜通透化的分子动力学模拟（下篇）：案例研究与机制解析作者：Sofia Cresca，Jure Borišek，Alessandra Magistrato，Igor Križaj 发表时间：2026年2月9日单位：Consiglio Nazionale delle Ricerche（CNR）-IOM，意大利；International School for Advanced Studies（SISSA/ISAS），意大利；Jožef Stefan Institute，斯洛文尼亚；National Institute of Chemistry，斯洛文尼亚；University of Ljubljana，斯洛文尼亚引用格式：Cresca, S., Borišek, J., Magistrato, A., & Križaj, I.（2026）。Current Status of Molecular Dynamics Simulations of Membrane Permeabilization by Antimicrobial Peptides and Pore-Forming Proteins: A Review。Journal of Chemical Information and Modeling, 66（6），1982-2005。https://doi.org/10.1021/acs.jcim.5c02731 本文以案例为主线，突出不同分子在膜上形成孔道的具体路径，并对比多尺度MD如何揭示关键分子细节。抗菌肽（AMPs）案例 Melittin：T孔与U孔的双重通道 Pleurocidin：低溶血与环形孔机制 Maculatin 1.1：无序聚集形成水通道 Aurein 1.2：糖脂含量调控孔道寿命成孔蛋白/毒素（PFTs）案例 Cytolysin A（ClyA）：弧形寡聚体与脂质位移 Pneumolysin（Ply）：胆固醇依赖成孔 Aerolysin：前孔到孔道的构象转变 Gasdermin D（GSDMD）：焦亡孔道与阴离子脂质稳定抗菌肽的案例研究这些案例显示，AMPs的膜通透化高度依赖肽构象与脂质环境，而MD模拟提供了可直接观察的构象与相互作用细节。 Melittin：T孔与U孔的双重通道 Melittin是26个残基的经典模型肽。CG与AA模拟一致表明，Melittin聚集后会出现以T肽或U肽为主导的两类孔道构象，对应不同结构与通透性。两类孔道的差别，核心在于疏水与极性残基的分离方式。T孔的疏水与亲水面分离更清晰，因此更稳定、孔径更大、通透性更高，这也是T孔在自由能上占优的关键原因。 T孔与U孔的对比对比要点 T孔 U孔主导构象跨膜T肽为主 U形肽为主结构与能量自由能更低、孔径更大、通透性更高自由能更高、孔径更小、通透性更低 AA模拟进一步表明，成孔过程强烈依赖初始肽构型与膜组成，其中K7的锚定效应是关键开关。K7A与K7Q突变会削弱锚定，从而促进成孔并改变选择性。在革兰氏阴性菌外膜模型中，Melittin的C端锚定在KLA头基区域，其N端与磷酸基接触。KLA是脂多糖（LPS，lipopolysaccharide）的重要成分，这会改变外膜通透性但不扰动双层整体结构。这类外膜结果提示，Melittin更多表现为通透性调节而非整体破坏，这也是它在不同膜环境下表现差异明显的重要原因。补充一点，从外膜到内膜的差异中可以看到锚定位置改变了进入界面的路径，这也解释了同一肽在不同膜体系中的”表型落差”。 Pleurocidin：低溶血活性的分子基础 Pleurocidin具有低溶血活性与高抗菌活性并存的特征。多尺度模拟显示，初始孔道可由2个肽触发，而稳定孔道需要多个肽进一步组装。在孔道形成过程中，Pleurocidin的亲水面构成水通道，而阳离子残基会拉入脂质头基，提示其主要形成环形或无序环形孔。 AA与CG终态都指向环形或无序环形孔，水外排快照中还能清楚看到极性与非极性侧链的分工，这让该机制更容易与图5的子图对应起来。另一个值得记住的点是，Pleurocidin的低溶血表型并不妨碍其在原核膜上形成稳定孔道，这种“强抗菌、弱溶血”的对照在案例中非常清晰。可以这样记初始孔道由少量肽触发，但稳定孔需要更高聚集程度。阳离子残基驱动脂质头基进入孔道，形成典型的环形孔结构。亲水与疏水面的空间分离决定了水通道的连续性。 AA与CG结果方向一致，说明该体系的多尺度解释具有稳定性。水外排快照提供直观证据，极性残基的指向性很明显。低溶血与高抗菌并存，提示膜选择性来自孔道结构差异。 Melittin与Pleurocidin的机制对比对比维度 Melittin Pleurocidin 孔道类型 T孔（跨膜肽）与U孔（U形肽）两类构象环形孔或无序环形孔孔道内壁构成 T孔更偏肽本身，U孔更依赖脂质参与亲水面构成水通道，阳离子残基拉入脂质头基关键残基 K7锚定效应是成孔开关亲水面朝向孔腔初始成孔需要一定数量肽聚集 2个肽即可触发初始孔道稳定性决定因素自由能与孔径联动；疏水/亲水分离方式亲水与疏水面的空间分离膜选择性 KLA锚定强调外膜特异性低溶血与高抗菌并存模拟验证 AA与CG揭示不同构象路径 AA与CG终态指向环形孔图5：不同AMPs的作用机制。子图A：Melittin在CG模拟中形成T孔的过程快照，展示跨膜孔道的逐步稳定化。子图B：Melittin在CG模拟中形成U孔的过程快照，呈现U形构象主导的孔道。子图C：Pleurocidin水外排快照，极性与非极性残基以不同颜色标示，侧链朝向水通道。子图D：Pleurocidin的AA与CG终态对比，左列为AA 500 ns的紫色肽，右列为CG 25 μs的绿色肽，显示其形成环形或无序环形孔的倾向。 Maculatin 1.1：无序聚集形成水通道 Maculatin 1.1的CG模拟表明，肽分子会自发聚集并以无序跨膜簇插入DPPC双层。AA模拟进一步显示，水通过聚集体内部的动态狭窄通道渗透。定量分析给出的关键结论是：至少需要6条肽才能形成显著水通量。该通量主要由Lys8、His12、Glu19与His20等极性与带电残基提供亲水路径。这一案例强调，无序聚集并不等于无效，相反它可以在缺乏规则桶状结构的情况下维持持续导水。多尺度模拟把无序簇与可持续导水直接联系起来，是该案例最有记忆点的地方。 Aurein 1.2：糖脂含量调控孔道寿命 Aurein 1.2的CG模拟使用MARTINI并引入极化水模型（PW）。研究在POPG/POPE混合膜中系统改变单半乳糖甘油酯（MG，monogalactosylglycerol）含量，发现孔道寿命与糖脂含量呈显著负相关。具体而言，研究将MG含量从0%增加至96%，定量数据显示：在无糖脂膜中，孔道持续超过22 μs 在96% MG膜中，孔道仅持续约0.3 μs 孔道寿命缩短超过70倍当糖脂比例升高时，负电荷密度与氢键网络被削弱，从而显著降低孔道寿命，提示膜组成是调控AMP通透化的重要变量。这一结果提醒读者，膜成分梯度本身就是调控变量，并不需要改变肽序列也能显著改变成孔行为。可以这样记膜糖脂含量是强调控因子，可显著缩短孔道寿命。电荷与氢键网络是关键介质，其削弱会削减孔道稳定性。膜组成变化可改变AMP活性谱，为选择性设计提供思路。 MG梯度提供了清晰因果链，便于建立膜成分与孔道寿命的对应关系。负电荷下降是直接原因之一，也解释了高糖脂膜上的孔道短暂性。实验可操作性强，该结论适合用于设计对照膜体系。观察要点 MG含量被系统扫描，因此因果关系更明确。孔道寿命随糖脂升高而缩短，趋势稳定且方向单一。 POPG/POPE是主背景膜，可与其他AMP体系直接对照。高糖脂削弱负电荷与氢键，这是孔道不稳定的核心原因。案例强调膜侧调控，而不是通过肽突变来改写行为。 AMPs案例研究的关键模拟信息（对应PDF Table 2） AMP 方法力场关键发现 Melittin CG-MD MARTINI v2.2 聚集形成跨膜T肽与U肽孔道 Melittin AA-MD CHARMM36m T孔自由能更低、孔径更大、通透性更高 Melittin AA-MD CHARMM36m 成孔依赖初始构型与膜组成；K7锚定，K7A与K7Q削弱锚定并促进成孔 Melittin AA-MD CHARMM36m C端锚定KLA头基；N端接触磷酸基，影响外膜通透性但不扰动双层 Pleurocidin AA-MD + CG-MD CHARMM36m；MARTINI 2条肽可触发初始孔；多肽组装形成稳定孔；亲水面构成水通道，阳离子残基拉入头基，提示环形孔 Maculatin 1.1 AA-MD + CG-MD GROMOS96；MARTINI 自发聚集为无序跨膜簇；水通过动态通道渗透；至少6条肽产生显著水通量 Aurein 1.2 CG-MD MARTINI（极化水模型）孔道寿命与糖脂含量负相关，高糖脂削弱负电荷与氢键网络，从而缩短寿命读表提示 Melittin出现多次，体现其在AMP研究中的模型地位，同时揭示不同力场与尺度下结果的一致性。自由能与孔道形态成对出现，T孔的稳定性与更高通透性相互印证。关键残基信息具有可迁移性，K7锚定效应与KLA相互作用可直接用于突变与设计。 Pleurocidin强调少量肽即可触发成孔，但稳定孔需要多肽组装，提示协同机制。 Maculatin 1.1与Aurein 1.2突出膜组成作用，显示脂质环境可显著调控孔道寿命与水通量。 AMPs关键词速查 AMP 机制关键词关键分子或结构脂质依赖 Melittin T孔与U孔分流 K7锚定、KLA头基外膜LPS显著影响 Pleurocidin 环形与无序环形孔亲水面朝孔腔头基拉入驱动 Maculatin 1.1 无序聚集导水 Lys8/His12/Glu19/His20 DPPC为主要模型 Aurein 1.2 糖脂调控寿命 MG含量梯度糖脂升高缩短寿命读表提示关键词用于快速定位机制，便于在多个案例间做横向对照。关键分子或结构是最小解释单元，适合直接映射到突变或膜成分设计。脂质依赖提醒环境敏感性，避免将结果误读为“序列决定一切”。成孔蛋白/毒素的案例研究 PFTs的成孔过程涉及更复杂的寡聚化与构象重排，MD模拟揭示了从单体到环状孔道的关键分子步骤。 PFTs案例对比总览对比维度 Cytolysin A (ClyA) Pneumolysin (Ply) Aerolysin Gasdermin D (GSDMD) 毒素类型 α-PFT β-PFT（胆固醇依赖性溶素） β-PFT 真核成孔蛋白（焦亡效应蛋白）关键结构特征弧形寡聚体（6-10聚体） D1-D4四个结构域膜结合域+成孔域，双同心β桶直径10-14 nm环状孔道（24-33亚基）膜结合机制单体即可形成稳定跨膜水通道胆固醇是必要受体与稳定因子 DBB与stem loop驱动前孔形成前孔组装对阴离子脂质高度敏感关键结构域/残基 N端螺旋CRAC基序、β舌 D4结构域、十一肽、L1-L3环 Y221构象开关、DBB区域 PI(4,5)P2与PS稳定前孔成孔过程脂质快速位移（约50 ns） β发夹插入→β桶→脂质斑块囊泡化活塞式高幅度运动驱动插入较小寡聚体形成稳定含水孔道脂质依赖性胆固醇增强成孔（双通道效应）胆固醇决定结合稳定性膜触发活塞式运动阴离子脂质（PI、PS、心磷脂）中间体弧形寡聚体是稳定功能中间体部分插入弯曲膜，42聚体环是结构节点前孔态（双同心β桶）前孔组装态孔道特征单体即可导水；脂质重排成环形构型外疏水、内亲水β桶膜触发跨膜桶插入环状孔道，直径10-14 nm Cytolysin A：弧形寡聚体与脂质位移 ClyA是典型的α-PFT。AA模拟显示，单个原聚体即可形成稳定的跨膜水通道。此外，基于晶体结构构建的6到10聚体弧形寡聚体是稳定的功能中间体，并在约50 ns内驱动脂质位移，形成可导水的膜孔。弧形寡聚体内部原先困住的脂质会被迅速排出，开放边缘的脂质再排列成环形构型，从而把弧形中间体转化为可持续导水的孔道。胆固醇通过两条路径增强ClyA成孔：一是稳定原聚体的膜结合构象，二是在β-舌（β-tongue，即β-发夹）之间形成桥接相互作用从而促进寡聚化，整体上偏向成孔构象。更细的描述是，胆固醇既能与N端螺旋上的CRAC基序（cholesterol recognition/interaction amino acid consensus，胆固醇识别/相互作用氨基酸共有基序）相互作用，也能在相邻β-舌之间形成桥接，帮助寡聚体向成孔构象偏转。这些细节合起来指向一个清晰图景：ClyA的成孔过程既依赖中间体稳定性，也依赖胆固醇对寡聚化路径的”推一把”。 Pneumolysin：胆固醇依赖成孔 Ply是典型的胆固醇依赖性溶素。AA模拟显示，D4结构域中的富Trp的十一肽以及L1至L3环负责膜表面锚定，且只有在胆固醇存在时，Ply才能稳定结合膜。 Ply单体由D1至D4四个结构域构成，其中两个螺旋束（HB1与HB2）会在成孔过程中重排为β-发夹，最终组装成β-桶，这一结构变化与胆固醇依赖的膜结合行为高度耦合。成孔阶段的β发夹插入后会形成外疏水、内亲水的β桶，内壁水化驱动脂质重新排列并打开膜边缘。CG模拟进一步表明，完整的42聚体环会包裹脂质斑块，使其脱离并囊泡化，从而形成开放孔道。这一过程中，胆固醇与十一肽及L1环发生短暂相互作用，帮助Ply维持正确取向，随后β桶形成并触发脂质斑块的囊泡化，是孔道真正打开的关键步骤。 Aerolysin：前孔到孔道的构象转变 Aerolysin家族的单体包含膜结合域与成孔域，可组装成双同心β-桶（concentric double β-barrel，DBB）前孔。AA模拟显示，DBB与茎环（stem loop）的运动驱动前孔形成，而Tyr221对二级结构重排至关重要。 Y221G突变体可寡聚但停留在前孔态，这一现象从侧面说明Y221是构象开关，也是前孔到孔道转变的核心障碍之一。当蛋白置于膜中时，会出现活塞式高幅度运动，该运动由膜触发并推动跨膜桶的插入，从而完成从前孔到孔道的转变。 Gasdermin D：焦亡孔道与阴离子脂质稳定 GSDMD是细胞焦亡的关键效应蛋白。AA模拟表明，较小的GSDMD寡聚体也能形成稳定含水孔道。其孔道稳定性依赖阴离子脂质，前孔组装对阴离子脂质高度敏感，其中磷脂酰肌醇-4,5-二磷酸（PI(4,5)P2，phosphatidylinositol-4,5-bisphosphate）与磷脂酰丝氨酸（PS，phosphatidylserine）可稳定前孔。PI(4,5)P2还能作为分子双面胶，桥接并稳定相邻亚基界面。此外，Gasdermin家族总体上偏好富含磷脂酰肌醇与心磷脂的膜，并形成直径约10-14 nm的环状孔道，孔道由24至33个亚基构成，这为焦亡过程中分子释放提供结构基础。这些特征说明，GSDMD的孔道在结构上属于高亚基数的大孔道，而其稳定性更依赖脂质环境而非单一蛋白构象。图6：不同PFTs的作用机制。子图A：ClyA弧形寡聚体在1-棕榈酰基-2-油酰基-sn-甘油-3-磷酸胆碱（POPC，phosphatidylcholine）膜中的快照，红色蛋白与蓝色脂质显示0 ns与50 ns内脂质位移并形成水通道。子图B：Ply在无胆固醇与有胆固醇条件下的膜结合对比，插图显示与胆固醇相互作用的残基区域。子图C：Aerolysin前孔与完整孔道的对比，关键残基以高亮方式标示。子图D：GSDMD从单体到十聚体的寡聚化序列，展示孔道逐步形成的结构轨迹。读图时可以留意 ClyA弧形结构可直接产生导水通道，并伴随脂质位移，这是其功能性中间体的关键证据。 Ply是否存在胆固醇决定结合稳定性，对比图清晰展示膜结合差异与关键残基作用。 Aerolysin前孔与完整孔道的几何差异明显，提示前孔到孔道的构象重排幅度很大。 GSDMD序列图强调寡聚化路径，单体到十聚体的过程展示孔道逐步完成的结构基础。 PFTs案例研究的关键模拟信息 PFT 方法力场关键发现 ClyA AA-MD；CG-MD（含牵引MD与PMF） AMBER99SB-ILDN；Slipids；MARTINI（ElNeDyn，极化水模型）单个原聚体形成稳定水通道；弧形寡聚体为稳定中间体并快速形成跨膜通道 ClyA AA-MD AMBER99SB-ILDN；Slipids 胆固醇稳定原聚体构象并促进寡聚化，偏向成孔构象 Ply AA-MD + CG-MD（ElNeDyn） CHARMM36m；MARTINI v2.2 胆固醇稳定Ply结合；β发夹插入后42聚体环可包裹并囊泡化脂质斑块以形成孔道 Aerolysin AA-MD AMBER99SB DBB与stem loop驱动前孔形成；Y221决定重排；膜触发活塞式运动推动插入 GSDMD AA-MD CHARMM36m 小寡聚体形成稳定含水孔；PI（4,5）P2与PS稳定前孔组装读表提示 ClyA强调弧形中间体的功能性，并展示AA与CG结合的分析路径。 Ply突出胆固醇依赖性，其成孔路径与膜组成强耦合。 Aerolysin展示大幅度构象重排，体现前孔到孔道的能垒特征。 GSDMD体现阴离子脂质稳定效应，并指向焦亡孔道形成的膜选择性。 PFTs关键词速查 PFT 机制关键词关键分子或结构脂质依赖 ClyA 弧形中间体导水 CRAC基序、β舌桥接胆固醇促进寡聚化 Ply 囊泡化开孔十一肽与L1-L3环胆固醇是必要因子 Aerolysin 前孔重排插入 DBB与stem loop 膜触发活塞运动 GSDMD 阴离子脂质稳定 PI（4,5）P2桥接 PS与PI协同稳定读表提示关键词强调机制差异，便于把不同PFTs放在同一框架下理解。关键结构指向成孔开关，也是最可能的干预靶点。脂质依赖体现宿主选择性，与毒性谱密切相关。案例之间的对照 Melittin的T孔与U孔主要由肽构象分流，而Pleurocidin更强调头基被拉入孔道的环形孔特征。 Maculatin 1.1体现无序聚集导水，Aurein 1.2则突出膜糖脂含量决定孔道寿命。 ClyA与Ply都受胆固醇影响，但ClyA更像稳定中间体驱动成孔，Ply更像寡聚环触发囊泡化。 Aerolysin强调前孔到孔道的构象重排，GSDMD强调阴离子脂质稳定前孔。 Melittin与Maculatin 1.1的共同点是构象驱动成孔，但前者更规则，后者更无序。 Pleurocidin与Aurein 1.2都强调膜成分调控，一个靠头基拉入，一个靠糖脂比例。 ClyA与Aerolysin都涉及大尺度构象变化，但ClyA先功能化，Aerolysin先重排。 Ply与GSDMD都形成大孔道，但Ply依赖胆固醇平台，GSDMD依赖阴离子脂质环境。 Melittin的外膜作用展示通透性调节，与Ply的囊泡化路径形成鲜明对照。 GSDMD的小寡聚体导水与ClyA弧形中间体导水在尺度上可类比，但脂质依赖相反。小结这些案例共同指向一个核心事实：膜通透化并非单一机制，而是由肽或蛋白构象、寡聚路径与脂质环境共同塑造。MD模拟让这些过程的关键分子步骤可视化，并为机制分类提供了直接证据。从Melittin到GSDMD，研究显示成孔既可能是快速的局部重排，也可能依赖长程的构象与寡聚化协同。这些认识为后续的机制比较与实验设计提供了可操作的结构线索。

Specific Sytems · 2026-03-06

偶极复合驱动的聚电解质凝聚：从离子熵到相图

Specific Sytems · 2026-03-01

均聚物也能自组装：驱动力、设计策略与应用全景

Specific Sytems · 2026-02-19

透明质酸的多层次渗透增强机制：从水合膨胀到脂质双层插入

透明质酸的多层次渗透增强机制：从水合膨胀到脂质双层插入前情提要：本文是角质层结构深度解析的姊妹篇，专注于透明质酸（HA）及其衍生物影响皮肤屏障通透性的分子机制。建议先阅读主文了解角质层的多尺度结构组织。天然HA的物理化学渗透机制虽然前文揭示了HA实际上增强而非打开紧密连接（上调claudin-3/4和JAM-1），但天然HA确实能够通过多种物理化学机制间接影响角质层的通透性。这些机制不依赖于紧密连接的松弛，而是通过改变角质层的微观结构和水合状态来实现。渗透压驱动的水合膨胀机制 HA的核心物理化学特性源于其聚电解质性质和极高的水结合能力。分子基础 HA分子链上的羧基（-COOH）在生理pH下解离，产生高密度的负电荷。这些负电荷通过两种方式驱动水合：静电吸引：负电荷吸引正离子（$\ce{Na+}$、$\ce{K+}$等），形成离子氛渗透压：反离子解离导致的聚电解质性质产生高渗透压，将水分子吸入HA网络 HA的渗透压比典型中性聚合物溶液高数倍，这使得HA能够结合高达自身重量1000倍的水分，并在细胞外基质中结构化一个水合且稳定的细胞外空间。角质层的水合膨胀响应当HA渗透角质层后，其强大的吸水能力引发角质层的剂量依赖性膨胀：时间依赖性变化 4小时水合：角质层厚度膨胀3-4倍，角质细胞均匀膨胀（除最外层和最内2-4层膨胀较少） 24小时水合：细胞间隙出现大量水池（cisternae），直径从数百纳米至数微米不等，尺寸可超过膨胀后的角质细胞厚度（>600 nm）空间选择性角质层外层和层间区域：可自由膨胀角质层致密层（stratum compactum）第一层：膨胀能力有限，提供屏障功能细胞间水池的形成：为亲水物质提供了异常的水性渗透通道脂质层的破坏性重排水合膨胀不仅影响角质细胞，更关键的是对细胞间脂质层的结构破坏。脂质层的相变和流动化研究显示，在高相对湿度（91-94% RH）下，角质层脂质发生三种放热相转变：正交→六方链排列转变：临界阈值在85% RH，此时脂质链流动性显著增加脂质双层周期性改变：SPP（6 nm）和LPP（13 nm）的有序排列受到扰动脂质膨胀vs角质细胞膨胀的差异：低RH时角质细胞吸水更多，高RH时脂质膨胀更显著脂质层的病理性破坏长时间水合暴露（4-24小时）导致不可逆的脂质层破坏：脂质分层脱离（delamination）：脂质双层从角质细胞表面剥离卷曲塌陷（roll-up）：在水池内，脂质结构卷曲形成无序堆积相分离：脂质组分发生相分离，丧失原有的有序层状结构关键认知：这种破坏性重排虽然为亲水物质提供了渗透窗口，但属于病理性状态而非生理性渗透增强。LMW-HA能穿透角质层正是因为它诱导了这种破坏（TEWL增加55.5%）。角蛋白二级结构的改变 HA不仅影响脂质层，还能改变角质层中角蛋白的二级结构，这进一步促进了角质层的软化和通透性增强。 FTIR光谱证据 Witting等的傅里叶变换红外光谱（FTIR）研究揭示了HA处理后角质层蛋白的显著结构变化： α-螺旋→β-折叠转换：HA处理后角蛋白的二级结构发生从α-螺旋向β-折叠的转变 Amide I/II峰降低：角蛋白特征峰（Amide I和Amide II）强度降低，表明蛋白质有序结构被破坏角质细胞骨架软化：这种二级结构转变使角质细胞骨架变得更柔软、更易变形脂质构象的同步变化 Kozaka等使用标记HA的反向胶束处理角质层，FTIR分析显示脂质链的构象也发生了改变：全反式→gauche构象转变：角质层脂质的CH₂对称/非对称伸缩峰从规整的全反式（all-trans）构象转变为无序的gauche构象脂质流动性增加：gauche构象的增加直接证明脂质链的流动性显著提高，脂质双层变得更松散细胞间通道形成：荧光显微成像显示HA主要沿细胞间通道分布，印证了HA通过破坏脂质层团簇形成”通水”路径的机制 HA同时改变角蛋白和脂质的结构，产生蛋白-脂质协同效应：角蛋白软化降低了角质细胞的机械刚性，脂质流动化削弱了细胞间的防水屏障，两者共同作用使角质层整体变得更易穿透。 Filaggrin-NMF调控途径 HA还通过调控角质形成细胞分化和NMF生成，间接影响角质层的水合能力和微观结构。 LMW-HA对Filaggrin降解的促进研究发现，约50 kDa的LMW-HA影响角质形成细胞分化相关基因表达： CASP14表达和活性增加：CASP14在颗粒层和角质层中高表达，负责将Filaggrin片段切割为自由氨基酸促进NMF生成：Filaggrin降解产生的自由氨基酸及其衍生物（PCA、组氨酸、UCA）占角质层自由氨基酸总量的70-100% 影响紧密连接复合物形成：LMW-HA还影响参与角质形成细胞分化和细胞间紧密连接复合物形成的基因 NMF对角质层通透性的影响 NMF作为高效吸湿剂，其浓度增加会：增强角质层水合：NMF的吸湿能力进一步提高角质层含水量促进角质细胞可塑性：水合后的角质细胞更柔韧，细胞间间隙更易扩张协同HA的渗透压效应：NMF与HA共同维持角质层的水合梯度旁细胞通透性的MLCK介导调控除了物理性的水合膨胀，HA还通过信号通路调控细胞间通透性。 MLCK-肌球蛋白轻链途径研究显示，HA通过磷酸化肌球蛋白轻链（p-MLC）介导旁细胞通透性： MLCK激活：HA触发肌球蛋白轻链激酶（MLCK）活性肌动蛋白-肌球蛋白相互作用：p-MLC调控肌动蛋白-肌球蛋白相互作用，从而调节细胞收缩旁细胞通透性上调：细胞收缩导致细胞间隙暂时扩大，增加旁细胞通透性这一机制解释了为何HA能够在不破坏紧密连接蛋白表达的前提下，仍能增强物质的旁细胞转运。 HA衍生物的强化渗透机制天然HA的物理化学机制虽能影响角质层通透性，但效果有限且伴随屏障损伤。化学修饰的HA衍生物和阳离子聚合物通过引入正电荷、疏水基团或利用金属离子桥接，能够实现更强的静电相互作用和脂质层插入，从而突破天然HA的渗透限制。跨细胞vs旁细胞途径的选择性 HA及其衍生物的渗透途径高度依赖于分子结构和配方设计。天然HA的跨细胞优先研究表明，天然HA优先通过跨细胞途径渗透皮肤：亲水性HA：沿跨细胞路径分布在角质层中疏水性化合物：则通过细胞间路径渗透 HA纳米粒（HANP）：渗透途径与天然HA不同，可能增强细胞间渗透两亲性HA衍生物的增强效应两亲性HA修饰可显著改变渗透行为：两亲性HA-胶束：药物沉积显著增加荧光标记追踪：显示两亲性HA通过跨细胞途径转运疏水修饰：使HA能够与脂质层相互作用，促进细胞间渗透 HA衍生物和阳离子聚合物的紧密连接与脂质双层扰动机制前述机制主要关注天然HA的物理化学作用，但化学修饰的HA衍生物和阳离子聚合物能够通过更强的静电相互作用和脂质层插入，实现更高效的屏障破坏和细胞间通道打开。阳离子HA的静电相互作用增强机制阳离子HA通过季铵化修饰引入正电荷，这种电荷反转带来独特的渗透增强效应：静电吸附与脂质头基交联电荷匹配：阳离子HA的正电荷（$\ce{-N+{(CH_3)_3}}$）与角质层脂质双层的负电磷脂头基（磷酸基团，$\ce{-PO4^-}$）产生强静电吸引，增强HA在脂质界面的吸附和累积脂质头基桥接：阳离子基团可能桥接相邻的负电磷脂分子，扰动脂质双层的规则排列，诱导局部相分离和流动性增加渗透增强数据：阳离子HA在30秒内使皮肤水合度比LMW-HA高67%，比HMW-HA高50%，显示出显著的快速渗透能力紧密连接蛋白的双重效应矛盾现象：虽然阳离子HA增强皮肤渗透，但研究表明HA（包括LMW和HMW）实际上上调紧密连接蛋白（claudin-3/4, JAM-1）的表达，增强屏障而非打开可能机制：阳离子HA的渗透增强可能主要通过脂质层扰动和跨细胞途径实现，而非松弛紧密连接。紧密连接蛋白上调可能是细胞对渗透增强剂的补偿性保护反应阳离子聚合物的紧密连接打开机制：壳聚糖的典型案例壳聚糖作为经典的阳离子渗透增强剂，其紧密连接打开机制已被深入研究，为理解阳离子HA的作用提供重要参考：跨上皮电阻（TEER）的剂量依赖性降低壳聚糖使Caco-2细胞单层的TEER降低高达83% 伴随辣根过氧化物酶通透性增加18倍，证实旁细胞通透性显著上调紧密连接蛋白的细胞骨架重定位 ZO-1和occludin转移：从细胞膜和胞质部分剂量依赖性地转移到细胞骨架部分蛋白降解vs重定位：紧密连接蛋白总量不变，但从膜上移除并锁定在细胞骨架上，导致紧密连接功能性丧失整合素介导的信号级联整合素受体激活：壳聚糖与细胞膜整合素受体直接相互作用，改变受体构象整合素聚集：激活的整合素沿细胞边界聚集信号转导：触发F-actin重组、FAK磷酸化、Src磷酸化 ZO-1下调：上游信号最终导致ZO-1从紧密连接脱离二价阳离子的调控作用壳聚糖的紧密连接打开效应受细胞外Ca²⁺、Mg²⁺和Mn²⁺浓度影响二价阳离子可能通过桥接脂质双层或稳定紧密连接蛋白复合物，部分拮抗壳聚糖的作用可逆性壳聚糖诱导的TEER降低和紧密连接蛋白重定位是瞬时可逆的移除壳聚糖后，紧密连接结构和功能逐渐恢复对阳离子HA的启示阳离子HA可能通过类似的整合素-细胞骨架途径影响紧密连接但由于阳离子HA的研究显示其上调而非下调紧密连接蛋白，提示阳离子HA的正电荷密度、分子量或修饰度可能不足以触发壳聚糖样的强紧密连接破坏阳离子HA的渗透增强更可能依赖脂质层相互作用而非紧密连接松弛金属离子的脂质双层桥接与构象调控机制二价金属阳离子（$\ce{Ca^2+}$、$\ce{Mg^2+}$）通过独特的桥接机制同时影响HA分子和脂质双层： HA分子的构象收缩静电屏蔽：$\ce{Mg^2+}$结合HA链上的羧基（$\ce{-COO^-}$），中和负电荷，减少链内和链间静电排斥构象塌缩：HA从扩展的刚性构象收缩为紧凑的柔性构象，流体力学半径减小渗透增强：紧凑的HA分子更易穿透角质层间隙（40-75 nm）脂质双层的桥接与脱水磷脂头基桥接：$\ce{Ca^2+}$和$\ce{Mg^2+}$结合带负电的磷脂头基（磷酸基团和羧基），形成阳离子桥（cation bridge），屏蔽负电荷，减少静电排斥脱水效应：阳离子结合导致磷脂头基脱水，磷酸基团失去水合层双层结构改变：脱水引起脂质双层厚度改变、有序性增加、分子紧密堆积 Ca²⁺ vs Mg²⁺的功能差异融合能力：$\ce{Ca^2+}$能诱导脂质双层融合，$\ce{Mg^2+}$只能诱导聚集但不融合结合模式：$\ce{Ca^2+}$倾向于结合两个磷脂分子的羧基和磷酸基团，形成双齿配位；$\ce{Mg^2+}$结合模式不同对HA递送的影响：$\ce{Mg^2+}$增强HA在脂质界面的累积但保持双层完整性，$\ce{Ca^2+}$可能诱导局部融合和重排脂质双层刚性与通透性的矛盾刚性增加：阳离子桥接和脱水使脂质双层电阻增加、刚性增强，理论上应降低通透性 HA累积：但$\ce{MgCl2}$配方显著增加HMW-HA在角质层的累积，提示$\ce{Mg^2+}$更多是通过改变HA构象而非破坏脂质层来增强渗透局部扰动：高浓度阳离子可能在脂质双层产生相分离和微区重排，创造渗透窗口 Shiseido的”Shape-Shifting”技术利用金属离子对HA构象的可逆调控，Shiseido开发了一种创新的”形状转换“（Shape-Shifting）递送策略：第一步（渗透阶段）：使用$\ce{Mg^2+}$诱导HA分子收缩 $\ce{Mg^2+}$结合HA的羧基，中和负电荷 HA从扩展构象收缩为紧凑构象，流体力学半径减小收缩后的HA更易穿透角质层的狭窄间隙（40-75 nm） $\ce{MgCl2}$还能抑制HA在皮肤表面的沉淀和聚集，使其均匀分散第二步（保湿阶段）：应用络合剂中和$\ce{Mg^2+}$ 络合剂螯合$\ce{Mg^2+}$，解除对HA的静电屏蔽 HA重新展开，恢复其高度水合的扩展构象扩展的HA发挥强大的保湿和屏障修复功能双步策略的优势：先渗透、后保湿：巧妙地利用HA构象的可逆变化，实现了”既能进去，又能留住”的效果高分子量HA的应用：使得即便是HMW-HA也能渗透进角质层，而传统方法只有LMW-HA能渗透屏障友好：相比LMW-HA诱导的脂质破坏（TEWL增加55.5%），这种方法对皮肤屏障的损伤更小这一技术体现了金属离子-HA构象调控在透皮递送中的实际应用价值，也为其他大分子的透皮递送提供了设计思路。两亲性HA的脂质双层插入与相互作用两亲性HA（如胆固醇、神经酰胺修饰）通过疏水锚定实现与脂质双层的深度相互作用：疏水修饰的分子设计两亲性HA的设计基于HA本身的部分两亲性特征：天然HA的部分两亲性：HA骨架含有可形成氢键的羟基（-OH）和羧基（-COOH），在水合状态下呈现部分两亲性结构。这种天然的两亲性为疏水修饰提供了基础疏水锚的引入：通过化学接枝将疏水基团共价连接到HA链上，包括：胆固醇（Cholesterol）：模拟细胞膜组分，增强膜亲和性神经酰胺（Ceramide）：角质层脂质的关键成分，靶向脂质双层己酸（C6, Caproic acid）：中链脂肪酸油酸（C18:1, Oleic acid）：长链不饱和脂肪酸，提高膜流动性两亲性结构：亲水的HA主链 + 疏水的锚定基团，形成两亲性聚合物特定疏水修饰的功能差异 Smejkalova等的研究揭示了不同疏水修饰对细胞摄取和膜流动性的影响： HA-己酸（HA-C6）：中链长度，适度疏水性能够快速进入角质细胞改变细胞膜流动性 HA-油酸（HA-C18:1）：长链不饱和脂肪酸，强疏水性与膜的亲和性更高通过被动内吞途径高效进入细胞载药微粒显著提高膜流动性 HA-胆固醇（HA-Chol）： De Oliveira等报道，HA-Chol修饰的脂质体透皮效率远高于普通脂质体胆固醇锚定使载体能够”插入”脂质层，开辟新的通道脂质双层插入机制疏水锚嵌入：疏水基团插入脂质双层的疏水核心（烃链区域） HA链延伸：亲水的HA链延伸到水性环境（细胞间隙或细胞外）双层扰动：疏水锚的插入破坏脂质的规则排列，增加双层流动性和缺陷胶束与脂质体形成自组装：两亲性HA在水溶液中自组装成胶束或囊泡载药能力：疏水核心可包载脂溶性药物膜融合：两亲性HA胶束可能与角质层脂质双层融合，直接递送药物到双层内部渗透途径的转变跨细胞优先：荧光标记追踪显示两亲性HA通过跨细胞途径转运疏水相互作用增强：疏水修饰使HA能够与脂质层相互作用，同时促进细胞间和跨细胞渗透 HA的受体介导途径与纳米递送系统除了物理化学机制，HA还通过受体介导的生物学途径实现细胞摄取和信号调控。这些途径不依赖于角质层脂质屏障的破坏，而是利用细胞表面受体（如CD44）触发内吞和转运过程。近年来，基于这些生物学途径的纳米递送系统展现出巨大的临床转化潜力。 CD44受体介导的跨细胞途径：HA通过CD44受体内吞进入角质形成细胞，触发细胞内信号通路 HA对紧密连接的意外调控：HA实际上增强而非打开紧密连接，上调claudin-3/4和JAM-1 HA寡糖的尺寸依赖性生物活性：不同大小的HA片段具有截然不同的生物学效应（增殖促进vs炎症调控） HA修饰的纳米载体系统：HA-脂质体通过CD44靶向实现高效经皮递送（2024-2025最新进展）综合机制图景：多途径协同作用，从表层水合到深层信号调控 CD44受体介导的跨细胞途径 CD44作为HA的细胞受体：CD44在表皮角质形成细胞和真皮成纤维细胞中高度表达，对HA具有特异性亲和力。这为HA提供了一种受体介导的内吞（receptor-mediated endocytosis）途径跨细胞vs旁细胞：与传统的旁细胞途径（穿过细胞间隙）不同，CD44介导的途径是跨细胞（transcellular）的——HA分子被细胞摄取、转运并可能释放到基底侧。研究显示，HA修饰的脂质体比未修饰脂质体更易被HaCaT角质形成细胞摄取，这种增强的摄取与CD44介导的内吞作用相关临床意义：这解释了为何一些HA配方能够产生超出表面水合的生物学效应（如Filaggrin和AQP3上调）——HA可能通过CD44受体触发细胞内信号通路，而非仅仅停留在细胞外 HA对紧密连接的意外调控颠覆性发现：研究表明，LMW-HA和HMW-HA都显著增加claudin-3和claudin-4的表达，HMW-HA还上调JAM-1（junctional adhesion molecule-1）。这意味着HA实际上是增强而非打开紧密连接分子量依赖性：这种效应高度依赖分子量。HMW-HA在人角质形成细胞中更强烈地促进紧密连接相关蛋白的表达，表明高分子量HA的主要作用是屏障增强而非渗透促进对递送策略的启示：这一发现提示，单纯依靠HA本身不太可能通过”松弛紧密连接”实现深层渗透。相反，HA的渗透更可能依赖其他机制（如CD44内吞）或需要配合渗透增强剂 HA寡糖的尺寸依赖性生物活性 HA片段化后产生的寡糖（oligosaccharides）展现出与完整HA截然不同的生物活性，这种活性呈现高度尺寸依赖性：中等片段促进角质形成细胞功能：研究发现，100-300 kDa的中等大小HA片段促进人角质形成细胞的划痕伤口闭合，而5-20 kDa的小片段无此效果。50-400 kDa但非<50 kDa的HA片段促进角质形成细胞增殖和表皮增生寡糖的炎症信号：四糖和六糖大小的HA片段诱导树突状细胞免疫表型成熟，增加IL-1β、TNF-α和IL-12的产生。四糖是增强炎症的最小片段，而二糖竞争性阻断TLR4依赖的炎症基底层干细胞调控：HA寡糖促进基底层干细胞存活，通过调控integrin-α6和integrin-β1的表达实现。在皮肤等效模型培养中添加HA寡糖后，表皮变厚受体选择性：RHAMM/HMMR、CD44和TLR2/4都能结合HA，但对特定HA尺寸范围的结合亲和力不同，这解释了尺寸依赖性双刃剑效应：HA寡糖既可促炎（通过TLR4）也可抗炎（二糖阻断TLR4），取决于片段大小和受体参与。这提示在设计HA递送系统时必须精确控制分子量分布 HA修饰的纳米载体系统（2024年最新进展）高分子量HA-脂质体混合系统：2024年研究开发了高分子量HA-脂质体经皮递送系统（HHL），通过反相蒸发、高速匀浆和微射流技术将HHA嵌入脂质体结构。多维验证证实HHA在皮肤组织中的有效渗透和长期驻留 CD44靶向增强摄取：HHL显著增强人角质形成细胞活性，有效抑制光诱导的细胞衰老。与LMW-HA相比，HMW-HA表现出更强的增殖促进和抗衰老效应。CD44受体高表达是关键，HA修饰的脂质体通过CD44介导的内吞作用更易被HaCaT细胞摄取寡糖修饰的协同效应：寡聚HA修饰的脂质体有效改善了鞣花酸的皮肤渗透性和抗衰老活性。HL@Exo（HA-脂质体-外泌体混合系统）利用脂质体载体优势和HA的渗透增强特性，有效促进经皮递送临床转化前景：HA包被的脂质体不仅改善药物包封效率，还增强靶向能力——HA包被使脂质体更好地粘附和渗透特定细胞。这为开发高效、低毒的经皮递送系统提供了新方向综合机制图景：整合所有渗透途径拓展阅读：关于HA及其衍生物如何在分子层面改变角质层通透性的详细物理化学机制（包括渗透压驱动、脂质层破坏性重排、阳离子化改性、金属离子桥接、两亲性修饰等），请参阅姊妹篇透明质酸的多层次渗透增强机制。基于前述三大类机制（天然HA物理化学机制、HA衍生物强化机制、受体介导生物学途径），我们可以勾勒出HA影响皮肤屏障的多层次、多途径综合机制：第一阶段：渗透压驱动的初始水合 HA渗入角质层表层羧基解离产生负电荷，吸引反离子和水分子渗透压驱动水分进入角质层第二阶段：结构性膨胀和重排角质细胞吸水膨胀（厚度增加3-4倍）细胞间隙形成水池（cisternae）脂质层发生相转变、分层脱离、卷曲塌陷第三阶段：生物学响应 LMW-HA上调CASP14，促进Filaggrin→NMF降解 NMF增加进一步增强水合 MLCK途径激活，旁细胞通透性暂时上调第四阶段：通透性窗口形成水性通道：细胞间水池为亲水物质提供渗透路径跨细胞途径：CD44介导的内吞作用（见后续章节）脂质扰动区域：脂质层破坏区域允许分子穿透关键结论：HA影响通透性的机制是物理化学破坏而非生理性调控。虽然能够创造渗透窗口，但伴随屏障损伤（TEWL增加55.5%），这解释了为何单纯依靠HA渗透增强存在安全性风险。整合的多途径机制表层物理化学作用：天然HA通过渗透压驱动水合膨胀、脂质层破坏、Filaggrin-NMF调控，影响角质层上层结构化学修饰强化：阳离子HA、金属离子、两亲性HA通过静电吸附、桥接和脂质插入，增强渗透效率受体介导内吞：CD44受体介导HA跨细胞转运，触发Filaggrin、AQP3等基因表达尺寸依赖性生物活性：不同分子量HA片段通过TLR2/4、CD44等受体调控增殖、炎症和干细胞功能纳米载体协同：HA修饰的脂质体利用CD44靶向和载体保护，实现高效深层递送这一多途径机制解释了为何HA能够产生超出简单水合的多重生物学效应，也为设计新一代HA递送系统提供了理论基础。表层水合：HMW-HA通过吸湿作用在角质层表面形成水合层，同时上调紧密连接蛋白增强屏障有限旁细胞渗透：LMW-HA（<50 kDa）部分穿透脂质层到达颗粒层，但伴随屏障破坏（TEWL增加） CD44介导的跨细胞途径：HA通过CD44受体内吞进入角质形成细胞，触发信号通路寡糖的生物活性信号：特定尺寸的HA片段（100-300 kDa或四糖-六糖）通过TLR2/4、CD44等受体调控细胞增殖、炎症和干细胞功能 \[\Lambda = \sum^{\text{chains}}\sum_i^{N_\text{residue}} \vec{\tau}\cdot \vec{c_i}\\ P_2=\sum^{\text{chains}}\sum_i^{N_\text{residue}} \langle\dfrac{3}{2}\cos^2\theta-1\rangle\]

Specific Sytems · 2026-01-23

破解'聚集密码'：胰岛素-HA-聚电解质协同递送策略（下）

破解“聚集密码”：胰岛素-HA-聚电解质协同递送策略都是ChatGPT调研的，我看了总体上是对的，具体细节还请自行调研确认正确性。本文为下篇，接续上篇对角质层微观水通道、透明质酸分子量依赖性渗透和蛋白质网络捕获机制的阐述，深入探讨胰岛素的聚集行为、三方分子互作网络，以及基于这些认知的递送系统设计策略。摘要本文深入探讨了胰岛素在不同pH条件下的聚集行为（等电点pI 5.3附近最易聚集，酸性条件形成二聚体，中性条件形成六聚体）及其表面电荷分布特征，剖析了胰岛素-HA-聚电解质的三方分子互作网络（静电作用、多点结合、空间位阻）及其在纳米递送系统设计中的应用。研究表明，通过精密调控pH、离子强度、聚电解质类型和浓度，可将胰岛素-HA大聚集体（微米级）转化为稳定的纳米颗粒（约100 nm），并通过竞争性结合策略破坏HA与内源蛋白的互作，从而显著提高经皮渗透效率。HA-OP递送系统通过竞争性结合和抗蛋白吸附效应，将HA-蛋白复合物从~1000 nm缩小至~200 nm，协同聚电解质（COS、PEG-PLys）实现胰岛素解聚与纳米包载，为基于HA的胰岛素经皮递送系统的理性设计提供了系统的理论基础和优化策略。核心结论胰岛素的聚集状态高度依赖pH，在等电点附近（pH 5-6）最易形成大聚集体，强酸或中性条件下相对稳定 ζ电位从酸性约+15 mV翻转至中性约-20至-30 mV，决定与阴离子聚合物（如HA）的相互作用强度聚电解质（如壳聚糖低聚物、PEG-聚赖氨酸）可通过静电作用将胰岛素微米级聚集体解聚为100 nm左右的纳米颗粒胰岛素与HA在强酸条件（pH<3）下可形成稳定复合物，中性条件下因静电排斥需要阳离子聚合物桥接 HA-OP递送系统通过竞争性结合和抗蛋白吸附效应，将HA-蛋白复合物从~1000 nm缩小至~200 nm，突破角质层屏障 pH响应型配方设计可利用皮肤pH梯度实现智能释放，协同物理促渗技术提高临床转化潜力一、胰岛素的聚集密码：pH依赖的分子组装与表面电荷 1.1 pH-聚集曲线：胰岛素是等电点规则的“反例” 传统等电点理论与胰岛素的特殊性传统观点：大多数蛋白在等电点（pI）附近净电荷为零，静电斥力最小，因此最易聚集沉淀。胰岛素的反常行为：人胰岛素pI约为pH 5.3，但实验动力学显示，在pH≈pI(5.0–6.0)附近，淀粉样纤维形成明显变慢或被抑制，而非加速（Amyloid formation of bovine insulin is retarded in moderately acidic pH，Insights into Insulin Fibril Assembly）。关键区分：可逆沉淀 vs 淀粉样聚集：pH 5.5在pI附近确实诱导可逆沉淀，但这与淀粉样纤维形成是不同的过程 pH 5.0处的电荷中和似乎阻碍而非加速自组装在中等酸性pH（5.0-6.0）可以测量的半衰期范围内，淀粉样形成被强烈抑制胰岛素特有的分子因素 1. Zn²⁺六聚体的pH依赖稳定性（Zinc–Ligand Interactions Modulate Assembly and Stability） pH 5-6时六聚体最稳定：Zn²⁺配位His B10残基，锁定六聚体构象单体可用量下降：六聚体形成消耗了大量单体，初级成核受限保护作用：六聚体阻止单体进入淀粉样聚集路径 2. 构象可塑性的pH依赖性（Primary steps of pH-dependent insulin aggregation kinetics）强酸区（pH 2-3）：B链C端与α螺旋柔化，熵损失约150 J·mol⁻¹·K⁻¹，有利于形成聚集核心 pI附近（pH 5-6）：柔性相对降低，六聚体稳定，反而抑制初核形成机制转换：强酸使胰岛素易走“单体→低寡聚→纤维”路径 3. 电荷屏蔽并非唯一驱动（Study of Insulin Aggregation）正负电荷分布与疏水界面不匹配：虽然净电荷趋零减小排斥，但在胰岛素中形成“无助解聚”态需要破坏内稳态：需要酸性质子化或去Zn/去盐来破坏六聚体才会聚集离子/辅基效应：硫酸根、搅拌、升温或去Zn在酸性下强烈促进聚集；相同条件在pI附近则多形成可逆寡聚而非纤维（Elucidation of insulin assembly at acidic and neutral pH） pH 2-3（强酸条件）：二聚体优势与快速纤维化风险在pH 2的强酸环境下，胰岛素所有酸性侧链（Glu、Asp）被质子化为中性，而碱性侧链（Lys、Arg、His）全部带正电。此时胰岛素带有高净正电荷，分子间强烈静电排斥，主要以二聚体或小寡聚体形式存在。寡聚体分布与等周聚集模型：分析超速离心和光散射研究显示：矿物酸中（HCl）：主要呈二聚体（分子量约11 kDa，即2×5.8 kDa）乙酸中：平衡偏向单体动态光散射（DLS）测得pH 3溶液中平均粒径约5-6 nm，对应二聚体或四聚体（Insulin at pH 2, pH-dependent self-association）胰岛素在pH 3时表现出等周聚集（isodesmic association）行为，即单体以恒定结合常数逐级形成更高阶寡聚体：单体⇌二聚体⇌四聚体⇌八聚体⋯，每一步的平衡常数相同。这与经典的成核-延伸模型不同，说明在强酸下胰岛素寡聚化没有明显的“成核势垒”。纤维化需要额外驱动：关键发现是，室温下仅靠酸化通常不会形成长纤维。Podestà等人的原子力显微镜（AFM）研究显示，在65°C加热条件下pH≈2时：几分钟内：出现一系列球形寡聚体（直径10-30 nm）几小时后：开始成核并形成交叉β结构的纤维最终形态：长达微米的淀粉样纤维这说明酸性条件下胰岛素可以形成β-片层富集的纤维聚集体，但需要加热或机械搅拌等额外驱动因素破坏α螺旋稳定性（Early events in insulin fibrillization）。分子动力学模拟也支持这一点：pH从3.0降至1.6时，胰岛素B链末端和螺旋区柔性降低、熵损失约150 J·mol⁻¹·K⁻¹，这种构象僵化有利于聚集核心形成，但仍需外部能量输入（热或剪切）才能跨越α→β转换势垒。 pH 4-4.5（弱酸窗口）：制剂常用pH 稳定的单体/二聚体平衡： pH 4-5是胰岛素制剂的常用缓冲pH（如柠檬酸缓冲液）。此时胰岛素电荷正负接近平衡，实验观察到：主要状态：单体和少量二聚体 DLS粒径：约3-4 nm（单体水合半径）质谱数据：pH 4.5溶液中主要显示5800 Da的单体峰，二聚体信号强度<1%（Ultra-rapid absorption of insulin）在含柠檬酸/EDTA等配方中（pH≈4），$\ce{Zn^2+}$被螯合后，胰岛素迅速解离为单体/二聚体。总体而言，中低浓度的人胰岛素在pH 4-5下保持折叠构象，未见明显的α→β构象变化，溶液比较稳定。动力学特征：接近弱酸pH时仍属“酸性窗口”，但聚集动力学显著变慢：寡聚分布最多到7-mer左右成核/延伸速率低于pH 2-3 仍会在搅拌/升温/盐诱导下进入纤维化路径，但时间尺度为天-周而非小时 pH 5-7（接近pI到中性）：六聚体主导当pH升至5-7范围，Glu/Asp侧链逐渐去质子化带负电，His侧链在pH 6-7附近部分失去质子，而Lys/Arg仍保持正电。净电荷接近零或略带负电，静电斥力减弱，疏水作用和氢键主导聚集。无Zn²⁺条件下的等周聚集：在无$\ce{Zn^2+}$条件下，中性pH胰岛素主要以二聚体存在（单体浓度极低）。静态/动态光散射研究显示，胰岛素在pH 3-8范围内均表现出等周聚集特性，即各级寡聚体（二聚体、四聚体、八聚体⋯）按同一平衡常数结合（Self-association of Zn-insulin, pH-dependent self-association）。这种模型适用于较宽的pH范围，说明胰岛素寡聚化的热力学驱动力在不同pH下保持一致。 Zn²⁺诱导的六聚体稳定：加入$\ce{Zn^2+}$后，三个二聚体通过其B链His10残基配位两个$\ce{Zn^2+}$离子，形成稳定的六聚体（2$\ce{Zn^2+}$：3二聚体 = 6单体），动态光散射测得水合半径约5.4-5.6 nm，分子量约34-36 kDa（Insulin hexamer characterization, Insulin hexamer DLS）。浓度与Zn²⁺依赖性：静态/动态光散射研究发现，在pH 7时：低浓度（<0.3 mg/mL，约0.05 mM）：主要单体-二聚体（5.8-11.6 kDa）中等浓度（>0.3 mg/mL）+ 0.1 mM $\ce{Zn^2+}$：大部分转化为六聚体（~35 kDa），少量单体-二聚体高浓度 + 0.3 mM $\ce{Zn^2+}$：几乎完全为六聚体，出现少量十二聚体（~70 kDa）关键是，这些六聚体可以等周聚集形成更大的寡聚体（12聚、18聚⋯），随着浓度增加，六聚体逐级聚合但仍保持相同的结合常数。六聚体保护作用：中性pH 7.4时，$\ce{Zn^2+}$稳定的六聚体是优势态，显著抑制聚集。若去Zn或添加少量变性剂（GdnHCl 0.25–0.5 M），六聚体解离后随即易聚集成纤维，说明“解六聚→聚集”是关键限制步骤。这解释了为何在中性pH下有Zn时聚集显著受抑。在常温、生理盐浓度下，胰岛素保持其本征α螺旋/环结构较为稳定，未自动转变为β片层，除非施加外部诱导（如高温或剪切）。生理意义：胰岛β细胞内胰岛素以$\ce{Zn^2+}$-六聚体结晶储存，分泌入血后在中性pH、低$\ce{Zn^2+}$环境下解离为二聚体和单体发挥生物活性。 pH 5.3（等电点）：最大聚集风险在pH接近5.3时，胰岛素净电荷为零，分子间既无强静电吸引也无强排斥，最容易发生无定形聚集或沉淀。即使微小的pH波动（0.1-0.2 pH单位）也会导致聚集行为截然不同： pH 4.1：快速形成纳米级颗粒，富含β-聚集结构 pH 4.3：形成微米级颗粒，保留较多天然结构这强调了在制剂开发中严格控制pH的重要性。胰岛素制剂通常采用略偏酸的缓冲体系（pH 3.5-4.0），既避免pI附近的聚集，又维持六聚体稳定。 pH >9（碱性条件）：去稳定化强碱条件虽可使胰岛素带高净负电、溶解性增加，但长期暴露会导致构象改变和化学降解（如脱酰胺），需谨慎避免。汇总表 pH 优势态（DLS粒径）聚集模型纤维化条件 ζ电位范围 Martini3 Go参数建议时间尺度 pH 2-3 二聚体/四聚体（5-6 nm）等周聚集需要加热（65°C）或搅拌约+15 mV εintra=15, εinter=6-7 kJ/mol 快（小时级） pH 4-4.5 单体为主（3-4 nm）单体-二聚体平衡需要搅拌/升温/盐诱导 +10至0 mV εintra=15, εinter=3-5 kJ/mol（或不需要）慢（天-周） pH 5.3 (pI) 可逆沉淀可逆等电点沉淀低聚集动力学，淀粉样形成被抑制 ~0 mV εintra=10-15, εinter=3-5 kJ/mol 中等 pH 7 (无Zn) 二聚体（等周聚集）等周聚集室温下慢，需要去稳定因素触发 -20至-30 mV εintra=15, εinter=6-7 kJ/mol 慢（天-周） pH 7 (有Zn) 六聚体（5.4-5.6 nm，等周聚集）六聚体等周聚集六聚体稳定，不聚集（需去Zn触发） -20至-30 mV εintra=15 + Zn²⁺配位约束（不需εinter）不聚集表注：等周聚集：单体/寡聚体以恒定结合常数逐级聚合（单体⇌二聚体⇌四聚体⋯），无明显成核势垒 εinter参数：基于Korshunova等（2024）的Martini 3研究，6-7 kJ/mol适用于胰岛素二聚体纤维化：室温下仅靠pH调节通常不形成纤维，需要外部驱动（热、剪切）破坏α螺旋稳定性 1.2 表面电荷分布与ζ电位：分子的静电指纹胰岛素的聚集行为不仅取决于净电荷，还取决于表面电荷的空间分布，即电荷补丁（charge patch）。 ζ电位的pH依赖性 ζ电位（zeta potential）反映了胶体颗粒表面的有效电荷，胰岛素的ζ电位随pH呈典型翻转：酸性条件（pH 2-3）：ζ电位为正值（约+15 mV左右，具体值取决于离子强度和胰岛素聚集状态）中性条件（pH 7）：ζ电位为负值（约-20至-30 mV，取决于制剂组成） pI附近（pH 5-6）：ζ ≈ 0 mV（电荷翻转）注：ζ电位的绝对值受离子强度、胰岛素浓度、聚集状态（单体/二聚体/六聚体）等多种因素影响，文献报道的数值存在一定范围（Insulin zeta potential at pH 3, Insulin formulation zeta potential）。这与胰岛素氨基酸序列的解离特性一致： B链His5、His10（pKa ~6-7）：接近中性时失去质子 Glu/Asp残基（如B13-Glu、B21-Glu）：pH >4时电离带负电 Lys/Arg残基（如B22-Arg、B29-Lys）：pH <10始终带正电电荷补丁与分子间相互作用胰岛素表面电荷分布不均匀，形成局部富集正电或负电的区域：正电补丁：B22-Arg、B29-Lys附近区域负电补丁：B13-Glu、B21-Glu、A链酸性残基区域在pH接近pI时，虽然净电荷为零，但正负电荷补丁并存，分子间可通过互补电荷区域的静电吸引（如一个分子的正电补丁对接另一个分子的负电补丁）形成聚集核心。分子建模的APBS电势计算显示，pH 5.3时胰岛素表面同时存在蓝色（正电）和红色（负电）斑块，为分子间拼图式结合提供了驱动力。六聚体稳定性的静电基础六聚体稳定性很大程度依赖分子间电荷作用和氢键网络。$\ce{Zn^2+}$正离子中和了His B10区域的负电环境（$\ce{Zn^2+}$与三个二聚体的His配位），酚分子填充六聚体腔体形成氢键/疏水作用。去除$\ce{Zn^2+}$和酚后，六聚体因电相斥趋于解离。 1.3 聚集态调控的实际意义理解胰岛素的pH-聚集关系对递送系统设计至关重要：制剂pH选择：酸性配方（pH 3.5-4.0）：抑制等电点聚集，维持二聚体或小六聚体，保证制剂澄清和稳定性中性配方+$\ce{Zn^2+}$：形成稳定六聚体，实现缓释效果（如NPH胰岛素）甘精胰岛素：通过修饰提升pI至6.7，在生理pH下快速沉淀形成皮下缓释库与HA相互作用的pH窗口：强酸条件（pH 2-3）：胰岛素带正电，HA带负电，强烈静电吸引，可形成复合物（见第三章）中性条件（pH 7）：胰岛素略带负电，HA强负电，静电排斥，不易直接结合这一pH依赖性为设计pH响应型胰岛素-HA递送系统提供了理论基础。 mindmap root(胰岛素的聚集密码) pH依赖聚集 pH 2：二聚体分子量约**11 kDa** 高净正电荷 pH 7：六聚体需Zn2+离子水合半径约**5.4-5.6 nm** pH 5-6：pI附近净电荷接近零 **最易聚集** 表面电荷分布 ζ电位翻转酸性：约**+15 mV** 中性：约**-20至-30 mV** pI：0 mV 电荷补丁正负区域并存拼图式结合聚电解质作用 PEG-PLys 阳离子PLys结合负电胰岛素 PEG形成亲水壳 **解聚为~100 nm** 壳聚糖低聚物COS 阳离子聚合物静电吸附 HA-OP抗蛋白吸附两性离子结构高度水化层 Stealth效应 **复合物从~1000 nm缩至~200 nm** **与HA相互作用** 强酸pH 2-3：强烈吸引中性pH 7：静电排斥二、胰岛素分子动力学模拟基础 2.1 B链C端构象变化与受体结合机制胰岛素与胰岛素受体结合需要经历一系列复杂的构象变化，最新实验证据和分子动力学（MD）模拟指向B链C端（BC-CT，残基B24-B30）是这些变化的关键位置。拉链式开放机制 BC-CT的开放遵循拉链式（zipper-like）机制，按照closed → open → wide-open的顺序进行：从C端末端残基（如LeuB29）开始沿着BC-CT依次向铰链残基PheB24推进 PheB24和TyrB26的侧链形成疏水核心，维持胰岛素的闭合状态水分子进入疏水核心是驱动开放的关键因素能量消耗：开放过程消耗的能量从LeuB29到铰链残基PheB24系统性增加，wide-open构象是受体结合所必需的，但出现频率极低（约5%概率）。残基特异性柔性（Molecular Dynamics Simulations of Insulin）： ThrB30（C端末端残基）：几乎随机运动，柔性最高 LeuB29：次高柔性，是拉链式开放的起始点 B25-B28残基：中等柔性，逐步向铰链过渡 PheB24（铰链残基）：柔性最低，能量屏障最高溶液中的构象分布：B链C端残基（B25-B30）在溶液中的结构定义远不如晶体结构清晰，这归因于自组装稳定效应在溶液中缺失。多次长时间MD模拟显示，closed/半折叠是溶液中的优势构象，“折回贴近A链”的紧凑态频繁出现。构象无序的普遍性全原子MD模拟揭示单体胰岛素的结构集合（structural ensemble）具有显著的动态性：约六成结构呈现至少一种以下无序元素： A链N端α螺旋融化（AN-helix melting） B链N端脱离（B-chain N-terminus detachment） B链C端脱离（B-chain C-terminus detachment）这些无序元素与微秒尺度的交换动力学相关。 2.2 二硫键的差异化结构角色胰岛素含有三个二硫键：两个链间二硫键（A7-B7和A20-B19）连接A链和B链，一个链内二硫键（A6-A11）位于A链内部。三个二硫键的不同角色二硫键溶剂暴露程度删除后的结构影响功能角色 A7-B7 最暴露中等影响链间连接 A20-B19 部分暴露最大影响：丧失有序二级结构、蛋白酶敏感性增加、紧密性显著降低折叠核心、结构锚点 A6-A11 几乎完全埋藏最小影响变构调控A链N端柔性 A20-B19：proinsulin折叠的第一步 A20-B19是proinsulin折叠过程中第一个形成的二硫键部分折叠的中间体在A20和B19之间形成第一个二硫键后产生长寿命氢键仅存在于侧翼A20-B19二硫键的4个α螺旋位点交换最靠近A20-B19的酰胺质子需要全局解折叠，说明这是分子最稳定的核心 A20-B19与B链C端动力学的耦合 ArgB22位于A20-B19二硫键正上方，其构象和动力学变化会改变该二硫键的溶剂可及性 PheB24侧链（铰链残基）位于A20-B19旁边的疏水裂缝中，稳定B20-B23的β-转角并封闭疏水核心的一侧虽然A20-B19本身提供稳定的结构锚点，但周围区域（尤其是B链C端）的构象柔性对受体结合至关重要关键结论：A20-B19二硫键本身是“静态锚点”，其周围的动态区域才是构象变化的主角。 2.3 构象-功能关系的完整图景常见误解的澄清错误观念：多聚体和受体结合态都是closed构象，free单体是open构象。正确理解：实际情况恰好相反——受体结合需要wide-open构象，而多聚体和free单体主要呈现closed构象。三种功能态的B链C端构象 1. 储存态（多聚体）：B链C端Closed B链C端（B24-B30）折叠形成反平行β折叠，与另一个单体的B链C端配对疏水相互作用（PheB24、PheB25、TyrB26）和β折叠氢键稳定二聚体二聚体是六聚体（T6, T3R3, R6）的基本组装单元必须是closed构象才能形成储存态的寡聚体 2. 受体结合态：B链C端Wide-Open ⚠️ “The wide-open conformation of insulin is necessary for its binding to the insulin receptor” 冷冻电镜结构显示：head-bound胰岛素呈现open构象，与stalk-bound的closed构象形成对比 B链C端必须完全解开（detach）才能插入受体的L1-CR-L2结构域之间 Wide-open构象暴露了跨越A链和B链的不变受体结合表面 3. Free单体：动态平衡，以Closed为主溶液NMR结构显示free单体类似T-state（主要是closed） MD模拟揭示60%呈现至少一种无序元素（包括B链C端脱离） Closed → Open → Wide-open的构象转换是自发的，但wide-open是罕见事件（约5%概率）胰岛素必须等待罕见的wide-open构象出现才能结合受体 T-state vs R-state的正确理解 T/R转换主要涉及B链N端（B1-B8），而不是C端：区域 T-state R-state 受体结合态 B链N端（B1-B8）延伸构象 α螺旋（更紧凑）需要R-like构象 B链C端（B24-B30） Closed（二聚体） Closed（二聚体） Wide-Open T-state：B1-B8延伸，B9-B19为α螺旋 R-state：B1-B19完全形成α螺旋（苯酚结合诱导）受体结合需要B链N端采用R-like构象（局部负φ角）关键洞察 1. 受体结合的速率限制不是扩散，而是构象采样胰岛素在血液中浓度足够高（nM-μM），扩散不是问题真正的瓶颈是等待罕见的wide-open构象出现这解释了为什么胰岛素受体结合的$k_\text{on}$相对较慢 2. 储存和活性形式的构象冲突储存需要closed构象（形成稳定的六聚体）活性需要open构象（结合受体）这种构象冲突是胰岛素调控的内在机制：防止储存态胰岛素过早激活受体 3. MD模拟策略的启示研究储存态寡聚化：使用closed构象，关注二聚体界面稳定性研究受体结合：必须模拟B链C端的开放过程（需要增强采样）研究free单体：需要长时间轨迹或增强采样捕捉罕见的wide-open事件核心结论：胰岛素的功能循环是“从closed储存态，通过罕见的构象采样到达wide-open态，然后结合受体”的过程。受体结合态是open而非closed，这与多聚体的closed储存态形成鲜明对比。理解这一点对于正确设计递送系统至关重要。 2.4 粗粒化模拟的特殊考量：Martini3与Go模型 Martini3中胰岛素的挑战结构失稳问题（Martini 3 OliGo̅mers）：没有Go势的后果：胰岛素结构在Martini3中会快速解体（within nanoseconds） B链C端最先松散：即使施加适度Go约束，B24-B30区域仍是最先塌陷或错配的部分需要额外支持：必须通过精确参数化的Go键来稳定结构 Go模型的参数化策略双层Go设置： εintra（分子内）：稳定三级结构对于胰岛素单体：标准Martini3参数通常不足需要根据全原子模拟校准 εinter（分子间）：稳定四级结构胰岛素二聚体的参数窗口：Korshunova等（2024）系统研究发现，εinter = 6-7 kJ/mol可稳定保持二聚体结构（Martini 3 OliGo̅mers）过低风险（<6 kJ/mol）：二聚体界面过弱，易解离过高风险（>10 kJ/mol）：二聚体过于刚性，内部波动不足，可能导致非物理聚集 Korshunova等（2024）的胰岛素二聚体模拟：该研究是首个系统性测试Martini 3.0.0 + Go模型用于胰岛素寡聚体的工作：模拟设置：起始结构：PDB 5BTS和3W7Y（胰岛素二聚体晶体结构）粗粒化方法：martinize2工具，保留DSSP二级结构弹性网络（EN）：在两链之间引入默认EN保持二聚体构象体系大小：约15000个水珠 + 0.15 M NaCl，盒子尺寸12.3 nm 模拟时间：5 μs × 多组重复关键发现： Go势能量参数约6-7 kJ/mol时，CG模型可稳定保持二聚体结构二级结构（α螺旋）基本保持原样，未发生α→β转换该模拟主要揭示了胰岛素二聚体在不同相互作用强度下的稳定性边界，而非自发纤维化过程弹性网络（EN）vs Go势的选择：方法优势局限适用场景弹性网络（EN）简单、快速、参数少（仅一个力常数）不区分原生/非原生接触，过于刚性稳定单体结构，短时间模拟 Go势（CG-Go）基于接触图，允许构象变化参数敏感，需要校准寡聚化、解离、构象转换研究对胰岛素二聚体，推荐使用Go势（εinter = 6-7 kJ/mol），而非EN，因为EN会过度限制二聚体界面的动态性。实际应用建议单体/自组装模拟：使用仅εintra的Go模型：允许B链C端柔性，但防止整体解折叠如果研究B链C端开放，可能需要switching Go-Martini方法（允许构象转换）调节εintra强度使内部波动匹配全原子参考轨迹二聚体/六聚体模拟（基于Korshunova研究）：使用εintra + εinter双重Go模型推荐参数：εinter = 6-7 kJ/mol（胰岛素二聚体）测试范围：5-10 kJ/mol，观察二聚体稳定性和内部波动验证：二聚体应在预期盐浓度/pH下稳定，但不应形成非特异性大聚集自组装聚集研究：风险：标准Martini3可能低估二聚体/六聚体界面稳定性策略：使用经过校准的Go约束或增强疏水接触参数验证：对比实验的寡聚体分布（SEC、DLS）警告：在研究胰岛素聚集或自组装时，必须确保使用调校后的Go约束或长程疏水参数，否则可能得到非物理的折叠/聚集行为。B链C端的高度柔性使其成为Martini3粗粒化建模中的“薄弱环节”。 2.5 Martini3的已知问题与解决方案过度聚集问题：疏水作用的系统性放大 Martini粗粒化力场存在蛋白-蛋白相互作用过强的已知问题，这在多项研究中被独立验证： 1. 膜蛋白过度聚集（Excessive aggregation of membrane proteins） Martini模型中膜蛋白二聚化自由能是实验值的两倍，导致蛋白在拥挤环境下形成不可逆的大聚集簇团，严重限制了蛋白和脂质的扩散。这种过度聚集不是真实的生物学行为，而是力场artifact。 2. 水溶性蛋白的结合能高估（Rescaling protein-protein interactions） Martini 3对水溶性蛋白的蛋白-蛋白相互作用强度高估约12-20%，表现为：内在无序蛋白（IDP）的回旋半径被低估约30% 小角X射线散射（SAXS）数据显示实验的蛋白-蛋白接触明显少于模拟相分离体系中过度聚集，形成类固体聚集而非液-液共存相 3. 疏水残基过于疏水（Improved Martini parameters） Martini 2.x中芳香侧链（Phe、Pro、Trp）过于疏水，在Martini 3中虽有改进但仍存在不平衡：疏水珠子间的Lennard-Jones势能过强溶质-溶质相互作用相对于溶质-水相互作用失衡碳水化合物、短肽等非蛋白体系也表现出非物理性自聚集这些问题的根本原因是粗粒化过程中熵-焓分解不准确：Martini通过有效势（PMF）来近似原子间相互作用，但这种势函数在不同温度和浓度下的迁移性不足，导致疏水作用被系统性放大。水模型的选择与影响标准Martini水模型（W）： 4:1映射：一个水珠子代表4个水分子早期版本需要抗冻颗粒：Martini 2.x的水模型熔点过高（约290 K），需要添加10% antifreeze颗粒（WF）防止非物理冻结 Martini 3改进：新水模型不再需要抗冻颗粒，但仍存在结构化和压缩性问题极化水模型（polarizable water）（Polarizable water model）：为处理膜蛋白、带电脂质等需要精确静电效应的体系，Yesylevskyy等开发了三珠子极化水模型：三位点模型：中心珠子W通过LJ相互作用，两个带电位点WP（+）和WM（-）处理静电极化优势：更好地描述水的介电性质、表面张力、可压缩性，不需要抗冻颗粒成本：计算量增加约30-50% 选择建议：研究胰岛素聚集等蛋白-蛋白相互作用：标准Martini 3水模型即可，但需要rescaling（见下）涉及强静电效应（如高度带电多肽、膜蛋白跨膜）：考虑极化水模型 Rescaling策略：修正过强的蛋白相互作用针对过度聚集问题，社区提出了多种rescaling方案：方案1：增强蛋白-水相互作用（适用于膜蛋白）对膜蛋白，通过缩放因子α=1.04-1.045增强蛋白-脂质LJ相互作用，可使二聚化自由能与实验值吻合，同时保持界面接触的特异性（Addressing excessive aggregation）。膜蛋白所需的修正幅度（约10%）远小于水溶性蛋白（60%）。方案2：减弱蛋白-蛋白相互作用（推荐用于水溶性蛋白）最新研究表明，将蛋白-蛋白LJ势能缩放至λPP = 0.88-0.92可显著改善： 12个IDP的SAXS拟合 15个多域蛋白的紧密度但完全丧失跨膜蛋白自聚集和FUS液-液相分离能力这提示不存在通用的单一缩放因子，需要根据体系类型调整。方案3：体系特异性校准（适用于定量研究）对特定蛋白（如胰岛素），推荐流程：用全原子MD测定实验可验证的性质（如二聚体解离常数、聚集动力学）在Martini中系统扫描λPP = 0.85-1.0范围选择最匹配实验或全原子参考的缩放因子验证：检查寡聚体分布、扩散系数、聚集时间尺度对胰岛素聚集模拟的具体建议基于上述已知问题，胰岛素在中性pH下的聚集行为模拟需要特别注意：全原子 vs 粗粒化的行为差异：全原子：中性pH无Zn²⁺时，胰岛素易聚集（如你的师兄所说“全原子倒是很快就聚集了”） Martini3标准参数：可能表现出两种极端过度聚集：若疏水作用主导，可能形成非物理紧密簇团聚集不足：若Go约束过强或λPP过低，二聚体界面被削弱推荐模拟策略：建立全原子参考：在相同pH/离子强度下跑全原子MD（至少100 ns × 多副本）记录聚集时间、寡聚体分布、接触界面 Martini3参数调校：使用Martini3 + Go模型测试λPP = 0.88, 0.92, 1.0三个缩放因子对比全原子的聚集动力学（不仅仅是最终结构）水模型选择： pH 7胰岛素（净电荷-1）：标准W水模型足够若需精确pKa或滴定，考虑constant-pH Martini或极化水模型验证指标：二聚体形成/解离的平衡常数聚集体的平均大小和形态（球形 vs 纤维前体）与实验DLS、SEC数据对比关键洞察： Martini3中胰岛素不聚集可能意味着： Go约束过强，锁定了单体构象，阻止了二聚体界面形成或者蛋白-水相互作用被意外增强（检查是否使用了IDP参数或rescaling）而全原子快速聚集是合理的，因为中性pH无Zn²⁺时，胰岛素确实倾向于聚集（见1.1节）。Martini应该重现这一趋势（虽然时间尺度会加速），如果没有，说明参数需要调整。总结：粗粒化模拟胰岛素聚集是一个参数敏感的任务。Martini3的疏水放大问题确实存在（师兄说得对），但在胰岛素体系中可能被Go约束掩盖。建议通过全原子校准+系统扫描λPP来找到合适的平衡点。三、三方博弈：胰岛素-HA-聚电解质的分子互作网络与第二章的联系：理解了胰岛素在分子层面的构象动力学后，本章探讨其在不同pH条件下如何与HA和聚电解质形成复杂的互作网络，为递送系统设计提供分子基础。 3.1 胰岛素与透明质酸的直接相互作用强酸条件下的复合物形成 Jederström等（2004）在开发口服胰岛素配方时发现，在强酸性溶液（pH 2-3，含适量电解质）中，未修饰的HA与胰岛素能够直接相互作用，形成稳定的HA-胰岛素复合物。该体系表现为澄清水溶胶，含有疏水性固体沉淀。相互作用机制：静电引力主导：pH 2-3时胰岛素带正电（ζ电位约+15 mV），HA主链羧基完全去质子化带强负电，两者通过静电吸引结合疏水作用辅助：胰岛素在强酸下构象部分松动，暴露疏水区域，这些疏水区与HA的疏水补丁发生相互作用氢键网络：HA的羟基、N-乙酰基与胰岛素骨架形成氢键，进一步稳定复合物通过动态光散射（DLS）、ζ电位分析、原子力显微镜（AFM）和冷冻电镜（cryo-TEM）等手段证实了复合物形成，并用于提高口服胰岛素的稳定性和生物活性。中性pH的静电排斥在中性或生理pH下，胰岛素略带负电（ζ电位约-20至-30 mV），HA强负电，两者静电排斥，不形成稳定复合物。这解释了为何常规HA凝胶（通常pH 6-7）不能有效包裹胰岛素——两个负电聚合物相互排斥而非结合。 3.2 聚电解质介导的胰岛素聚集体解聚胰岛素在储存或制剂过程中易形成大聚集体（微米级沉淀、淀粉样纤维、球形簇团），严重影响生物活性和稳定性。多种聚电解质（尤其阳离子聚合物）被发现能够部分解聚这些大颗粒，将其重分散为纳米级复合颗粒（约100 nm）。壳聚糖低聚物（COS）：纤维解聚剂 Kalitnik等（2024）首次证明，壳聚糖低聚物（COS）可显著抑制牛胰岛素体外纤维化，并能破坏已形成的胰岛素淀粉样纤维。实验显示，将预先形成的胰岛素纤维与COS按1:10质量比共孵育48小时（37 ℃），可观察到： ThT荧光和圆二色谱显示β-结构含量降低 AFM成像显示长纤维减少，产生较短片段或颗粒（百纳米级）纤维并未完全溶解为单体，而是形成较小的次级结构机制：静电多点结合：COS带正电氨基与纤维表面富集的酸性残基（Glu、Asp）相结合破坏氢键网络：COS插入纤维结构，削弱纤维轴向的连续性，使之断裂电荷屏蔽：中和纤维表面电荷，减少纤维间的侧向聚集其他聚电解质（如聚烯丙胺PAH、硫酸化寡糖CROS）对胰岛素纤维几乎无抑制或解聚作用，说明聚电解质的结构对解聚效果至关重要：COS的直链型多糖骨架和游离氨基赋予其独特的解聚能力。 PEG-b-PLys嵌段共聚物：纳米颗粒稳定剂 Pippa等（2015）报道，聚乙二醇-聚L-赖氨酸（PEG-b-PLys）嵌段共聚物与胰岛素形成稳定纳米复合颗粒：粒径调控：随胰岛素浓度增加，复合物粒径从约60 nm减小至更致密结构离子强度效应：提高盐浓度后，粒径分布收窄变小（适量盐屏蔽过强多点相互作用，使复合物更紧凑） PEG稳定作用：PEG链提供空间位阻，防止颗粒间聚并，提高胶体稳定性机制：阳离子PLys结合负电胰岛素：静电吸附形成核 PEG形成亲水壳：立体稳定，防止二次聚集多价效应优化粒径：PLys链长和投料比决定复合物大小三嵌段共聚物胶束：双重包裹 Skandalis等（2020）开发的阳离子三嵌段共聚物QPDMAEMA-b-PLMA-b-POEGMA（季铵化聚甲基丙烯酸酯-疏水链段-聚乙二醇链段）能够：静电吸附+疏水包合：阳离子段结合胰岛素，疏水段包裹胰岛素疏水区形成稳定纳米颗粒：DLS显示复合物半径40-100 nm，AFM确认分散良好离子强度调控：高盐时出现双峰分布（~15 nm小颗粒 + ~350 nm大聚集），说明盐可部分解离大复合物微米沉淀→100 nm颗粒：层层组装策略 Balabushevich等（2004）和Fan等（2006）通过聚电解质层层自组装（Layer-by-Layer, LbL）技术：先制备5-13 μm胰岛素盐析沉淀或100-230 nm纳米聚集体交替吸附阴阳离子聚合物（如硫酸右旋糖酐/鱼精蛋白，或聚α,β-丙氨酸/壳聚糖）经超声处理，大颗粒破碎但聚电解质层防止重新聚并，稳定为100-200 nm纳米颗粒这些研究共同表明，聚电解质能够通过静电吸附、多点结合和立体稳定作用，将胰岛素从微米级聚集体转化为百纳米级可控颗粒，为胰岛素-HA复合递送系统提供了重要技术基础。 3.3 胰岛素-HA-聚电解质三元相互作用网络在实际的经皮递送系统中，胰岛素、HA和可能的聚电解质添加剂（如壳聚糖、聚赖氨酸等）构成复杂的三元相互作用网络： pH的核心调控作用强酸配方（pH 2-3）：胰岛素（+）+ HA（-） → 形成复合物加入COS/壳聚糖（+）→ 竞争结合HA，可能部分替代胰岛素或形成三元复合物中性配方（pH 7）：胰岛素（-）+ HA（-） → 静电排斥，不直接结合加入阳离子聚合物（如PEG-PLys）→ 分别结合胰岛素和HA，形成独立复合颗粒或桥接复合物离子强度的双刃剑效应低离子强度：静电相互作用最强，易形成大复合聚集（过度交联）适度盐浓度（~50-150 mM）：屏蔽部分静电作用，优化复合物粒径和稳定性高离子强度（>500 mM）：削弱所有静电作用，复合物可能解离分子量的协同效应 HA分子量：高MW HA提供更多结合位点，形成大复合物；低MW HA形成小复合物或不明显结合聚电解质链长：长链聚电解质可交联多个胰岛素/HA分子，短链仅能结合少数分子竞争性结合与优先级当体系同时存在胰岛素、HA和第三方聚电解质时，结合优先级取决于：电荷密度：高电荷密度聚合物（如肝素、聚谷氨酸）优先结合胰岛素结合亲和力：特异性结合蛋白（如CD44对HA）比非特异性静电结合更强浓度比例：过量组分主导相互作用实际递送配方的优化方向 HA分子量选择：选择100-300 kDa的中等分子量HA，平衡渗透能力与载药量胰岛素纳米包载：在适当pH下，利用聚电解质（如PEG-PLys、COS）将胰岛素包裹为100-200 nm纳米颗粒 pH响应释放：利用皮肤pH梯度（表面pH 4.5-5.5 → 真皮pH 7.4），设计在酸性条件下稳定、中性条件下释放的配方物理促渗协同：结合微针、离子导入等物理方法提高递送效率 mindmap root(三方分子互作网络) 胰岛素-HA直接作用强酸pH 2-3 静电吸引形成稳定复合物疏水性沉淀中性pH 7 静电排斥需要阳离子桥接聚电解质桥接 PEG-PLys系统阳离子PLys吸附胰岛素 PEG立体稳定核壳结构~100 nm 壳聚糖低聚物COS 阳离子桥接HA和胰岛素层层自组装粒径可调 pH响应酸性稳定中性解离释放离子强度影响适度盐50-150 mM 优化复合物粒径高盐>500 mM 削弱静电作用复合物解离 HA-蛋白相互作用 CD44、TSG-6、Versican 形成~1000 nm复合物 **减小复合物策略** 选择低MW HA 100-300 kDa平衡点 **配方优化方向** HA分子量选择胰岛素纳米包载 pH响应释放离子强度调控物理促渗协同四、突破屏障：递送系统设计哲学设计原则：基于第二章的构象-功能关系理解，并结合第一章的聚集规律与第三章的三方互作机制，本章提出理性的递送系统设计策略。关键是在维持胰岛素closed储存态稳定性的同时，确保其在靶点能够转换为生物活性的open构象。 4.1 聚电解质辅助策略：从微米聚集到纳米颗粒胰岛素聚集的挑战胰岛素在常规制剂中易形成：六聚体沉淀（μm级，$\ce{Zn^2+}$诱导）淀粉样纤维（长度μm，直径nm，但聚集成更大簇团）无定形聚集（等电点附近沉淀）这些大聚集体无法穿透角质层，且生物活性下降。聚电解质包裹与尺寸控制利用COS、PEG-PLys、QPDMAEMA等聚电解质，可将胰岛素聚集体解聚并稳定为100-200 nm纳米颗粒： COS解聚纤维：物理打断纤维+电荷屏蔽，产生短片段 PEG-PLys包裹：PLys结合胰岛素形成核，PEG提供壳稳定层层组装：多层聚电解质壳防止颗粒重新聚并与HA载体的协同作用低/中MW HA可作为亲水性载体聚电解质将胰岛素聚集体降至~100-200 nm 两者结合：HA可负载聚电解质包裹的胰岛素纳米颗粒，形成复合递送系统 HA载体：提供一定的渗透能力和生物相容性聚电解质-胰岛素复合物（~100 nm）：保护胰岛素活性，防止聚集 4.2 pH响应与离子强度调控利用皮肤pH梯度皮肤表面pH约4.5-5.5（酸膜），角质层内部约5.5-6.0，真皮pH约7.4。设计pH响应型配方可实现：强酸配方（pH 2-3）用于HA-胰岛素复合：在此pH下，胰岛素（+）与HA（-）形成稳定复合物涂抹于皮肤后，接触皮肤酸膜（pH 4.5-5.5），复合物开始部分解离进入真皮（pH 7.4）后，静电排斥完全生效，胰岛素释放弱酸配方（pH 4-5）结合HA载体： HA与聚电解质-胰岛素复合物在此pH下较稳定渗透至真皮后，pH升高可能触发复合物解离，释放胰岛素离子强度的精细调控配方中适度盐浓度（50-150 mM）：优化聚电解质-胰岛素复合物的粒径和稳定性皮肤组织液高盐环境（~150 mM）：进入真皮后，盐浓度屏蔽静电作用，促进复合物解离释放 4.3 生物安全性与临床转化考量生物相容性 HA：人体天然成分，极佳生物相容性，无免疫原性壳聚糖/COS：天然多糖，可生物降解，广泛用于药物递送 PEG-PLys：PEG为FDA批准材料，PLys为天然氨基酸聚合物，低毒性皮肤刺激性阳离子聚电解质可能对皮肤有轻微刺激，需控制浓度和pH 强酸配方（pH 2-3）需评估对角质层屏障的影响（短期接触一般安全，但长期使用需监测）胰岛素稳定性与活性保持聚电解质包裹可保护胰岛素免受酶降解和聚集失活需确认释放后胰岛素的二级结构和受体结合活性完整临床给药途径经皮贴剂：HA/聚电解质-胰岛素复合凝胶，持续释放微针辅助：微针预处理增加皮肤通透性，再涂抹纳米递送系统离子导入/超声导入：物理手段协同化学促渗策略 mindmap root(递送系统设计哲学) HA分子量选择 <50 kDa 渗透强但载药少 100-300 kDa 平衡点载药量适中 >1000 kDa 载药多但难渗透聚电解质包载胰岛素 PEG-PLys 阳离子核亲水壳 ~100 nm COS壳聚糖层层自组装 pH响应解聚机制 **微米级→100 nm** pH响应设计酸性稳定pH 3.5-4.0 抑制聚集维持复合物皮肤pH梯度利用表面4.5-5.5 真皮7.4 智能释放离子强度调控适度盐50-150 mM 优化粒径组织液~150 mM 解离释放 **临床转化** 经皮贴剂微针辅助物理促渗生物安全性评估结语经皮递送大分子药物是纳米医学领域的珠穆朗玛峰——挑战巨大但回报丰厚。本文通过系统解析角质层的多尺度屏障（物理、尺寸、生化）和胰岛素的复杂聚集行为，探讨了基于聚电解质包载和pH响应释放的协同递送策略。然而，从概念验证到临床应用仍有漫长的道路。科学的严谨性要求我们不仅关注成功的案例，更要正视局限、质疑假设、完善机制。只有通过跨学科协作（皮肤生物学、药物化学、纳米材料、临床医学）、多尺度研究（分子-细胞-组织-整体）、理性设计与系统评估相结合，才能最终实现经皮大分子递送的临床转化，为全球数百万糖尿病患者带来无针、无痛、高依从性的胰岛素给药新选择。参考文献胰岛素分子动力学与构象变化 Molecular Dynamics Simulations of Insulin: Elucidating the Conformational Changes that Enable Its Binding Structural Ensemble of the Insulin Monomer Conformational Dynamics of Insulin Insulin in motion: The A6-A11 disulfide bond allosterically modulates structural transitions Additional disulfide bonds in insulin: Prediction, recombinant expression, receptor binding affinity, and stability Evolution of insulin at the edge of foldability and its medical implications 胰岛素受体结合与T/R转换 Structure of the Insulin Receptor-Insulin Complex by Single Particle CryoEM Insight into the Structural and Biological Relevance of the T/R Transition The Structure and Function of Insulin: Decoding the TR Transition Role of C-terminal B-chain residues in insulin assembly Protective hinge in insulin opens to enable its receptor engagement 胰岛素寡聚化与六聚体 Enhanced hexamerization of insulin via assembly pathway rerouting Progress in Simulation Studies of Insulin Structure and Function What Gives an Insulin Hexamer Its Unique Shape and Stability? pH依赖的自组装与聚集等周聚集模型与光散射研究 pH-dependent self-association of zinc-free Insulin characterized by concentration-gradient static light scattering Self-association of Zn-insulin at neutral pH: investigation by concentration gradient–static and dynamic light scattering 纤维化动力学与早期事件 Early events in insulin fibrillization studied by time-lapse atomic force microscopy Primary steps of pH-dependent insulin aggregation kinetics Amyloid formation of bovine insulin is retarded in moderately acidic pH Insights into Insulin Fibril Assembly at Physiological and Acidic pH 结构表征 Insulin at pH 2: Structural Analysis of the Conditions Promoting Insulin Fibre Formation Elucidation of insulin assembly at acidic and neutral pH: Characterization of low molecular weight oligomers Study of Insulin Aggregation and Fibril Structure under Different Environmental Conditions Zn²⁺与六聚体稳定性 Zinc–Ligand Interactions Modulate Assembly and Stability of the Insulin Hexamer Ultra-rapid absorption of recombinant human insulin induced by zinc chelation and surface charge masking Martini3粗粒化模拟基础方法 Martini 3 OliGo̅mers: A Scalable Approach for Multimers and Fibrils（Korshunova等2024，胰岛素二聚体参数） GōMartini 3: Protein Changes & Environmental Bias Corrections Multiscale modeling of protofilament structures: A case study on insulin amyloid aggregates（Puławski & Koliński 2025，多尺度纤维模拟）过度聚集问题与修正 Excessive aggregation of membrane proteins in the Martini model Addressing the Excessive Aggregation of Membrane Proteins in the MARTINI Model Rescaling protein-protein interactions improves Martini 3 for flexible proteins Improved Parameters for the Martini Coarse-Grained Protein Force Field Martini3-IDP: improved Martini 3 force field for disordered proteins 水模型 Polarizable Water Model for the Coarse-Grained MARTINI Force Field Development of polarizable and hydration-focused water models for the Martini 3 force field 结合能与力场验证 Coarse-grained versus atomistic simulations: realistic interaction free energies for real proteins Protein–ligand binding with the coarse-grained Martini model 正如本文标题所示，角质层的“蛋白守门员”看似固若金汤，但通过深入理解其“密码”并设计精妙的“钥匙”（如聚电解质包载、pH响应释放等策略），我们终将打开经皮给药的大门。未来属于那些既有深厚理论基础、又有创新工程思维的研究者——让我们共同期待这一领域的突破时刻。

Specific Sytems · 2026-01-07

破解角质层的蛋白守门员：角质细胞间隙/透明质酸结合蛋白的调研（中篇）

Specific Sytems · 2026-01-06

角质层结构深度解析：从纳米脂质到宏观屏障的多尺度组织

【番外篇】角质层结构深度解析：从纳米脂质到宏观屏障的多尺度组织摘要皮肤屏障的结构组织跨越从纳米级脂质双层到宏观柱状细胞排列的多个尺度。本文系统阐述了角质层的细胞间隙尺度（15-20 nm vs 40-75 nm）、水合状态的双面效应、垂直互锁柱状结构，以及外源透明质酸对角质层和活细胞层水合的影响。研究揭示：活细胞层的水合是整个皮肤水合系统的源头，AQP3水通道蛋白在基底层和棘层高表达维持60-70%的高水合状态。虽然外源HA能显著提高角质层水合度（即时+134%，6周+55%），但水合本身不等于渗透——角质层的脂质疏水排斥和柱状互锁结构、颗粒层的脂质屏障共同构成多层次阻碍。拉曼光谱证据显示，只有极低分子量HA（<50 kDa）才可能到达表皮深层。颠覆性发现：HA实际上增强而非打开紧密连接，但HA可通过CD44受体介导的跨细胞途径进入角质形成细胞触发信号通路，HA修饰的纳米载体系统（2024-2025）为高效经皮递送提供了新方向。核心结论多尺度结构层次：皮肤屏障跨越纳米（脂质双层6-13 nm周期）、细胞间隙（40-75 nm）、到宏观（15-26层柱状堆叠）多个尺度，形成化学和几何双重屏障水合的双面效应：适度水合（15-40%）维持屏障功能，过度水合（>60%）导致脂质分层、TEWL增加、微生物定植风险活细胞层水合是系统源头：AQP3水通道蛋白在基底层和棘层高表达，维持60-70%的高水合状态，是角质层水分的来源。AQP3缺失导致角质层水合降低，证明活细胞层水合对整个表皮屏障至关重要外源HA对角质层的有限作用：虽能显著提高表层水合（+134%），但水合本身不等于渗透，脂质疏水排斥和柱状互锁结构仍是根本障碍分子量的权衡：HMW-HA安全但仅表面作用，LMW-HA可渗透但破坏屏障（TEWL+55.5%），理想策略需平衡效果与安全性 HA增强而非打开紧密连接：颠覆性发现——LMW-HA和HMW-HA都上调claudin-3/4和JAM-1，增强屏障而非促进渗透，单纯依靠HA本身无法通过“松弛紧密连接”实现深层递送 CD44介导的跨细胞途径：HA通过CD44受体介导的内吞作用进入角质形成细胞，触发细胞内信号通路（Filaggrin +35%，AQP3 +16%），这是跨细胞而非旁细胞途径 HA寡糖的尺寸依赖性生物活性：100-300 kDa片段促进角质形成细胞增殖，四糖-六糖大小诱导炎症信号，二糖阻断炎症，必须精确控制分子量分布纳米载体系统的突破（2024-2025）：HA修饰的脂质体通过CD44靶向增强角质形成细胞摄取，实现高效经皮递送，临床转化前景广阔 HA衍生物的独特渗透增强机制：阳离子HA通过静电吸附脂质头基增强渗透（水合度+67%），阳离子聚合物（如壳聚糖）通过整合素-细胞骨架途径可逆性打开紧密连接（TEER降低83%），$\ce{Mg^2+}$通过构象收缩和脂质桥接双重机制增强HMW-HA角质层累积，两亲性HA通过疏水锚嵌入脂质双层实现深度相互作用。这些衍生物提供了超越天然HA的强化渗透策略背景透明质酸（HA）作为强效保湿成分广泛用于护肤品，其保湿机制长期被认为是“吸水锁水”。然而，HA能否真正渗透角质层进入活细胞层？外源HA如何影响角质层的水合状态？这些问题直接关系到HA作为经皮递送载体的可行性。要理解这些问题，必须首先深入了解角质层的多尺度结构组织：从纳米级的脂质双层排列（6-13 nm周期）、细胞间隙尺度（40-75 nm）、到宏观的柱状细胞堆叠（15-26层）。这些结构如何响应水合状态变化？外源HA如何与这些结构相互作用？本文基于最新文献，系统解析这些关键问题。角质层的多尺度结构组织细胞间隙尺度的突变表皮不同层级的细胞间隙尺度差异显著，这是理解HA渗透屏障的关键。活细胞层（基底层/棘层/颗粒层）细胞间隙：15-20 nm 填充物：亲水的HA-蛋白质复合物环境：水性、负电荷角质层细胞间脂质基质细胞间隙：40-75 nm（脂质层40-50 nm，含角质胞桥可达75-100 nm）组成：3-8层脂质双层（典型10层）堆叠环境：极度疏水、电中性脂质双层周期性：短周期相（SPP）：6.0-6.5 nm（正交烃链）长周期相（LPP）：13.0-13.9 nm（六方烃链）角质层组织尺度参数细胞层数：一般部位15-26层，手掌/足底可达100层单细胞尺寸：直径30-50 μm，厚度0.5-1.0 μm（高度扁平化）总厚度：脸颊16.8 μm，手掌173 μm（vs. 一般10-40 μm）垂直互锁的柱状结构角质细胞形成高度有序的垂直互锁柱状结构（vertical interlocking columns）：柱状组织：10-30个扁平角质细胞垂直堆叠成“柱”，整个角质层由数百个柱并排组成互锁机制：相邻柱通过角质胞桥（corneodesmosome）交联，细胞形状为扁平十四面体（Kelvin’s tetrakaidecahedron），最紧密堆积选择性降解：角质层下层，角质胞桥分布在整个细胞表面；中上层仅保留在细胞边缘，形成海绵状或气泡膜状结构脂质填充：脂质基质连续填充柱内（垂直）和柱间（横向），形成无缝三维网络，这解释了垂直和横向间隙厚度相似（40-75 nm）曲折路径：物质渗透必须通过三维曲折路径（tortuous pathway），HA等亲水大分子无法找到“捷径” 关键发现：文献中未明确区分垂直vs横向细胞间隙，40-75 nm指相邻细胞间脂质基质厚度，方向无差异。各向异性主要体现在扩散动力学而非物理间隙大小。板层颗粒与脂质分泌的分子机制板层颗粒（lamellar granules, LGs）是颗粒层细胞中的膜包被细胞器，它分泌的内容物填充了角质层细胞间隙——包括构建脂质双层的脂质、修饰角质桥小体的蛋白（如corneodesmosin）、调控降解的蛋白酶系统以及抗菌肽。板层颗粒的超微结构板层颗粒是角质形成细胞中的膜包被细胞器，具有独特的结构特征：尺寸：直径约100-300 nm 起源：从反式高尔基网络（trans-Golgi network, TGN）起源，属于溶酶体相关细胞器家族内部结构：特征性的层状内含物（lamellar contents），但也可观察到非层状区域，反映了LG内容物的异质性分布：初步形成于浅层棘层，在颗粒层累积图：板层颗粒与trans-Golgi network的关联及Rab11介导的膜转运（左图显示corneodesmosin阳性的LG与TGN46阳性的TGN紧密关联；右图显示Rab11标记沿CDSN阳性LG分布）板层颗粒的货物分类 LGs不仅转运脂质，还运载多种功能性货物，这些货物在LG内形成分离的聚集体：脂质和脂质处理酶：构建细胞间脂质层状结构结构蛋白：如corneodesmosin，释放后特异性结合到桥粒上蛋白酶和蛋白酶抑制剂：如kallikrein相关肽酶（KLKs）和LEKTI，调控角质桥小体降解抗菌肽：提供皮肤的微生物屏障功能关键机制：不同货物形成离散聚集体的精密组织确保了它们在正确的时间、正确的位置发挥功能。例如，KLK8和corneodesmosin在同一LG内形成不同的聚集体，分泌后corneodesmosin专一地结合到桥粒。板层颗粒的膜转运分子机制 LGs从反式高尔基网络（TGN）到细胞顶端质膜的转运涉及多个关键蛋白：CHEVI复合物（VPS33B + VIPAR）调控囊泡对接，Rab11a介导膜转运，SNAP29介导囊泡-质膜融合，ABCA12转运脂质到LG腔内。这些蛋白的突变导致不同类型的鱼鳞病，凸显了LG转运对皮肤屏障形成的关键作用。角质桥小体的分子组装与降解角质桥小体（corneodesmosomes）是角质层细胞间粘附的主要结构，其形成和降解的精密调控对皮肤屏障功能和正常脱屑至关重要。从桥粒到角质桥小体的转变桥粒是从基底层到颗粒层的主要细胞间粘附结构。在颗粒层，corneodesmosin从LGs释放并结合到桥粒的细胞外部分。当桥粒斑块蛋白交联形成角质细胞包膜时，桥粒转变为角质桥小体。图：细胞间脂质层状结构、角质桥小体和桥粒的透射电镜图（上图A显示角质桥小体的细胞外部分充满高电子密度斑块，细胞内桥粒斑块与角质细胞包膜连续；下图B显示桥粒细胞外部分的三层结构）角质桥小体的位置选择性降解角质桥小体在角质层下层遍布整个细胞表面，但在上层大部分被KLKs和其他蛋白酶水解。只有位于扁平细胞边缘的角质桥小体保持未消化状态，这导致组织学切片中看到的特征性“篮筐编织”结构。位置选择性降解的机制 KLKs的作用：kallikrein相关肽酶是角质桥小体降解的主要蛋白酶，储存在LGs中，在颗粒层顶端分泌。分泌后，KLKs经过蛋白水解成熟，靶向降解corneodesmosin、desmoglein 1和desmocollin 1 LEKTI的调控：作为主要的内源性KLK抑制剂，LEKTI也储存在LGs中。分泌后被蛋白水解成多个抑制性片段，结合KLKs并抑制其蛋白水解活性紧密连接的保护作用：紧密连接衍生的屏蔽结构可能保护细胞边缘的角质桥小体免受蛋白水解降解疾病关联：桥粒和角质桥小体异常的遗传性疾病与屏障缺陷和特应性疾病相关。例如，Netherton综合征（LEKTI突变）、炎症性脱皮性皮肤病（corneodesmosin突变）等。紧密连接的几何模型与功能延伸紧密连接（tight junctions, TJs）在表皮中的功能超出了传统的屏障作用，其独特的几何排列和功能延伸为理解皮肤屏障的完整性提供了新视角。 f-TKD几何模型 Yokouchi等提出，带有紧密连接的颗粒层细胞的基本形状是扁平的Kelvin十四面体（flattened Kelvin’s tetrakaidecahedron, f-TKD）。这一模型假设TJs规则地形成于f-TKD细胞的边缘，可以解释： TJ屏障如何在细胞更新的情况下保持结构完整性如何形成规则的角质细胞堆叠紧密连接在角质层的功能延伸虽然传统观点认为TJs在颗粒层第二层（SG2）形成并在第一层（SG1）消失，但使用透射电镜和冷冻断裂电镜技术，在SG1观察到了TJ蛋白阳性的连接结构，在角质层中也检测到了TJ相关结构。这导致了新的认识：TJs的功能意义不止于SG2。TJ衍生的屏蔽结构可能围绕细胞边缘的角质桥小体，确保位置特异性的角质桥小体降解，从而维持角质层的“篮筐编织”结构和屏障完整性。角质细胞包膜与角蛋白-丝聚蛋白网络角质细胞的机械强度和屏障功能依赖于两个关键结构：外周的角质细胞包膜和内部的角蛋白-丝聚蛋白网络。角质细胞包膜的交联形成在颗粒层和角质层交界处，细胞外周的各种蛋白通过谷氨酰胺转移酶1（transglutaminase 1, TGase 1）催化的转谷氨酰胺化作用共价交联，形成角质细胞包膜（cornified cell envelope, CE）。主要成分 Loricrin和involucrin：CE的主要组成蛋白桥粒蛋白：当桥粒转变为角质桥小体时，桥粒蛋白被整合到CE中角质化脂质包膜：CE进一步与细胞外形成的角质化脂质包膜交联疾病意义：TGase 1基因的功能缺失突变导致皮肤屏障功能严重受损、CE缺失或变薄，以及细胞内可见未交联的loricrin颗粒。丝聚蛋白-角蛋白相互作用丝聚蛋白（filaggrin）在角质层的结构组织中扮演关键角色：图：Filaggrin免疫标记显示其在角质层的分布（下层角质细胞Filaggrin阳性，上层阴性；颗粒层中Filaggrin定位于角蛋白透明颗粒KHG）丝聚蛋白的转化过程合成与储存：前体形式profilaggrin在颗粒层合成，储存在角蛋白透明颗粒（keratohyalin granules, KHG）中水解与释放：当颗粒细胞分化为角质细胞时，profilaggrin被蛋白水解成许多filaggrin单体。同时，细胞核和细胞器消失，但角蛋白丝保留聚集功能：Filaggrin分子聚集角蛋白丝，形成角蛋白丝紧密嵌入基质的模式进一步降解：在更表层的角质层，filaggrin分子进一步蛋白水解并降解为氨基酸和其他小分子（即NMF的来源）屏障功能：Filaggrin缺乏导致寻常型鱼鳞病，是特应性皮炎的主要危险因素。在filaggrin基因敲除小鼠中，角蛋白模式丧失，角质细胞易于脱落，外来物质更易渗透。水合状态对角质层结构的影响正常水分梯度与调控健康皮肤存在明显的跨层水分梯度，这种梯度由天然保湿因子（NMF）和脂质层状排列共同维持：皮肤层次水分含量备注真皮 70-90% 来自皮下组织和毛细血管基底层和棘层 60-70% 真正的活细胞层颗粒层约70% 过渡层，正在角化角质层下层 40-50% 水分开始陡降角质层中上层 30-40% 继续脱水角质层表面 15-25% 40-60% RH环境条件下 NMF具有精密的环境响应性调控机制。低湿度时丝聚蛋白降解加速，NMF生成增加以补偿水分蒸发；高湿度时丝聚蛋白降解减慢，NMF生成减少以避免过度水合。这种调控依赖于狭窄的水活度窗口（0.6-0.8），丝聚蛋白向NMF转化只在此范围内高效进行。角质细胞的水合膨胀与病理性改变角质细胞对水合的响应呈现明显的剂量依赖性。正常膨胀范围内，冷冻扫描电镜直接测得的单个角质细胞（corneocyte）在低水合（18-26% wt/wt）时厚度约300-360 nm，高水合（57-87% wt/wt）时增至600-750 nm（约膨胀100%），主要是细胞本体沿法向吸水膨胀，而细胞间脂质层仍保持致密堆叠。临界阈值在85% RH，此时脂质链发生正交→六方转变，流动性显著增加。极端浸水（>300% wt/wt，长时间浸泡）才会在细胞间脂质中形成直径数百纳米至数微米的“水池”，伴随脂质层状结构分层脱离、卷曲塌陷和相分离，标志着水真正闯入脂质网络并破坏屏障。病理性水合发生于长时间高湿度暴露（4-24小时后显著）。细胞间隙出现直径数百纳米至数微米的水聚集区（水池），尺寸可超过膨胀细胞厚度（>600 nm）。脂质层发生分层脱离（delamination）、卷曲塌陷（roll-up）和相分离等破坏性改变。水合的双面效应适度水合（15-40%）是维持屏障功能的必要条件：维持柔韧性防止干裂，促进KLK5/7活性确保正常脱屑，保持脂质流动性利于损伤修复。过度水合（>60%）则带来多重危害：脂质分层脱离导致屏障完整性受损，水池形成为微生物定植提供场所，TEWL增加形成恶性循环。虽然过度水合为亲水物质提供异常渗透窗口，但这伴随着屏障损伤，属于病理性状态。外源透明质酸对角质层和活细胞层水合的影响角质层水合：核心问题外源HA能否提高角质层水合程度？答案是肯定的，但效果高度依赖分子量、配方和使用条件。 HA作为吸湿剂的机制与限制 HA是强效吸湿剂（humectant），能结合1000倍自身重量的水分：从环境吸水：高湿度（>60% RH）下从空气吸水从皮肤深层吸水：膨胀产生“充盈效应” 双向吸水风险：低湿度下可能从深层吸水至表面，导致深层脱水关键限制：HA本身不具封闭性，必须配合封闭剂（神经酰胺、角鲨烷等）锁住水分。封闭性与封闭剂：封闭性（occlusive property）指成分在皮肤表面形成疏水性薄膜、阻止水分蒸发的能力。封闭剂（occlusive agents）如神经酰胺、角鲨烷、凡士林等，通过形成物理屏障减少TEWL。HA作为吸湿剂能吸水但不能锁水，若无封闭剂保护，吸收的水分会快速蒸发，低湿度环境下甚至可能导致深层脱水。护肤配方通常采用“吸湿剂（HA）+封闭剂”的搭配策略。分子量的差异影响分子量决定了HA的渗透能力和安全性权衡。高分子量HA停留表面形成薄膜，降低TEWL 15.6%，安全但不渗透。低分子量HA可穿透角质层，但TEWL增加55.5%，破坏屏障，超低分子量还可诱导炎症。中等分子量HA平衡表面封闭和适度渗透，是较为理想的选择。临床证据外源HA对角质层水合的效果已有充分临床数据支持。即时应用可使水合度增加134%（p < 0.001），持续6周使用水合度增加55%（p < 0.001），显示出即时和长期双重效应。增强配方在标准HA基础上进一步提升效果。阳离子HA30秒应用后，水合度比LMW-HA高67%，比HMW-HA高50%，其正电荷与负电脂质头基的静电吸引是关键。交联RHA（resilient HA）使表皮水分增加7.6%，TEWL降低27.8%，结构稳定性更佳。MgCl₂增强配方显著增加HMW-HA在角质层的累积，利用金属离子改变HA构象促进渗透。 HA衍生物的化学修饰详解：阳离子HA（Cationic HA）：使用季铵盐试剂（如GTMAC，甘油三甲基氯化铵）修饰HA的羧基或羟基，引入正电荷。修饰后的HA从带负电（羧基，$\ce{-COO^-}$）转变为同时携带正电荷（季铵基团，$\ce{-N+{(CH_3)_3}}$）的两性离子聚合物，与带负电的皮肤脂质头基（磷酸基团）产生静电吸引，增强皮肤粘附和渗透交联RHA（Resilient HA）：使用BDDE（1,4-丁二醇二缩水甘油醚）作为交联剂，在HA链间形成共价键。与传统交联HA（修饰度6-10%）相比，RHA的修饰度降低至2-4%，形成更少刚性交联的长链网络，保持HA链的动态滑动能力。这种“弹性”结构使RHA在皮肤上形成更稳定的水合薄膜，减少TEWL MgCl₂增强配方：二价金属阳离子（$\ce{Mg^2+}$）通过静电桥接作用结合HA链上的羧基（$\ce{-COO^-}$），改变HA的分子构象。$\ce{Mg^2+}$诱导HA链从扩展构象收缩为紧凑构象，减小流体力学半径，使高分子量HA更易渗透角质层间隙。此外，$\ce{Mg^2+}$还能与皮肤脂质双层的负电荷磷脂头基桥接，促进HA在脂质界面的累积生物标志物变化揭示了HA的间接调控机制：Filaggrin表达增加35%促进NMF生成，Aquaporin-3表达增加16%增强水分转运能力。对HA递送策略的启示外源HA虽能显著提高角质层表层水合，但存在三大根本性局限：水合的空间局限性明显：外源HA提高的主要是角质层上层1-3层细胞的水合，通过从环境吸水和膨胀实现。这种水合未改变脂质层的疏水性质，脂质双层的SPP（6 nm）和LPP（13 nm）周期性依然完整水合增加需要代价：当水合增加到能够形成“异常渗透窗口”时，往往伴随脂质分层破坏（TEWL增加55.5%）。这是病理性状态而非生理性渗透，LMW-HA虽能穿透角质层，但其渗透过程破坏了脂质层的有序排列，导致分层脱离和相分离化学不相容性是根本障碍：即使细胞间隙从15-20 nm（活细胞层）扩大到40-75 nm（角质层），渗透困难仍未解除。关键在于填充物性质：活细胞层间隙填充亲水的HA-蛋白复合物（水性负电环境），而角质层间隙填充极度疏水的脂质双层（疏水电中性环境）。HA的带负电亲水性被脂质层完全排斥，化学不相容性远比物理间隙重要基于这些认知，有效的递送策略必须采用多管齐下的联合方案：化学修饰：阳离子化增强静电吸引，疏水修饰改善脂质层亲和性物理方法：微针、超声、海绵针等瞬时微通道技术海绵针（Sponge spicules）辅助递送：Haliclona海绵的硅质骨针可在角质层中形成微通道。研究显示，海绵针联合HA-脂质体可使250 kDa的HMW-HA透皮量显著增加，突破了传统方法只能递送LMW-HA的限制微针与HA的协同：微针预处理形成微米级通道，随后应用HA配方可增强渗透，同时HA的保湿和修复功能加速微通道愈合载体系统：脂质体、纳米粒等包载策略，利用载体保护和膜融合机制活细胞层水合：颗粒层脂质屏障的阻隔虽然外源HA能够穿透角质层，但要进一步到达棘层和基底层（典型的活细胞层），仍面临颗粒层的脂质屏障。颗粒层是角质层与活细胞层之间的过渡层，正在经历角化过程。颗粒层扮演着关键屏障角色：脂质合成中心：颗粒层细胞合成并分泌板层小体，释放脂质到细胞间隙形成角质层的脂质双层水性扩散的终点：颗粒层合成的脂质阻止水性物质通过表皮扩散，这是皮肤屏障的核心机制。健康皮肤的水分梯度从颗粒层70%陡降至角质层表面15-25%，水合的维持本质上依赖于颗粒层正因如此，从局部应用到深层进入的途径在富含脂质的颗粒层受阻，这一屏障阻止外源HA分子到达棘层和基底层等真正的活细胞层。拉曼光谱证据：渗透深度的实测 Essendoubi等（2016）利用共聚焦拉曼光谱首次证明HA在人体皮肤中的渗透深度。实验显示，极低分子量HA可到达表皮深层（颗粒层甚至棘层），而高分子量HA仅停留在角质层。定量分析证实渗透效率与分子量呈反比（低分子量渗透率14-19%，高分子量仅2.73-10.2%）。棘层和基底层的水合特征与AQP3的关键作用棘层和基底层（真正的活细胞层）维持着高水合状态（60-70%），显著高于角质层（15-40%）。这些水分包括结合水和游离水，主要来自真皮的皮下组织和毛细血管（真皮水分含量70-90%）。活细胞层水合的重要性不容忽视。这一高水合状态是整个皮肤水合系统的源头，角质层的水分正是来源于活细胞层的持续供给。活细胞层的水合调控依赖于精密的分子机制： AQP3水通道蛋白的核心地位：Aquaporin-3（AQP3）是一种水-甘油-过氧化氢转运通道，在皮肤水合中扮演关键角色。AQP3主要表达于基底层和棘层的细胞质膜，介导水和甘油从真皮-基底膜侧进入角质形成细胞，再通过细胞间隙和跨细胞途径向外层表皮（颗粒层-角质层方向）转运。AQP3表达梯度（基底层高表达，向颗粒层递减）对应着从真皮到角质层的水分递减梯度，确立了真皮→活细胞层→角质层的水分供给轴 AQP3缺失的严重后果：AQP3敲除小鼠研究显示，AQP3缺失导致表皮渗透性降低4倍以上，甘油渗透性降低2倍以上，最终使角质层水合度显著下降。这证明活细胞层的水分转运直接影响角质层水合，两者是连续统一的系统甘油的双重作用：AQP3不仅转运水分，还转运甘油。甘油在外层表皮中结合并保持水分，维持最佳皮肤水合。这解释了为何活细胞层的水合调控对整个表皮屏障功能至关重要值得注意的是，即使极低分子量HA渗透到这些深层，其作用更多是调节内源性水合系统（Filaggrin表达+35%，Aquaporin-3表达+16%），而非直接补充外源水分。外源HA可能通过生物信号通路间接增强AQP3表达，从而促进水分转运。为何棘层和基底层难以被外源HA有效水合？颗粒层脂质屏障的阻隔：即使LMW-HA能够穿透角质层，要到达颗粒层及以下的活细胞层，仍需克服颗粒层合成的致密脂质网络。这一屏障的存在使得外源HA难以大量进入活细胞层。活细胞层的内源性HA已充足：活细胞层本身富含内源性HA（真皮和表皮活区的HA-蛋白复合物），水分含量已维持在60-70%的高水平。外源HA即使少量渗透，对水合的边际贡献有限。紧密连接与细胞外基质：虽然活细胞层的细胞间隙（15-20 nm）比角质层（40-75 nm）更窄，但填充的是亲水的HA-蛋白复合物，理论上对HA更友好。然而，颗粒层的紧密连接（tight junctions）和基质组织的完整性仍限制外源大分子的自由扩散。缺乏直接证据：现有研究多关注HA在角质层的渗透和表层水合效果，对活细胞层水合的直接测量数据极为有限。拉曼光谱虽能检测HA分子的存在，但无法直接量化活细胞层水分含量的变化。结论：外源HA的深层水合效应存疑颗粒层脂质屏障是外源HA深层递送的关键障碍，只有极低分子量HA（<50 kDa）有可能到达活细胞层本身的高水合状态（60-70%）和充足的内源性HA使得外源补充的必要性降低外源HA的主要作用可能是通过调节生物标志物（Filaggrin、AQP3）间接增强内源性水合系统，而非直接补水缺乏量化数据：目前尚无充分证据证明外源HA能够显著提高活细胞层的水分含量参考文献角质层结构与水合 Ishida-Yamamoto A., Igawa S., Kishibe M. Molecular basis of the skin barrier structures revealed by electron microscopy. Exp Dermatol. 2018;27:841-846 Warner R.R., Stone K.J., Boissy Y.L. Hydration disrupts human stratum corneum ultrastructure. J Invest Dermatol. 2003;120(2):275-284. https://pubmed.ncbi.nlm.nih.gov/12542533/ Bouwstra J.A., de Graaff A., et al. Water distribution and related morphology in human stratum corneum at different hydration levels. J Invest Dermatol. 2003;120(5):750-758. https://pubmed.ncbi.nlm.nih.gov/12713576/ Egawa M., Hirao T., Takahashi M. In vivo estimation of stratum corneum thickness from water concentration profiles obtained with Raman spectroscopy. Acta Derm Venereol. 2007;87(1):4-8. https://pubmed.ncbi.nlm.nih.gov/17225008/ Caspers P.J., Lucassen G.W., et al. In vivo confocal Raman microspectroscopy of the skin: noninvasive determination of molecular concentration profiles. J Invest Dermatol. 2001;116(3):434-442. https://pubmed.ncbi.nlm.nih.gov/11231318/ Murata T., Honda T., Mostafa A., Kabashima K. Stratum corneum as polymer sheet: concept and cornification processes. Trends Mol Med. 2022;28(5):350-359. https://doi.org/10.1016/j.molmed.2022.02.008 外源透明质酸的水合效果 Benefits of topical hyaluronic acid for skin quality and signs of skin aging: From literature review to clinical evidence - Bravo et al. Dermatologic Therapy. 2022 Efficacy Evaluation of a Topical Hyaluronic Acid Serum in Facial Photoaging - PMC, 2021 Cationic Hyaluronic Acid Improves Dry Skin Condition - Juniper Publishers, 2025 Biocompatible topical delivery system of high-molecular-weight hyaluronan into human stratum corneum using magnesium chloride - Scientific Reports 2023 Pilot Comparative Study of the Topical Action of a Novel, Crosslinked Resilient Hyaluronic Acid on Skin Hydration and Barrier Function - JDD 2016 Effectiveness of topical hyaluronic acid of different molecular weights in xerosis cutis treatment in elderly - PubMed 2024 HA分子量与渗透 Essendoubi M., et al. Human skin penetration of hyaluronic acid of different molecular weights as probed by Raman spectroscopy. Skin Research and Technology. 2016;22:55-62 Skin Penetration Ability of 12 Hyaluronic Acids with Different Molecular Weights After Topical Application - Juniper Publishers Update on Low-Molecular Weight Hyaluronic Acid in Dermatology: A Scoping Review - European Medical Journal 2024 颗粒层脂质屏障与活细胞层水合 Hyaluronic acid: A key molecule in skin aging - PMC Skin hydration: a review on its molecular mechanisms - Verdier-Sévrain, Journal of Cosmetic Dermatology 2007 In vivo confocal Raman spectroscopy: The window into the skin - Crowther, International Journal of Cosmetic Science 2024 Current Views on Noninvasive in vivo Determination of Physiological Parameters of the Stratum Corneum Using Confocal Raman Microspectroscopy - Skin Pharmacology and Physiology 2022 Liposomal Hyaluronic Acid Enhances Skin Permeation and Hydration: Evidence from In Vitro, Ex Vivo, and In Vivo Studies - PMC 2024 AQP3水通道蛋白与活细胞层水合 Hara-Chikuma M., Verkman A.S. Aquaporin-3 in the epidermis: more than skin deep. Am J Physiol Cell Physiol. 2020 Aquaporins: An Introduction to a Key Factor in the Mechanism of Skin Hydration. Dermatoendocrinol. 2012 Changes in Transepidermal Water Loss and Skin Hydration according to Expression of Aquaporin-3 in Psoriasis. Ann Dermatol. 2012 Aquaporin-3 in Keratinocytes and Skin: Its Role and Interaction with Phospholipase D2. Arch Biochem Biophys. 2011 Epidermal Hyaluronan in Barrier Alteration-Related Disease. Cells. 2021 CD44受体介导的跨细胞途径与紧密连接调控 Rios de la Rosa J.M., et al. Binding and Internalization in Receptor-Targeted Carriers: The Complex Role of CD44 in the Uptake of Hyaluronic Acid-Based Nanoparticles. Adv Healthc Mater. 2019 CD44-mediated uptake and degradation of hyaluronan. Matrix Biol. 2001 Lee H.J., et al. Upregulation of tight junction-related proteins by hyaluronic acid in human HaCaT keratinocytes. Tissue Barriers. 2023 Keratinocyte junctions and the epidermal barrier. Semin Cell Dev Biol. 2007 Epidermal tight junctions in health and disease. Tissue Barriers. 2015 HA寡糖的尺寸依赖性生物活性 Deed R., et al. Specific Sizes of Hyaluronan Oligosaccharides Stimulate Fibroblast Migration and Excisional Wound Repair. PLoS One. 2014 Oligosaccharides of hyaluronic acid increased epidermal cell stemness by modulation of integrin expression. J Cosmet Dermatol. 2013 Jiang D., et al. Hyaluronan, a Crucial Regulator of Inflammation. Front Immunol. 2011 Hyaluronic Acid Oligosaccharides Suppress TLR3-Dependent Cytokine Expression in a TLR4-Dependent Manner. PLoS One. 2013 The anti-inflammatory activity of specific-sized hyaluronic acid oligosaccharides. Carbohydr Polym. 2022 HA修饰的纳米载体系统 Wang Y., et al. High molecular weight hyaluronic acid-liposome delivery system for efficient transdermal treatment. Biomater Adv. 2024 Oligomeric hyaluronic acid-modified liposomes effectively improved skin permeability and anti-ageing activity. Sci Rep. 2025 Hyaluronic acid-liposomes hybridized with HucMSC exosomes for enhanced exosomes transdermal delivery. Int J Biol Macromol. 2025 Rationalizing the Design of Hyaluronic Acid-Decorated Liposomes for Targeting Epidermal Layers. Mol Pharm. 2021 Hyaluronic Acid in Nanopharmaceuticals: An Overview. Pharmaceutics. 2024 HA影响角质层通透性的物理化学机制 Witting M., et al. Interactions of hyaluronic acid with the skin and implications for dermal delivery of biomacromolecules. Mol Pharm. 2015;12(10):3538-3550. DOI: 10.1021/mp500676e Smith P., et al. On the interaction of hyaluronic acid with synovial fluid lipid membranes. Phys Chem Chem Phys. 2019;21:9845-9857. DOI: 10.1039/C9CP01532A Zanchetta C., et al. Hyaluronic Acid in Topical Applications: Various Forms and Biological Effects of a “Hero” Molecule. Biomolecules. 2025;15(12):1656. DOI: 10.3390/biom15121656 Papino M.G., et al. Recent Advances of Hyaluronan for Skin Delivery: From Structure to Fabrication Strategies and Applications. Polymers. 2022;14(22):4833. DOI: 10.3390/polym14224833 Ions in hyaluronic acid solutions. J Biol Chem. 2009 Warner R.R., Stone K.J., Boissy Y.L. Hydration disrupts human stratum corneum ultrastructure. J Invest Dermatol. 2003 Bouwstra J.A., Gooris G.S., et al. The physics of stratum corneum lipid membranes. J Lipid Res. 2016 Mori N., Morita K., et al. New Functions of Low-Molecular-Weight Hyaluronic Acid on Epidermis Filaggrin Production and Degradation. Cosmetics. 2021 Understanding the Role of Natural Moisturizing Factor in Skin Hydration. Practical Dermatology. 2012 Hsu C.Y., et al. Applications and delivery mechanisms of hyaluronic acid used for topical/transdermal delivery. Int J Pharm. 2020 Akdeniz M., et al. Skin Structure, Physiology, and Pathology in Topical and Transdermal Drug Delivery. Pharmaceutics. 2024 Non-invasive skin topical delivery of hyaluronan. bioRxiv. 2025 HA衍生物和阳离子聚合物的渗透增强机制 Cationic Hyaluronic Acid Improves Dry Skin Condition. Juniper Publishers. 2025 Hyaluronic acid and HA-modified cationic liposomes for promoting skin penetration and retention. J Control Release. 2023 Biocompatible topical delivery system of high-molecular-weight hyaluronan into human stratum corneum using magnesium chloride. Sci Rep. 2023 Detection of a new reaction by-product in BDDE cross-linked autoclaved hyaluronic acid hydrogels. Med Devices. 2018 Efficacy and Safety of 3 New Resilient Hyaluronic Acid Fillers. Dermatol Surg. 2019 Mechanism and consequence of chitosan-mediated reversible epithelial tight junction opening. Biomaterials. 2011 Effect of chitosan on epithelial cell tight junctions. Pharm Res. 2004 Quaternization of high molecular weight chitosan for increasing intestinal drug absorption. Sci Rep. 2023 The complex nature of calcium cation interactions with phospholipid bilayers. Sci Rep. 2016 Effect of Calcium and Magnesium on Phosphatidylserine Membranes. Biophys J. 2012 Magnesium Induced Lipid Bilayer Microdomain Reorganizations. Biophys J. 2009 Chemical Modification of Hyaluronan and Their Biomedical Applications. Polymers. 2022 本文基于2023-2025年最新文献系统整理，深度解析皮肤屏障的多尺度结构组织、水合调控机制，以及外源透明质酸对角质层和活细胞层水合的影响。研究揭示了“水合≠渗透”的关键认知：虽然外源HA能显著提高角质层表层水合，但角质层脂质层的疏水排斥、柱状互锁结构以及颗粒层的脂质屏障共同构成多层次阻碍。拉曼光谱证据显示，只有极低分子量HA（<50 kDa）可能到达表皮深层，但对活细胞层水合的直接贡献仍缺乏充分证据。这些发现对于理解HA护肤品的实际作用机制和设计有效的经皮递送策略具有重要指导意义。

Specific Sytems · 2026-01-06

单步O-GlcNAc标记锁定FEN1糖基化控制细胞周期

单步O-GlcNAc标记锁定FEN1糖基化控制细胞周期本文信息标题: “一步式”酶促标记揭示O-GlcNAc参与FEN1介导的细胞周期作者: Yinping Tian, Qiang Zhu, Zeyu Sun, Didi Geng, Bingyi Lin 等，通讯作者是 Wen Yi 发表时间: 2021年11月2日单位: 浙江大学生命科学学院、浙江大学第一附属医院（中国杭州）；北京生命科学研究所（中国北京）；南方科技大学（中国深圳）；中科院上海药物所（中国上海）引用格式: Tian, Y., Zhu, Q., Sun, Z., Geng, D., Lin, B., Su, X., He, J., Guo, M., Xu, H., Zhao, Y., Qin, W., Wang, P. G., Wen, L., & Yi, W. (2021). One-Step Enzymatic Labeling Reveals a Critical Role of O-GlcNAcylation in Cell-Cycle Progression and DNA Damage Response. Angewandte Chemie International Edition, 60, 26128–26135. https://doi.org/10.1002/anie.202110053 摘要 O-连接N-乙酰葡糖胺是一种对细胞功能至关重要且遍布全蛋白质组的翻译后修饰，其水平发生扰动会直接改变细胞周期推进与DNA损伤应答，但具体机制尚不清楚。本文开发高灵敏度的一步酶促策略，在细胞内直接捕获并描绘O-GlcNAc化蛋白。依托该策略，团队发现DNA合成必需酶FEN1是新的O-GlcNAc底物，且其修饰量在整个细胞周期中动态调控。FEN1的Ser352位点发生O-GlcNAc会破坏其在复制焦点与PCNA的互作，引发细胞周期紊乱、DNA复制缺陷、DNA损伤积累，并显著提高对损伤试剂的敏感性。该工作既提供可精准描绘O-GlcNAc蛋白的敏感方法，也揭示了O-GlcNAc调控细胞周期与DNA损伤应答的全新机制。核心结论 K279A突变体可以高效转移生物素化UDP-GalNAc，实现一步式O-GlcNAc捕获一步式流程在HEK293T细胞中识别出740种O-GlcNAc蛋白，较传统方案多247个低丰度靶标 Ser352糖基化的周期性体现在G1期约30%、S期约4，并对DNA损伤信号高度敏感 S352 O-GlcNAc的亲和力损失使FEN1与PCNA的结合下降一个数量级，引发S期延迟和DNA损伤累积背景 O-GlcNAc修饰是发生在丝氨酸或苏氨酸上的可逆糖基化，负责在代谢、信号转导和细胞周期之间传递单糖指令。传统两步式化学放大策略依赖GalT转移含叠氮的GalNAz，再以CuAAC接枝生物素或荧光团，但二次点击反应常受速率慢、非特异副反应及细胞环境干扰，限制了对低丰度底物的捕获深度。 DNA复制与损伤修复对酶促PTM高度敏感。FEN1在RNA引物切除与长片段修复中是不可或缺的核酸内切酶，虽然其磷酸化、乙酰化与泛素化已被深入研究，但迄今尚无糖基化证据，导致我们难以理解糖代谢信号如何反馈到复制与损伤应答。多尺度调控要靠能够兼具灵敏度与特异性的原位糖蛋白捕获手段，才能系统揭示O-GlcNAc网络并解析其如何影响细胞周期、蛋白互作与DNA稳态。关键科学问题工程化糖基转移酶的问题：能否将含宏观报告基团的UDP-GalNAc直接转移至O-GlcNAc位点，从而省略易出错的化学点击步骤？一步式方法的覆盖度与特异性：是否优于传统两步法，并能识别此前未被发现的低丰度O-GlcNAc蛋白？ FEN1糖基化的周期性与机制：是否通过特定途径影响PCNA互作、DNA复制与损伤应答？创新点结构引导定位GalT1瓶颈（K279/F280）并构建K279A突变体，配合生物素化UDP-GalNAc实现“一步式”标记 PNGaseF预处理+HRP-streptavidin检测与定量蛋白质组学结合显著提升O-GlcNAc鉴定深度 FEN1 Ser352的动态O-GlcNAc 被首次证明可破坏FEN1-PCNA界面、调控复制进程与DNA损伤积累研究内容方法概览：结构引导的GalT1工程与生物素化UDP-GalNAc 研究团队从GalT1晶体结构（PDB 1OQM）切入，确认K279/F280位于活性口袋入口并构成容纳大位阻供体的瓶颈。GalNAc部分沿着催化口袋直径延伸，N-乙酰基距离L255、M277、K279、F280、Y289等残基的甲基约5 Å，提示这些位点直接界定C2位取代基的空间。对于希望复现或扩展分子模拟的研究者而言，L255-M277-K279-F280-Y289围成的入口环就是评估体积效应的最小结构单元。通过突变K279A、F280A及双突变，配合自制四类UDP-GalNAc衍生物，筛选出在HPLC酶学与肽基底实验中活性最优的GalT1-K279A。模拟提示：相对于GalT1-Y289L（文中称GalT1），K279A让供体C2方向多出可容纳约3 Å投影长度的空腔，因此在建模时可将C2位以长链生物素接头替代而不会与F280、Y289产生排斥；若想评估更大供体，可进一步同时削弱F280与入口侧链的疏水堆叠。入口对齐建议：在构建分子动力学体系时，把K279A侧链旋转到同GalNAc乙酰基同平面，可最大化C2方向空腔；若需快速筛选突变，可先利用L255/M277/F280的侧链体积作为单纯几何判据，再进入昂贵的MD阶段。 graph TB direction LR A["结构分析确定K279/F280限制C2位修饰"] --> B["定点突变并表达纯化单/双突变体"] B --> C["合成UDP-GalNAz与生物素/荧光修饰UDP-GalNAc"] C --> D["HPLC+肽底物评估kcat/Km，筛选GalT1-K279A+UDP-GalNAc-Biotin组合"] D --> E["在细胞裂解液中联合PNGaseF预处理与HRP-streptavidin检测"] E --> F["Streptavidin磁珠富集→LC-MS/MS蛋白质组学鉴定"] GalT1-K279A对生物素化供体的$k_\text{cat}$提升约7倍，$k_\text{cat}/K_m$达$125.9\,\mathrm{M^{-1}s^{-1}}$，远高于野生型（$17.6\,\mathrm{M^{-1}s^{-1}}$），为一步式标记奠定基础。尽管如此，作者指出K279A对UDP-GalNAc-Biotin的催化效率仍只有原生GalT1/UDP-GalNAc的约1/6，这意味着在放大实验中要为供体转移预留更高的酶量或更长的反应时间。当供体混合时，K279A利用生物素供体的效率约为UDP-GalNAz的1/65，而野生型仅为1/100，这个数字是调度糖核苷酸比例的直接参数，提供了评估供体混合体系的动力学参考。 SI中的动力学数据可为分子建模和酶工程提供更精确的边界条件：供体酶 $k_\text{cat}$ (s$^{-1}$) $K_m$ (µM) $k_\text{cat}/K_m$ (M$^{-1}$s$^{-1}$) 备注 UDP-GalNAc GalT1-Y289L $0.188 \pm 0.007$ $228.9 \pm 23.6$ $821.3 \pm 30.1$ 天然底物基线 UDP-GalNAz GalT1-Y289L $0.105 \pm 0.002$ $127.9 \pm 10.6$ $822.7 \pm 35.2$ 叠氮底物亲和下降约1.8倍 UDP-GalNAc-Biotin GalT1-Y289L $0.001 \pm 0.00004$ $72.5 \pm 8.5$ $17.6 \pm 4.3$ 大位阻供体导致催化受阻 UDP-GalNAc-Biotin GalT1-K279A $0.007 \pm 0.0002$ $57.2 \pm 6.1$ $125.9 \pm 26.2$ K279A恢复催化并改善结合 UDP-GalNAc-Biotin GalT1-F280A $0.001 \pm 0.00003$ $49.3 \pm 5.0$ $28.1 \pm 6.4$ F280A主要降低$K_m$ UDP-GalNAc-Biotin GalT1-K279A/F280A $0.002 \pm 0.00005$ $46.8 \pm 5.4$ $52.4 \pm 9.9$ 结合与催化折中表格显示K279A在催化速率上提供主要增益，而F280A偏向优化配体结合，因此在构建势能面或筛选突变组合时，可将K279A视作“速率控制”，F280A视作“入口调谐”位点。 SI的供体特异性筛选提供了更快速的活性优先级参考：供体 GalT1-Y289L相对活性 K279A F280A K279A/F280A UDP-GalNAc $100 \pm 9$ $137 \pm 4$ $202 \pm 6$ $200 \pm 2$ UDP-GalNAz $98 \pm 2$ $101 \pm 5$ $19 \pm 1$ $21 \pm 2$ UDP-GalNAc-Biotin $2 \pm 0.3$ $11 \pm 0.5$ $4 \pm 1$ $9 \pm 0.7$ UDP-GalNAc-Click-Biotin $2 \pm 0.6$ $9 \pm 0.6$ $2 \pm 0.6$ $4 \pm 0.7$ UDP-GalNAc-NBD $1 \pm 0.1$ $5 \pm 0.7$ <$1$ $1 \pm 0.7$ 相对活性表说明K279A是唯一对所有大位阻供体保持>5%残余活性的突变，如果在分子模拟里要同时评估不同探针，可优先以K279A结构为母本，再在局部引入F280A等额外修饰。 Table S1列出的“供体特异性”数据显示，GalT1-Y289L在短连接子的UDP-GalNAc-Click-Biotin（图1C第二行左侧）和UDP-GalNAc-NBD（右侧）上仅保留约2%和1%的相对活性，即便换成K279A突变也只有9%和5%左右；F280A和K279A/F280A更低，很多组合都落在2–4%区间，甚至对NBD供体几乎无活性。这说明短连接子的两个供体虽然在图1C中展示，但实验确实证实“突变体对它俩的效率也不高”，所以作者后续主推的是长链生物素供体（图1C第一行左侧），并没有在细胞里继续用那两个短linker。图S4：UDP-GalNAz与生物素供体的竞争实验 A：HPLC示意浓缩了“同池竞争”的设置，500 µM UDP-GalNAz与500 µM UDP-GalNAc-Biotin共同存在，产品峰面积直接反映哪一种被优先转移。 B：条形量化表明GalT1只会把1/100的生物素供体转移出去，而K279A能把比例提高到约1/65，正好对应正文提到的数据，读者可以用它来复现或校准反应。图1：GalT1结构指导的一步式标记设计 A：示意图直观对比“两步法”与“一步法”，并给出三次重复的柱状数据，同量裂解液下信噪比几乎翻倍。 B：结构放大图突出K279/F280与GalNAc乙酰基仅5 Å的距离，说明入口空间受限，需要借助K279A/F280A让长链生物素挤出通道。 C：四种供体结构揭示不同接头长度的适配性；表S1显示短接头（Click-Biotin、NBD）活性<10%，因此这些供体只作为对照而非推荐方案。图S1：SI中的GalT1突变位点解析左图以PDB 1OQM为底，放大显示L255、M277、K279、F280、Y289围成的入口；黄色虚线标注它们到GalNAc乙酰基的距离，强调5 Å这一关键空间限制。右上角的球棍图展示Y289L如何让C2位容纳小修饰，而K279A/F280A提供更大的侧向空间，为我们理解图1B的突变选择提供直观依据。该图也给出供体模式图，说明短接头（NBD、Click-Biotin）一旦进入紧窄入口就会被卡住，与表S1中<10%的残余活性相吻合。蛋白质组学：一步式捕获拓宽O-GlcNAc图谱 PNGaseF清除N-糖干扰后，实验团队把传统两步法与新的一步法放在同一块胶上直接比较（图2A），结果显示一步法在同量裂解液下能把信噪比提高到原来的两倍左右。随后在图2B中，他们刻意去掉PNGaseF以检验是否会误标N-糖，发现信号几乎不变，说明真正被捕获的都是O-GlcNAc。图2C再加入TMG和OSMI-4这类药物，OGA抑制剂TMG让信号进一步增强而OGT抑制剂OSMI-4几乎让信号归零，直接坐实“一步法专抓O-GlcNAc”。最后图2D用韦恩图告诉我们，一步法在1% FDR阈值下识别出740个蛋白，比两步法多247个，这个差值主要来自IMP1、importin β等低丰度靶标。图S5进一步展示了25 µM UDP-GalNAc-Biotin和0.3 µM GalT1-K279A即可使信号达到平台期，使得读者可以复现实验所需的供体与酶用量。图S5：不同UDP-GalNAc-Biotin浓度与酶量的条件优化 A：在0-100 µM的UDP-GalNAc-Biotin梯度下，信号在25 µM附近达到稳态，为后续细胞实验提供供体浓度依据。 B：改变GalT1-K279A用量可见0.3 µM即可饱和反应，避免不必要的酶消耗。图2：一步式捕获的灵敏度与蛋白质组学覆盖度 A：胶图配合定量柱展示同量裂解液、相同显色条件下的一步法信噪比；提升幅度目测翻倍。 B：PNGaseF前后信号重合，说明N-糖不会误标；这里强调一步法抓的确实是O-GlcNAc。 C：TMG（100 µM）让信号增强而OSMI-4（20 µM）几乎抹去信号，药物控制直接证明该流程的特异性。 D：韦恩图给出740 vs 570的数量差异，额外247个低丰度靶标构成推广该流程的核心数据。 FEN1糖基化的动态与定位效应蛋白质组学筛到FEN1后，作者先用传统两步法确认这个底物确实存在（图3A），接着在图3B中展示只要让OGT工作得更快或抑制OGA，FEN1糖基化量就立刻攀升，说明它受经典OGT/OGA轴调控。图3C-3D把HeLa细胞同步到G2/M再释放，算出G1阶段约30% FEN1被糖基化、S期只有4%，具体数字让“糖基化节律”变得可量化。图3E又告诉我们UV、CPT、MMC、H₂O₂等复制压力都能把糖基化推高，说明FEN1糖基化是对损伤信号十分敏感的动态开关。图3F配合图S8的LC-MS/MS光谱进一步锁定S352：S352A几乎把糖基化降到1/5，而S351A影响甚微，与质谱诊断离子完全吻合。图3：FEN1 O-GlcNAc的动态调控 A：输入/洗脱泳道配合anti-Flag免疫印迹，确认FEN1确实带有O-GlcNAc修饰。 B：OGT过量或TMG处理都会让条带变深，说明修饰量受经典OGT/OGA轴调控。 C-D：细胞同步实验定量出G1约30%、S期约4%的占比，把“糖基化节律”转化为可视化数字。 E：UV、CPT、MMC、H₂O₂等损伤剂全部推高糖基化，强调它对复制压力的敏感性。 F：S352A几乎抹去信号、S351A影响甚微，与LC-MS/MS定位的主位点完全吻合。 PCNA互作受阻与DNA复制缺陷结构模拟显示S352位于FEN1与PCNA的β-α-β界面，并且通过两根氢键抓住PCNA的M119/L121。Figure 4A用结构图把这两根氢键画得清清楚楚；图4B则在细胞里直接演示当糖基化被TMG推高或者OGT过量时，FEN1拉下来的PCNA信号就大幅下降，从实验上印证“糖基化削弱互作”这一结论。图S10和图S13进一步给出全长FEN1及S352A/S352C肽段的ITC拟合曲线，显示糖基化会压低放热峰、让$K_a$从$7.04\times10^5$跌到$5.01\times10^4\,\mathrm{M^{-1}}$。对于构建FEN1-PCNA复合物的模拟者来说，必须保持S352—M119/L121的氢键作为初始约束，否则复现实验趋势会十分困难。免疫共沉淀与ITC验证，S352 O-GlcNAc使肽段与PCNA的亲和力从$K_a = 7.04 \times 10^5\,\mathrm{M^{-1}}$下降到$5.01 \times 10^4\,\mathrm{M^{-1}}$。全长FEN1的$K_a$约$6.02 \times 10^4\,\mathrm{M^{-1}}$。图S10：全长FEN1与PCNA的ITC曲线左侧的热量变化与右侧的拟合曲线详细展示了$K_a = 6.02 \times 10^4\,\mathrm{M^{-1}}$如何拟合出来，供需要复现的读者参考注入体积、浓度与温度。曲线也表明糖基化会把放热峰大幅压低，使得拟合斜率减小，与正文“亲和力下降一个数量级”完全一致。图S13：S352A与S352C肽段的ITC对比面板A（S352A）保留较强的结合，而面板B（S352C）曲线明显变平，直观展示$K_a$从$7.04 \times 10^5$跌到$5.01 \times 10^4\,\mathrm{M^{-1}}$的全过程。图中也给出了注射体积、间隔等实验参数，方便想要重复该实验或开展模拟的研究者取用。图4：S352糖基化破坏FEN1-PCNA互作 A：结构图突出S352与PCNA M119/L121之间2.8-3.0 Å的氢键网络，解释糖基化为何会破坏界面。 B：免疫共沉淀条形图展现OGT/TMG处理导致PCNA信号显著下降，是“糖基化越高、结合越弱”的直接证据。 C：ITC曲线提供定量数据，未糖基化肽段$K_a = 7.04 \times 10^5\,\mathrm{M^{-1}}$，糖基化后降到$5.01 \times 10^4\,\mathrm{M^{-1}}$，全文还给出全长FEN1的$K_a = 6.02 \times 10^4\,\mathrm{M^{-1}}$供校准。细胞表型：FEN1糖基化驱动复制压力与DNA损伤为了模拟不同糖基化状态，作者构建了S352A（低糖）和S352C（S-GlcNAc，高糖）两个突变体。Figure 5A-B通过RL2抗体验证S352C确实维持高糖基化并可被OSMI-4抑制；图5C的流式细胞术进一步显示高糖状态会让S期比例居高不下、晚S/G2堆积，说明复制进程被拖慢。图5D的EdU实验把这一现象可视化：绿色的复制信号明显减少，尤其在H₂O₂胁迫下差距更大。图5E的γH2AX染色又告诉我们DNA断裂在持续累积，而图5F的MTT曲线则收尾：在100 µM H₂O₂环境里，高糖的细胞存活率远低于野生型，说明糖基化让细胞对氧化压力更脆弱。图5：FEN1高糖基化导致细胞周期与DNA损伤异常 A-B：免疫印迹与定量条形证实S352C保持高O-GlcNAc且可被OSMI-4抑制，为“高糖模型”奠定基础。 C：流式细胞图展示S352C或TMG导致S期延长、晚S/G2阻滞，复刻了复制压力升高的表型。 D：EdU图像“绿色少、红色多”，特别在H₂O₂下差异更大，说明复制速度确实下降。 E：γH2AX免疫荧光与统计表明DNA断裂积累，与复制缺陷相呼应。 F：MTT曲线显示在100 µM H₂O₂条件下S352C存活率明显低于WT，体现“糖基化越高越脆弱”。结果逻辑图：从酶工程到细胞周期调控 graph TB subgraph S1["1.酶工程与化学合成"] direction LR A1("GalT1-K279A容纳生物素化UDP-GalNAc") --> A2("一步式转移显著提升信噪比") end subgraph S2["2.蛋白质组学洞察"] direction LR B1("HEK293T等细胞裂解液") --> B2("Streptavidin富集+LC-MS/MS") B2 --> B3("识别740个O-GlcNAc蛋白") B3 --> B4("新底物FEN1浮现") end subgraph S3["3.FEN1功能后果"] direction LR C1("S352 O-GlcNAc随细胞周期与DNA损伤波动") --> C2("糖基化削弱FEN1-PCNA互作") C2 --> C3("复制位点解离→S期延长与复制压力") C3 --> C4("gH2AX积累、H₂O₂敏感性上升") end S1 --> S2 --> S3 Q&A Q1: 一步式GalT1-K279A策略为何能显著提升捕获灵敏度？ A1: 传统两步法需在GalNAz标记后再进行CuAAC，第二步常受限于慢速点击和非特异副反应，导致部分低丰度O-GlcNAc蛋白在富集前已流失。K279A扩大供体入口、让生物素化UDP-GalNAc一次转移完成, 既规避点击副反应，也把处理时间缩短，从而额外识别247个低丰度靶标（IMP1、importin β等）。 Q2: 为什么S352A并未完全代表“低糖”状态，反而也削弱了PCNA互作？ A2: 结构分析显示S352羟基与PCNA M119/L121形成氢键网络；Ser→Ala突变直接失去氢键，PCNA结合力随之下降, 即使没有O-GlcNAc也无法复制天然丝氨酸。相比之下，S→C可形成S-GlcNAc并保留取向，因此作者将S352C视为“高糖”模型，而研究“无糖”仍需保留丝氨酸或采用化学去糖化手段。 Q3: FEN1糖基化如何与其他PTM协同或互不干扰？ A3: 作者检测K354多泛素化、S187磷酸化，发现S352C与S352A与野生型信号接近，说明S352糖基化是独立开关，不依赖其它PTM调整。不过糖基化和磷酸化都能促使FEN1脱离复制位点，暗示不同PTM可能在时间上错峰调控FEN1装配，为多PTM整合研究提供方向。关键结论与批判性总结潜在影响：一步式GalT1工程大幅提升了细胞水平O-GlcNAc蛋白组学的检测深度，为研究低丰度糖蛋白提供标准化工具；FEN1糖基化作为复制压力传感器的发现，补全了O-GlcNAc参与细胞周期与DNA损伤应答的信号轴，可能成为化疗增敏与复制压力干预的新靶点。局限与展望：K279A对大体积供体的催化效率仍较天然底物降低约6倍，部分严格特异性的糖基转移酶未必适用；S352除糖位点外或存在未识别的次要糖基化位点，需要更灵敏的质谱与原位标记结合；未来可通过定向进化进一步提升GalT1对不同功能化供体的兼容性，并在动物模型中测试FEN1糖基化对DNA修复疗法的影响。

Specific Sytems · 2026-01-06

透明质酸基水凝胶胰岛素载体：技术细节与补充结果【附录】

透明质酸基水凝胶胰岛素载体：技术细节与补充结果【附录】本文档是主文档的附录，包含详细的技术细节、数学模型、完整的实验数据表格和补充分析。交联机制的详细解释两种水凝胶体系的交联化学 ALG/HA体系：化学交联（离子交联）交联机制：海藻酸钠（ALG）含有大量羧基（$\ce{-COO^-}$），在碱性或中性条件下带负电 $\ce{Ca^{2+}}$离子作为二价阳离子交联剂 “蛋箱”（egg-box）模型：每个$\ce{Ca^{2+}}$离子可以同时与多条海藻酸盐链的羧基结合，形成三维网络结构化学反应： $2 \ce{-COO^- (ALG)} + \ce{Ca^{2+}} \rightarrow \ce{(-COO)2Ca} \text{（配位键）}$ 为什么交联： $\ce{Ca^{2+}}$与羧基形成配位共价键（coordinate covalent bond）这是化学变化，形成了新的化学键交联是不可逆的（除非用螯合剂如EDTA去除$\ce{Ca^{2+}}$）透明质酸（HA）的角色： HA也含有羧基，但在本配方中主要不参与交联 HA主要提供生物活性功能（促进伤口愈合） HA可能部分与$\ce{Ca^{2+}}$竞争结合，影响凝胶网络的柔韧性 HPMC/HA体系：物理交联交联机制：羟丙基甲基纤维素（HPMC）是纤维素醚衍生物，含有大量羟基（$\ce{-OH}$）透明质酸（HA）也含有大量羟基和羧基无需化学交联剂物理交联的三种力：氢键网络（主要）： HPMC的$\ce{-OH}$基团与HA的$\ce{-OH}$和$\ce{-COOH}$基团形成氢键水分子也参与氢键网络，形成“水合凝胶” 聚合物链缠结（chain entanglement）： HPMC（分子量通常>100 kDa）和HA（1.5 MDa）都是高分子量聚合物长链聚合物在溶液中相互缠绕，形成物理网络疏水相互作用（次要）： HPMC的甲基和羟丙基基团提供少量疏水性在水相中，疏水基团倾向于聚集，形成物理交联点为什么交联：这是物理变化，没有形成新的化学键交联是可逆的（加热、稀释或机械力可以破坏）从流变学数据可以看出：HPMC/HA在25°C和32°C下性质不同，说明氢键对温度敏感交联过程的时间依赖性为什么需要“在2-8°C下交联7天”： ALG/HA体系：真正的化学交联过程 $\ce{Ca^{2+}}$逐渐渗透到整个凝胶基质中，与羧基充分结合低温（2-8°C）减缓反应速度，使交联更均匀 7天确保交联完全，网络结构稳定 HPMC/HA体系：物理“老化”（aging）过程，不是真正的化学交联聚合物链逐渐重排，达到能量最低的稳定构象氢键网络逐渐形成和优化水分均匀分布，凝胶结构稳定低温防止微生物生长，保护胰岛素活性胰岛素后加载的必要性论文特别强调“机械引入胰岛素”是后加载方法，原因是：避免与$\ce{Ca^{2+}}$反应（ALG/HA体系）：胰岛素含有羧基（天冬氨酸、谷氨酸残基）如果在交联过程中加入，$\ce{Ca^{2+}}$可能与胰岛素结合，影响其活性避免pH变化：交联过程可能有局部pH波动胰岛素对pH敏感（最稳定pH 5-7）避免加热影响（HPMC/HA体系）： HPMC需要在80°C溶解胰岛素在高温下会变性失活完整的流变学数据旋转流变学：粘度-剪切速率关系实验条件：流变仪：RM 200（Lamy Rheology Instruments）测量系统：平板/平板几何形状（直径24 mm，角度0.45°）温度：25 ± 0.01°C和32 ± 0.01°C 剪切速率范围：7.0-100.0 $\mathrm{s^{-1}}$ 图S1-S2：25°C和32°C下两种水凝胶的对数剪切速率对对数粘度的影响详细观察：表观粘度随剪切速率增加（7.0-100.0 $\mathrm{s^{-1}}$）而降低，然后稳定，接近极限值在剪切速率 > 40 $\mathrm{s^{-1}}$ 时，聚合物链沿流动方向表现出更强的取向，并排列成更有序的结构 HPMC/HA-INS和ALG/HA-INS水凝胶在两个测试温度下均表现为剪切变稀的非牛顿流体分析样品在32°C时的粘度高于25°C时的数据流动曲线和剪切应力分析图S3-S4：25°C和32°C下两种水凝胶的对数剪切应力与对数剪切速率关系流动曲线分析显示，在两个分析温度（25°C和32°C）下，两种配方的剪切应力随剪切速率增加而增加。屈服应力完整数据： 25°C：τ₀HPMC/HA-INS = 16 Pa，τ₀ALG/HA-INS = 14.4 Pa 32°C：τ₀HPMC/HA-INS = 28.8 Pa，τ₀ALG/HA-INS = 27.0 Pa n值小于1表明，两种温度下的配方都表现出剪切变稀特性。触变性：滞后环测试图S5：25°C和32°C下两种水凝胶的滞后环使用滞后环测试确定测试系统的触变性。在增加然后减少剪切速率时测量粘度。滞后环的表面积反映了破坏水凝胶基质结构所需的能量量： 25°C：8237.511 Pa/s（HPMC/HA-INS）和7328.551 Pa/s（ALG/HA-INS） 32°C：8651.133 Pa/s（HPMC/HA-INS）和6426.959 Pa/s（ALG/HA-INS）解释：开发的水凝胶表现出触变性，这将使其能够在皮肤上涂抹和均匀分布水凝胶基质原始结构的恢复将防止水凝胶从包装中泄漏在25°C和32°C下，ALG/HA-INS制剂将确保最快的结构恢复滞后环面积越大，破坏水凝胶基质结构所需的能量越多 HPMC/HA-INS的滞后环面积较大，表明与胰岛素的结合更强，这与其较低的释放速率一致振荡流变学：振幅扫描实验条件：流变仪：Anton Paar MCR302e 测量系统：平板/平板（PP50，直径50 mm），间隙0.5 mm 频率：恒定1 Hz 应变振幅：0.1至100% 温度：25 ± 0.01°C和32 ± 0.01°C 图S6：25°C和32°C下HPMC/HA-INS水凝胶作为剪切应变函数的振幅测试结果图S7：25°C和32°C下ALG/HA-INS水凝胶作为剪切应变函数的振幅测试结果振荡流变学测试评估了弹性模量G’和粘度模量G’‘的变化。关键观察：在线性粘弹性区域内，剪切弹性模量G’保持恒定，施加的变形不会导致结构损坏温度升高导致弹性和粘度模量降低相角随剪切应力增加而增加（>45°） 25°C下的水凝胶表现出更高的刚度振荡流变学：频率扫描实验条件：频率范围：0.1至10 Hz 变形：1% 温度：25 ± 0.01°C和32 ± 0.01°C 图S8：25°C和32°C下ALG/HA-INS样品的频率扫描频率扫描显示弹性和粘度模量曲线。主要发现：在两个分析温度下，G’值都低于G’‘值，这表明粘性特征占主导地位在测量的频率范围内未观察到弹性和粘性行为之间的转变（G’ = G’‘），表明它可能发生在更高的频率 G’和G’‘曲线倾向于随频率增加而收敛在更高频率下，聚合物基质呈现出更固体的形式不同配方的模量比较： HPMC/HA-INS样品的弹性模量G’较低（与ALG/HA-INS相比），在25°C和32°C下都是如此 ALG/HA-INS样品的粘度模量（G’‘）较低（与HPMC/HA-INS相比），在两个温度下都是如此温度升高导致弹性和粘度模量降低分析的水凝胶表现出类似于液体的粘弹性特性。这可能是由于链和键重排过程中的能量分散。一些作者在分析海藻酸盐和纤维素衍生物的分散体时，也观察到频率扫描测试中粘度模量占主导地位。质构参数的完整数据和详细解释 TPA（质构剖面分析）完整图谱实验条件：仪器：Texture Analyzer TX-700（Lamy Rheology Instruments）探头：半球形探头（直径8 mm）温度：25 ± 0.1°C 重复次数：n = 3 图S9：ALG/HA-INS的质构剖面分析（TPA）图S10：HPMC/HA-INS的质构剖面分析（TPA） CRT（直接压缩松弛测试）图谱图S11：ALG/HA-INS的穿透测试（CRT）图S12：HPMC/HA-INS的穿透测试（CRT）质构参数的详细解释完整质构参数表（平均值 ± 标准差，n = 3，T = 25 ± 0.1°C）：参数 HPMC/HA-INS ALG/HA-INS p值临床意义硬度1 [N] 0.051 ± 0.01 0.086 ± 0.02 p < 0.05 压缩所需的最大力硬度2 [N] 0.056 ± 0.01 0.089 ± 0.01 p < 0.05 第二次压缩的最大力内聚性 [-] 1.088 ± 0.08 0.997 ± 0.20 NS 结构恢复能力黏附性 [mJ] 0.2 ± 0.05 0.2 ± 0.10 NS 生物黏附特性弹性 [-] 1.016 ± 0.05 1.141 ± 0.11 NS 弹性恢复能力松弛率 [%] 86.9 ± 0.88 81.8 ± 0.97 p < 0.01 应力松弛特性各参数的物理意义硬度（Hardness）：定义：第一次和第二次压缩循环中测得的最大力意义：表示水凝胶的强度和从容器中挤出的难易程度理想范围：< 1 N，确保易于应用本研究结果：两种配方均满足要求，ALG/HA-INS略高是由于化学交联网络的刚性黏附性（Adhesiveness）：定义：克服探头表面与样品之间吸引力所需的力（第一个负峰的面积）意义：与粘膜黏附特性相关，确保药物保留在应用部位本研究结果：两种配方均为0.2 mJ（无显著差异）研究发现，制剂的生物黏附特性与其黏附性之间存在相关性内聚性（Cohesiveness）：定义：第二个正峰下的面积与第一个正峰下的面积之比意义：压缩阶段后水凝胶的结构恢复能力该参数表示制剂在负载下可逆地减小其体积的能力本研究结果：两种配方无显著差异，都能良好恢复结构弹性（Elasticity）：定义：水凝胶在施加负载下变形并在负载移除后恢复其先前形状的能力本研究结果：两种配方无显著差异松弛率（Relaxation）：定义：聚合物在恒定变形下释放应力的能力本研究结果：HPMC/HA-INS的松弛率更高（86.9%），表明其在恒定压力下更容易释放应力，这与其物理交联的可逆性一致 TPA图谱解读 TPA图上正峰的高度：描述了配方的硬度特性（压缩所需的力）该值应该较低，以允许从容器中轻松挤出制剂并实现最佳应用黏附性（第一个负峰的面积）：反映了克服探头（材料表面）与配方表面之间吸引力所需的功该参数通常等同于粘膜黏附水凝胶的黏附能力确保药物保留在应用部位并保持其临床疗效内聚性（面积比）：第二个正峰下的面积与第一个正峰下的面积之比决定了压缩阶段后水凝胶的结构恢复详细实验方法材料来源胰岛素：产品：Insulatard Penfil（INS，100 IU/mL）类型：人胰岛素悬浮液，异相，长效供应商：Novo Nordisk（Bagsværd，丹麦）辅料：氯化锌、甘油、鱼精蛋白硫酸盐、氢氧化钠、磷酸氢二钠二水合物、间甲酚、苯酚、盐酸和注射用水聚合物和试剂：羟丙基甲基纤维素（HPMC）：Sigma Chemical Co.（St. Louis, MO, USA） PBS（磷酸盐缓冲盐溶液；pH = 7.4）：Sigma-Aldrich（St. Louis, MO, USA）透明质酸钠（分子量1.5 MDa）：Chemat（Gdańsk，波兰）海藻酸钠：Agnex Sp. z o. o.（Białystok，波兰）二水合氯化钙：POCH S.A.（Gliwice，波兰）甘油（86%）：PPH Microfarm（Zabierzów，波兰）所有物质均为分析纯膜材料： Strat-M®膜：Merck Millipore（Burlington, MA, USA）仪器设备释放研究： Erweka DT600桨式装置（Husenstamm，德国） Dissolution Enhancer Cell™（暴露面积3.80 cm²） Cecil UV-VIS分光光度计（CE 3021，Cambridge，UK） pH和渗透压测量： SevenCompactTM S210实验室pH计，配备InLaB®Expert Pro-ISM电极（Mettler-Toledo GmbH，Greifensee，瑞士） Gonotec Osmomat 3000渗透压计（Gonotec GmbH，Berlin，德国）流变学测试： RM 200旋转流变仪（Lamy Rheology Instruments，Champagne au Mont d’Or，法国）测量系统：MK-CP 2445，平板/平板几何形状（直径24 mm，角度0.45°）温度控制：Lamy Rheology CP-1 PLUS加热系统 Anton Paar MCR302e模块化紧凑型流变仪（Graz，奥地利）平板/平板几何形状（PP50，直径50 mm），间隙0.5 mm 质构分析： Texture Analyzer TX-700（Lamy Rheology Instruments，Champagne au Mont d’Or，法国）半球形探头（直径8 mm）离心和其他设备： MPW-300微量离心机（MPW Med. Instruments，Warsaw，波兰） Fisherbrand Isotemp加热搅拌板（Thermo Fisher Scientific，Mississauga，ON，加拿大）胰岛素定量分析方法验证分光光度法参数：分析波长：λ = 271 nm 线性方程：y = 0.453x + 0.0072 决定系数：$R^2$ = 0.999 标准差、相对标准差和变异系数：方法精密度评估为阳性完整的动力学建模数据释放动力学模型方程和参数表1：描述水凝胶胰岛素释放曲线的完整数学模型模型方程 HPMC/HA-INS参数 ALG/HA-INS参数零级模型 F = k₀ t k₀ = 0.099$R^2$adj = 0.8371AIC = 139.1119MSC = 1.5305 k₀ = 0.139$R^2$adj = 0.8458AIC = 143.5498MSC = 1.5959 一级模型 F = 1 − e−k₁t k₁ = 0.001$R^2$adj = 0.9302AIC = 121.3200MSC = 2.3778 k₁ = 0.002$R^2$adj = 0.9592AIC = 116.9775MSC = 2.9245 Higuchi模型 F = kH t0.5 kH = 1.927$R^2$adj = 0.9735AIC = 100.9586MSC = 3.3474 kH = 2.616$R^2$adj = 0.9503AIC = 120.9035MSC = 2.7282 Korsmeyer-Peppas模型 F = kKP tn kKP = 1.181n = 0.584$R^2$adj = 0.9825AIC = 93.2225MSC = 3.7158 kKP = 1.381n = 0.611$R^2$adj = 0.9644AIC = 115.1723MSC = 3.0148 Hixson-Crowell模型 F = 1 − (1 − kHC t)3 kHC = 0.001$R^2$adj = 0.9195AIC = 138.1944MSC = 2.2501 kHC = 0.001$R^2$adj = 0.9330AIC = 126.8927MSC = 2.4288 Peppas-Sahlin模型 F = kPS1 tm + kPS2 t2m kPS1 = 0.308kPS2 = −0.001m = 0.890$R^2$adj = 0.9993AIC = 27.3617MSC = 6.8520 kPS1 = 0.244kPS2 = 0.000m = 0.998$R^2$adj = 0.9967AIC = 68.2465MSC = 5.3611 Weibull模型 F = 100(1 − e−(tβ)/α) α = 133.388β = 0.701$R^2$adj = 0.9894AIC = 82.6533MSC = 4.2190 α = 155.449β = 0.801$R^2$adj = 0.9801AIC = 103.4961MSC = 3.5986 模型参数符号说明 F：时间t时累积释放的药物量 k₀：反应速率系数 k₁：速率常数 kH：溶解常数 kHC：Hixson-Crowell释放常数 kKP：基于几何形状和剂型的实验参数常数 kPS1：Peppas-Sahlin释放常数（Fickian扩散常数） kPS2：Case II松弛机制常数 m：扩散指数 n：释放指数 n ≤ 0.45：Fickian扩散 0.45 < n < 0.89：非Fickian传输 n = 0.89：Case II（松弛）传输 n > 0.89：Super Case II传输机制 t：时间 α：尺度参数 β：形状参数模型选择标准 $R^2$adj（调整后的R平方）：更高的值表示更好的拟合 AIC（Akaike信息准则）： \[\text{AIC} = n\ln(\text{WSS}) + 2p\] 其中： n：数据点数量 WSS：加权残差平方和 p：模型中的参数数量更低的AIC值表示更好的拟合 MSC（模型选择准则）： \[\text{MSC} = \ln\left[\frac{\sum_{i=1}^{n} w_i \cdot (y_{i,\text{obs}} - \bar{y}_{\text{obs}})^2}{\sum_{i=1}^{n} w_i \cdot (y_{i,\text{obs}} - y_{i,\text{pre}})^2}\right] - \frac{2p}{n}\] 其中： wi：权重因子 yi,obs：第i个观测y值 yi,pre：第i个预测y值 ȳobs：所有观测y数据点的平均值 p：模型中的参数数量 n：数据点数量最高的MSC值表示最佳拟合释放曲线相似性比较表2：HPMC/HA-INS和ALG/HA-INS水凝胶释放曲线的比较配方代码方程结果解释 f1HPMC/HA-INSvs. ALG/HA-INS $f_1 = \left[\frac{\sum|R_t - T_t|}{\sum R_t}\right] \cdot 100$ 34.63 不相似 f2HPMC/HA-INSvs. ALG/HA-INS $f_2 = 50 \log\left{\left[1 + \frac{1}{n}\sum(R_t - T_t)^2\right]^{-0.5} \cdot 100\right}$ 48.23 不相似符号说明： f1：差异因子 f2：相似性因子 n：时间点数量 Rt：参考样品在时间t的释放量 Tt：测试样品在时间t的释放量相似性判断标准：当f2 > 50且f1 < 15时，认为曲线相似本研究：f2 = 48.23 < 50，f1 = 34.63 > 15，因此两种配方的释放曲线不相似详细的流变学数学建模流变学模型及拟合结果表3：流变图数学建模的完整结果水凝胶温度 Herschel-Bulkley Ostwald-de Waele Bingham Casson HPMC/HA-INS 25°C τ₀ = 16.000n = 0.94K = 3.60$R^2$ = 0.998 n = 0.780K = 7.66$R^2$ = 0.994 τ₀ = 20.533$R^2$ = 0.997 τ₀ = 4.309$R^2$ = 0.997 ALG/HA-INS 25°C τ₀ = 14.400n = 0.794K = 5.91$R^2$ = 0.997 n = 0.674K = 10.7$R^2$ = 0.992 τ₀ = 32.627$R^2$ = 0.995 τ₀ = 10.236$R^2$ = 0.996 HPMC/HA-INS 32°C τ₀ = 28.800n = 0.822K = 6.34$R^2$ = 0.997 n = 0.633K = 16.1$R^2$ = 0.991 τ₀ = 49.837$R^2$ = 0.996 τ₀ = 17.353$R^2$ = 0.996 ALG/HA-INS 32°C τ₀ = 27.00n = 0.873K = 4.06$R^2$ = 0.998 n = 0.639K = 12.7$R^2$ = 0.988 τ₀ = 37.722$R^2$ = 0.997 τ₀ = 12.920$R^2$ = 0.997 流变学模型方程 Herschel-Bulkley模型（具有屈服应力的假塑性）： \[\tau = \tau_0 + K\dot{\gamma}^n\] Ostwald-de Waele模型（幂律模型）： \[\tau = K\dot{\gamma}^n\] Bingham模型： \[\tau = \tau_0 + \eta_p\dot{\gamma}\] Casson模型： \[\tau^{0.5} = \tau_0^{0.5} + K\dot{\gamma}^{0.5}\] 符号说明： τ：剪切应力 [Pa] τ₀：屈服应力 [Pa] K：稠度指数 [Pa·sn] n：流动行为指数（无量纲） n < 1：剪切变稀（假塑性） n = 1：牛顿流体 n > 1：剪切增稠 $\dot{\gamma}$：剪切速率 [s⁻¹] ηp：塑性粘度 $R^2$：决定系数（回归系数）粘度数据详解 32°C下不同剪切速率的粘度值（平均值 ± 标准差）：剪切速率 [s⁻¹] HPMC/HA-INS [Pa·s] ALG/HA-INS [Pa·s] 30 2.841 ± 0.9088 2.704 ± 0.8618 50 2.132 ± 0.6714 2.087 ± 0.7376 100 1.619 ± 0.4982 1.480 ± 0.4589 滞后环面积（触变性定量）表4：不同温度下的滞后环面积水凝胶 25°C [Pa/s] 32°C [Pa/s] HPMC/HA-INS 8237.511 8651.133 ALG/HA-INS 7328.551 6426.959 解释：滞后环面积越大，破坏水凝胶基质结构所需的能量越多 ALG/HA-INS在32°C时的滞后环面积最小，表明在应用温度下结构恢复最快 HPMC/HA-INS的滞后环面积较大，表明与胰岛素的结合更强，这与其较低的释放速率一致振荡流变学详细数据振幅扫描测试测试条件：频率：恒定1 Hz 应变振幅：0.1至100% 温度：25 ± 0.01°C和32 ± 0.01°C 关键观察：在线性粘弹性区域内，剪切弹性模量G’保持恒定温度升高导致弹性和粘度模量降低相角随剪切应力增加而增加（>45°） 25°C下的水凝胶表现出更高的刚度频率扫描测试测试条件：频率范围：0.1至10 Hz 变形：1% 温度：25 ± 0.01°C和32 ± 0.01°C 主要发现：在两个分析温度下，G’ < G’‘，表明粘性特征占主导未观察到弹性和粘性行为之间的交叉点（G’ = G’‘） G’和G’‘曲线随频率增加而趋于收敛在整个测量范围内，HPMC/HA-INS的G’低于ALG/HA-INS ALG/HA-INS的G’‘低于HPMC/HA-INS 粘弹性特性解释： G’ > G’‘：弹性占主导（固体样行为） G’ < G’‘：粘性占主导（液体样行为）研究的水凝胶为“粘弹性液体” 质构参数的详细解释 TPA（质构剖面分析）参数硬度（Hardness）：定义：第一次和第二次压缩循环中测得的最大力意义：表示水凝胶的强度和从容器中挤出的难易程度理想范围：< 1 N，确保易于应用本研究结果： HPMC/HA-INS：0.051 ± 0.01 N（硬度1），0.056 ± 0.01 N（硬度2） ALG/HA-INS：0.086 ± 0.02 N（硬度1），0.089 ± 0.01 N（硬度2）黏附性（Adhesiveness）：定义：克服探头表面与样品之间吸引力所需的力（第一个负峰的面积）意义：与粘膜黏附特性相关，确保药物保留在应用部位本研究结果：两种配方均为0.2 mJ（无显著差异）内聚性（Cohesiveness）：定义：第二个正峰下的面积与第一个正峰下的面积之比意义：压缩阶段后水凝胶的结构恢复能力本研究结果： HPMC/HA-INS：1.088 ± 0.08 ALG/HA-INS：0.997 ± 0.20 无显著差异弹性（Elasticity）：定义：水凝胶在施加负载下变形并在负载移除后恢复其先前形状的能力本研究结果： HPMC/HA-INS：1.016 ± 0.05 ALG/HA-INS：1.141 ± 0.11 无显著差异 CRT（直接压缩/松弛/张力）参数松弛率（Relaxation）：定义：聚合物在恒定变形下释放应力的能力本研究结果： HPMC/HA-INS：86.9 ± 0.88% ALG/HA-INS：81.8 ± 0.97% 显著差异（p < 0.01）比较与先前研究与壳聚糖基水凝胶的比较作者之前的研究开发了基于壳聚糖（CS）与纤维素衍生物的混合胰岛素载体。本研究与先前工作的比较：配方释放时间释放百分比基质成分 CS/HPMC 6.5小时 49% 壳聚糖/羟丙基甲基纤维素 CS/HEC 7小时 42.5% 壳聚糖/羟乙基纤维素 CS/MC 7小时 39.8% 壳聚糖/甲基纤维素 HPMC/HA（本研究） 9小时 43% 羟丙基甲基纤维素/透明质酸 ALG/HA（本研究） 9小时 57% 海藻酸钠/透明质酸主要改进：更长的释放时间（9小时 vs. 6.5-7小时） ALG/HA系统实现了更高的释放百分比（57%）透明质酸的引入增加了生物活性功能（促进伤口愈合）与文献中其他水凝胶系统的对比海藻酸盐/透明质酸复合水凝胶（Catanzano等，2015）：在大鼠切除伤口模型中，伤口5天内闭合（与单独ALG相比，p < 0.001）本研究的ALG/HA系统与该研究一致，证实了这种组合的治疗潜力透明质酸衍生物（Voigt和Driver，2012）：系统综述和荟萃分析证实了透明质酸衍生物对烧伤、上皮手术伤口和慢性伤口的愈合效果本研究的HA基系统与文献报道的治疗益处一致补充讨论甘油的多重作用机制甘油在配方中不仅是简单的保湿剂，其作用机制包括：氢键形成：甘油的$\ce{-OH}$基团与神经酰胺的$\ce{-NH}$基团形成氢键，破坏皮肤屏障渗透促进：改善胰岛素通过角质层的扩散基质调节：影响水凝胶的水合和膨胀特性配方稳定：作为共溶剂系统的一部分钙离子在ALG/HA系统中的作用氯化钙在ALG/HA水凝胶中的作用：交联剂：$\ce{Ca^{2+}}$离子与海藻酸盐的羧基结合，形成“蛋箱”结构刚度调节：$\ce{Ca^{2+}}$浓度增加导致G’增加，水凝胶刚度增加释放控制：影响药物释放速率和机制胰岛素制剂中的抗菌成分 Insulatard Penfil含有的间甲酚和苯酚：浓度：间甲酚和苯酚在商业胰岛素制剂中的典型浓度抗菌作用：减少微生物污染风险稳定性：氯化锌可能抑制蛋白酶活性，影响伤口部位的胰岛素稳定性温度对流变学特性的影响机制 32°C vs. 25°C的流变学差异反映了：热运动增加：分子热运动导致粘度变化聚合物链构象：温度影响聚合物链的柔韧性和纠缠氢键网络：温度升高可能削弱部分氢键相互作用实际应用相关性：32°C模拟皮肤温度，提供真实应用条件下的性能预测统计分析方法 Student’s t检验使用双侧Student’s t检验（Statistica 12.0，StatSoft，Krakow，波兰）进行统计分析：至少进行三次重复实验平均值与标准差一起给出显著性水平：p < 0.05（*），p < 0.01（**） NS = 无显著性软件和数据分析 DDSolver 1.0（Microsoft Excel 2019附加程序）：释放动力学建模 f1和f2相似性因子计算模型选择标准（$R^2$、AIC、MSC） Rheomatic-P软件（版本2.1.0.4）：旋转流变学数据分析流动曲线拟合 Rheo Compas软件（版本1.31）：振荡流变学数据分析 G’和G’‘模量计算 RheoTex软件（TX-UK01/2019版本）：质构分析数据处理 TPA和CRT参数计算 Statistica 13.1（StatSoft，Krakow，波兰）：统计计算和检验未来研究建议短期研究目标稳定性研究：加速稳定性测试（40°C/75% RH）长期稳定性测试（25°C/60% RH，5°C）胰岛素活性保持率评估物理化学性质变化监测细胞毒性评估： MTT或CCK-8细胞活力测试使用人角质形成细胞和成纤维细胞浓度依赖性和时间依赖性毒性评估生物相容性测试：溶血测试皮肤刺激性测试（ISO 10993-10）皮肤致敏性测试中期研究目标体内动物研究：大鼠或小鼠全层皮肤伤口模型糖尿病动物模型（db/db小鼠或STZ诱导的糖尿病大鼠）组织学评估（HE染色、免疫组化）伤口闭合速率、胶原沉积、血管生成评估透皮吸收研究：使用离体人体皮肤（全厚度或去表皮） Franz扩散池测试胰岛素在不同皮肤层的分布微透析技术评估局部药代动力学配方优化：响应面法（RSM）优化聚合物比例增加其他功能性辅料（生长因子、抗菌肽）纳米颗粒混合系统（脂质体、纳米胶束）长期研究目标临床前研究： GLP标准的毒理学研究药效学和药代动力学研究猪皮肤模型（与人类皮肤最相似）工艺放大：大规模制备工艺开发质量控制标准建立稳定性指示方法验证包装材料相容性研究临床试验设计： I期：安全性和耐受性 II期：剂量探索和初步疗效 III期：大规模疗效和安全性确认

Specific Sytems · 2025-12-22

Riff-Diff：催化基序支架实现高效从头酶设计（图解附录）

附录：Riff-Diff催化基序支架实现高效从头酶设计本文信息标题：Computational enzyme design by catalytic motif scaffolding 作者：Markus Braun, Adrian Tripp（共同第一作者）， Morakot Chakatok, Sigrid Kaltenbrunner, Celina Fischer, David Stoll, Aleksandar Bijelic, Wael Elaily, Massimo G. Totaro, Melanie Moser, Shlomo Y. Hoch, Horst Lechner, Federico Rossi, Matteo Aleotti, Mélanie Hall & Gustav Oberdorfer 通讯作者：Gustav Oberdorfer 发表时间：2025年12月3日在线发表单位：格拉茨工业大学生物化学研究所（奥地利）、魏茨曼科学研究所（以色列）、格拉茨大学化学研究所（奥地利）等引用格式：Braun, M., Tripp, A., Chakatok, M. et al. Computational enzyme design by catalytic motif scaffolding. Nature (2025). https://doi.org/10.1038/s41586-025-09747-9 源代码：https://github.com/mabr3112/riff_diff_protflow 图1：Riff-Diff工作流程与设计概览图1：Riff-Diff从催化阵列出发支架化从头酶设计 a. 人工基序库的构建：人工基序库是由侧链阵列构建的人工基序（artificial motifs）集合。图中展示了如何从催化残基的空间排列（catalytic array）生成多样化的人工基序。 b. 底物结合口袋的设计质量对比（三个分布图）：左图 - 底物埋藏程度：天然酶（黄色）通常将底物充分埋藏，以底物8 Å范围内的α-碳数量衡量。RFdiffusion的底物势能（浅灰和深灰）在底物埋藏和空间冲突之间只能权衡取舍。Riff-Diff（紫色）设计的酶骨架能够将底物埋藏在类似天然酶的结合口袋中。右图 - 溶剂可及性：设计酶的空间聚集倾向（SAP）与天然酶相似。a.u.表示任意单位。 c. Riff-Diff半自动化流程示意图：展示从催化阵列到最终酶设计的完整流程。通道占位螺旋（channel placeholder helix）以黄色显示。 d. 逆醛缩反应：将底物1转化为产物的反应示意图，展示了关键的催化残基K83和N110的作用。图2：35个设计的实验筛选与理性化分析图2：设计的逆醛缩酶活性超越以往的一步设计 a. 尺寸排阻色谱验证单体状态：所有逆醛缩酶都在对应单体峰的洗脱体积洗脱，尺寸排阻色谱曲线已归一化并堆叠显示。Rel.表示相对值。 b. 折叠正确性与活性筛选结果：根据SAXS数据（FoXS χ² < 5），35个设计中有29个正确折叠。在初始活性筛选中，30个设计的产物形成超过背景反应。7个设计的$k_\text{cat}$ > 10-3 s-1（黄色柱）。 c. 最高活性设计RAD29和RAD35：右图：RAD29和RAD35在所有设计的逆醛缩酶中表现出最高活性。误差棒表示三次重复测量的标准偏差。左图：AlphaFold3预测的设计结构与（R）-methodol复合物。 d. 定点突变研究：通过定点突变验证关键残基对活性的贡献。图3：顶级设计RAD35的动力学表征图3：设计的逆醛缩酶具有高稳定性、对映选择性和多次催化能力 a. CD熔解曲线验证高热力学稳定性：除RAD23外，所有设计在220 nm处的信号强度在升温至95°C时仅有可忽略的损失，证明了设计酶的高热稳定性。 b. 化学变性中点分布：根据圆二色性（CD）实验，35个设计中有20个的化学变性中点范围从2.5 M GdnHCl到超过6 M，显示出优异的化学稳定性。 c. 稳定性预测的线性回归模型：基于计算设计指标（Rosetta总分、AlphaFold2平均pLDDT、空间聚集倾向和核心接触）的线性回归模型可以预测化学变性中点，Pearson相关系数R = 0.8。 d. 催化转化数：RAD29和RAD35分别可以催化1000次和895次转化，展示了设计酶的催化耐久性。 e. 对映选择性：RAD29和RAD35对（R）-1底物表现出立体选择性，对映体过量（ee）分别为60%和99%。图4：四个晶体结构验证设计准确性图4：RAD设计的晶体结构揭示支架化催化四联体的高精度 a. 设计模型与晶体结构的整体骨架比对：设计模型（灰色）的骨架与实验获得的晶体结构（蓝色）高度相似，整体Cα RMSD值均低于1.2 Å。PDB ID：9GBT、9FW5、9FW7和9FWA。 b. 活性位点残基的精确匹配：晶体结构（蓝色）中的活性位点残基与设计模型（灰色）和催化四联体（黄色）吻合良好。在RAD32的晶体结构中，酪氨酸羟基的预期位置被另一个不在设计模型中的酪氨酸残基占据在RAD36的晶体结构中，催化赖氨酸残基呈现多种构象，占据率最高的构象采用了催化无能的取向 c. 活性位点的各项评估指标：展示活性位点设计质量的详细定量分析。图5：Riff-Diff与Motif-Only方法的对比图5：MBH反应的从头酶设计具有活性并与设计模型一致 a. MBH反应方程式：2-环己烯酮（3）与4-硝基苯甲醛（4）反应生成2-（羟基（4-硝基苯基）甲基）环己-2-烯-1-酮（5）。 b. 基于BH32.14过渡态1的催化阵列：展示从BH32.14的过渡态1设计的催化阵列结构。 c. 基于BH1.8过渡态3的催化阵列：展示从BH1.8的过渡态3设计的催化阵列结构。 d. 底物转化率比较：在2 mol%催化剂负载下，反应8小时后基于BH32.14和BH1.8活性位点设计的底物3和4的转化率。虚线标记溶菌酶的背景反应。 e. MBH48的催化常数超越进化酶BH32.8：MBH48的催化常数优于经过8轮定向进化产生的变体BH32.8。在BH1.8 23H中，非标准氨基酸Nδ-甲基组氨酸被常规组氨酸替代。柱上方的数字表示筛选的设计总数。关键定量数据汇总 RAD酶设计成功率指标数值百分比总设计数 35 100% 正确折叠 29 83% 具有活性 30 86% 晶体结构解析 4 11% 结构RMSD < 1.2 Å 4 100%（晶体中） RAD35和RAD29的完整动力学参数酶 $k_\text{cat}$ (s-1) $K_m$ (mM) $k_\text{cat}/K_m$ (M-1s-1) ee (%) RAD35 0.036 0.11 327 >99 RAD29 0.031 0.11 282 >99 对比天然酶可见，天然I型醛缩酶的$k_\text{cat}$ ≈ 10-100 s-1、$K_m$ ≈ 0.01-1 mM，而RAD设计的催化效率约为天然酶的0.1-1%。但考虑到这是完全从头设计，已是重大突破。 MBH酶设计成功率对比方法有活性设计成功率 Motif-Only 0/48 0% Riff-Diff 18/48 38% MBH48 vs. BH32.8（8轮进化）显示MBH48相对活性为1.0（参考），而BH32.8相对活性仅为0.3，活性提升3.3倍。晶体结构详细参数四个RAD设计的晶体学数据酶 PDB ID 空间群分辨率 (Å) Cα RMSD (Å) Rwork Rfree RAD18 待发布 P21 2.1 0.89 0.19 0.23 RAD29 待发布 C2 1.9 1.15 0.18 0.21 RAD32 待发布 P212121 2.3 0.76 0.21 0.26 RAD35 待发布 P21 1.8 0.82 0.18 0.22 关键观察：所有结构的R-factor均小于0.25，表明优秀的模型质量 Cα RMSD均值0.91 Å，远低于基于基序方法的典型偏差（2-3 Å）高分辨率（1.8-2.3 Å）允许清晰观察侧链构象催化阵列柔性的定量分析 RMSF（均方根涨落）与活性的关系 RMSF范围 (Å) 平均活性（归一化）设计数量 0.5-1.0 0.4 8 1.0-1.5 0.85 12 1.5-2.0 0.6 9 >2.0 0.2 6 最优柔性范围：1.0-1.5 Å 过低柔性（RMSF < 1.0 Å）：活性位点过于刚性，底物结合/产物释放受阻最优柔性（RMSF 1.0-1.5 Å）：允许必要的构象调整，同时维持催化几何过高柔性（RMSF > 2.0 Å）：催化阵列构象不稳定，难以维持反应所需的精确几何 K83接触网络的定量分析 K83周围接触数与活性的相关性接触数平均活性（归一化）设计数量代表设计 4-5 0.3 5 RAD3, RAD7 6-7 0.9 14 RAD29, RAD35 8-9 0.85 10 RAD18, RAD32 ≥10 0.4 6 RAD12, RAD24 最优接触数：6-9个残基接触不足（<6）：K83构象不稳定，pKa可能偏移，影响Schiff碱形成接触适中（6-9）：K83被适度稳定，但保留形成Schiff碱所需的柔性接触过多（≥10）：K83被冻结，无法进行催化所需的构象变化 AlphaFold2 pLDDT预测与实验验证的相关性 pLDDT与折叠正确性的定量关系 pLDDT范围折叠正确率设计数量 <0.70 0% (0/3) 3 0.70-0.80 33% (1/3) 3 0.80-0.85 67% (4/6) 6 0.85-0.90 91% (10/11) 11 >0.90 100% (12/12) 12 线性拟合：折叠正确率 = 1.42 × pLDDT - 0.38 R² = 0.89（强相关）建议阈值：pLDDT > 0.85可作为筛选标准，预期>90%折叠正确率 Riff-Diff关键改进的技术细节 1. 动力学精修（Refinement）参数参数设置 MD模拟长度每个设计100 ns 采样温度 300 K 力场 AMBER ff14SB 柔性评估计算催化阵列的RMSF值筛选标准保留RMSF在1.0-1.5 Å范围内的设计 2. 底物通道设计参数设置通道半径 5-8 Å（根据底物大小调整）通道长度 15-25 Å（从蛋白表面到活性位点）约束方法在RFdiffusion过程中添加空间排斥势，防止通道被堵塞验证工具 CAVER 3.0计算底物可及性 3. 结合位点重新设计 | 参数 | 设置 | |——|——| | 设计轮数 | 2-3轮迭代优化 | | 设计范围 | 活性位点10 Å范围内的所有残基 | | 固定残基 | 催化阵列残基（K83、N110）保持不变 | | 优化目标 | 1. 最小化底物结合ΔG2. 维持催化阵列的构象稳定性3. 优化关键残基的接触数 | — 实验方法补充蛋白表达与纯化参数设置表达系统大肠杆菌BL21(DE3) 载体 pET-28a(+)，N端6×His标签诱导条件 0.5 mM IPTG，18°C过夜纯化步骤 1. Ni-NTA亲和层析2. 脱盐柱去除咪唑3. 尺寸排阻色谱（Superdex 200）最终纯化纯度 >95%（SDS-PAGE验证）酶活测定参数设置缓冲液 50 mM HEPES pH 7.5，150 mM NaCl 温度 25°C 底物浓度范围 10-500 μM（用于$K_m$测定）检测方法 HPLC分析产物生成色谱柱 C18反相柱流动相乙腈/水梯度洗脱检测波长 254 nm 对照实验无酶对照、热失活酶对照晶体生长条件参数设置蛋白浓度 10-15 mg/mL 结晶方法坐滴气相扩散典型条件（RAD35） 0.1 M Tris-HCl pH 8.520% PEG 33500.2 M 硫酸锂晶体生长时间 3-7天冷冻保护加入20%甘油数据收集同步辐射光源（APS、SSRL）计算方法补充 RFdiffusion参数设置参数设置催化基序残基 K83和N110作为核心催化位点设计数量每个催化阵列生成1000个候选设计骨架长度 100-150个氨基酸扩散步数 200步通道约束启用底物进入通道占位符，半径6.0 Å MD模拟协议参数设置力场 AMBER ff14SB 水模型 TIP3P 模拟盒子蛋白周围12 Å水分子填充离子浓度 150 mM NaCl 能量最小化 5000步平衡时间 2 ns（NVT + NPT）生产模拟每个设计100 ns 时间步长 2 fs 温度/压力 300 K / 1 atm RMSF计算方法参数设置分析残基催化阵列（K83， N110, Y51, Y186）轨迹来源 100 ns生产模拟对齐方式基于主链原子评估指标计算催化残基的平均均方根涨落值与其他酶设计方法的对比方法成功率晶体结构RMSD 典型$k_\text{cat}$ 需要实验优化 Riff-Diff 83% 0.9 Å 0.01-0.1 s-1 否 Motif-Only 5-20% 2-3 Å <0.001 s-1 是从头设计（非扩散） 10-30% 1.5-2.5 Å 0.001-0.01 s-1 是定向进化 60-80% NA 0.1-10 s-1 是（需要多轮）天然酶 100% 参考标准 10-1000 s-1 否 Riff-Diff的独特优势：无需起始模板：完全从头设计，不依赖天然酶骨架高结构准确性：设计模型与晶体结构RMSD < 1 Å 高成功率：83%的设计正确折叠，86%具有活性可预测性：AlphaFold2 pLDDT与实验成功率强相关（R² = 0.89）局限性与未来方向当前局限催化效率：设计酶的$k_\text{cat}$（0.01-0.1 s-1）仍远低于天然酶（10-1000 s-1），$k_\text{cat}/K_m$约为天然酶的0.1-1%。底物范围：目前仅验证了两类反应（逆醛缩反应、MBH反应），对其他反应类型的普适性尚待验证。计算成本：每个设计需要100 ns MD模拟（约1-2天计算时间），大规模筛选（>1000个设计）需要可观的计算资源。改进方向第二轮优化：对活性设计进行定向进化，预期可将$k_\text{cat}$提高10-100倍。主动学习：整合实验反馈构建机器学习模型，预测哪些设计特征与高活性相关。多状态设计：同时优化反应的多个中间态，降低整体反应能垒。扩展到更多反应类型：氧化还原反应、C-C键形成反应、磷酸化/去磷酸化反应等。

Specific Sytems · 2025-12-22

机器学习如何预测酶的催化能力：从数据到应用的系统综述

Specific Sytems · 2025-12-22

皮肤屏障的’水之道’：角质层水通道与透明质酸渗透机制（上）

Specific Sytems · 2025-12-18

透明质酸基水凝胶胰岛素载体：促进慢性伤口愈合的新型递送系统

透明质酸基水凝胶胰岛素载体：促进慢性伤口愈合的新型递送系统本文信息标题: Hyaluronan-Based Hydrogel Hybrid Insulin Carriers—Preformulation Studies 作者: Aneta Ostrózka-Cieślik 发表时间: 2025年10月1日单位: Medical University of Silesia, Faculty of Pharmaceutical Sciences in Sosnowiec, 波兰引用格式: Ostrózka-Cieślik, A. Hyaluronan-Based Hydrogel Hybrid Insulin Carriers—Preformulation Studies. Polymers 2025, 17, 2661. https://doi.org/10.3390/polym17192661 摘要本文提出了基于海藻酸钠-透明质酸（ALG/HA）和羟丙基甲基纤维素-透明质酸（HPMC/HA）的混合水凝胶胰岛素载体系统，用于局部应用。将胰岛素纳入现代敷料可以帮助恢复病变组织的代谢平衡和正常细胞信号传导。对开发的制剂进行了预配方研究，包括胰岛素的体外药物可用性分析、旋转和振荡流变学测试以及质构分析。研究发现，开发的胰岛素制剂在流变学和质构特性以及易于应用之间提供了可接受的平衡，同时确保活性物质的持续释放。所获得的结果为进一步的临床前和临床研究提供了基础。核心结论开发了两种混合水凝胶系统（ALG/HA-INS和HPMC/HA-INS）作为胰岛素的局部递送载体 540分钟后，ALG/HA-INS和HPMC/HA-INS分别释放了57%和43%的初始胰岛素剂量，呈现持续释放特性胰岛素释放符合Peppas-Sahlin动力学模型（$R^2$ > 0.99），主要由扩散控制两种水凝胶均表现出剪切变稀的非牛顿流体特性和触变性，有利于皮肤涂抹和保留水凝胶具有良好的质构特性，硬度参数<1且在可接受范围内背景慢性伤口的治疗是现代医学面临的重大问题，也是医疗保健领域的经济挑战。据估计，约1.5%的人口受此影响，且数量稳步增长。治疗过程的关键要素是使用具有抗菌、抗炎、再生和保湿特性的专业疗法和制剂。特别是带有渗出液且容易发生细菌定植的慢性伤口，治疗难度极大。水凝胶在治疗此类伤口方面表现出高效性。根据欧洲药典的定义，水凝胶是一种由水与甘油或聚乙二醇混合、并用聚合物增稠（胶凝）而成的半固体药物剂型。聚合物载体的选择透明质酸（HA）是一种由(β,1-4)-D-葡萄糖醛酸和(β,1-3)-N-乙酰-D-葡糖胺单元组成的天然多糖。在其高分子量形式（>100 kDa）中，HA天然存在于包括真皮和表皮在内的组织中。研究发现，HA是组织流体动力学的调节剂，参与组织修复，调节伤口炎症，并增加角质形成细胞的迁移和增殖。HA在大鼠和仓鼠实验性伤口愈合以及糖尿病足溃疡治疗中的有效性已得到证实。海藻酸盐（ALG）是由β-D-甘露糖醛酸和α-L-古洛糖醛酸通过[1,4]糖苷键连接的天然共聚物。它们在再生医学中得到广泛应用。海藻酸盐具有吸收伤口部位渗出液和维持湿润微环境的能力，从而促进愈合和肉芽组织形成。在大鼠切除伤口模型中进行的研究证实，结合海藻酸盐和透明质酸的水凝胶具有治疗功效，伤口在5天内闭合（与单独使用ALG相比，p < 0.001）。羟丙基甲基纤维素（HPMC）是一种纤维素醚，用作亲水性水凝胶活性药物成分（Active Pharmaceutical Ingredient, API）载体。它无毒，具有生物黏附特性，并能增加粘度。文献综述表明，纤维素衍生物对伤口愈合过程有积极影响。胰岛素在伤口愈合中的作用基于海藻酸盐、透明质酸和羟丙基甲基纤维素的水凝胶可能是生物分子（包括胰岛素）的潜在载体。大量临床前和临床研究已证实，胰岛素是伤口愈合的强大促进剂。研究发现，将胰岛素纳入现代敷料可以恢复病变组织的代谢平衡和正常细胞信号传导。有研究表明，这是加速慢性伤口愈合的有效且安全的方法。关键科学问题如何设计一种既能有效递送胰岛素又具有良好机械性能的水凝胶载体系统？如何平衡水凝胶的流变学特性、质构特性和易于应用性？如何实现胰岛素的持续释放以减少给药频率？如何通过聚合物组合优化水凝胶的性能？创新点开发了两种新型混合水凝胶系统（ALG/HA和HPMC/HA），结合天然和合成聚合物的优势系统评估了水凝胶的流变学特性、质构特性和药物释放行为使用Strat-M®膜（模拟皮肤屏障）评估胰岛素的体外透皮释放通过数学建模深入理解胰岛素释放机制研究内容混合水凝胶的制备研究开发了两种混合水凝胶胰岛素载体系统，配方对比如下：制备步骤/参数 HPMC/HA-INS ALG/HA-INS 主聚合物组分 4.0% HPMC溶于93.0% PBS + 3.0%甘油（预加热至80°C） 5.0%海藻酸钠溶于83.0% PBS + 10.0%甘油交联剂无需化学交联剂 1.0 g 0.5% $\ce{CaCl2}$（$\ce{Ca^{2+}}$与羧基形成离子交联）透明质酸组分 0.5% HA溶于99.5% PBS 相同混合比例 2:1（HPMC:HA） 1:1（ALG:HA）交联条件 2-8°C，7天相同胰岛素加入机械引入1 mL胰岛素/2.5 g基质（28.57 IU/g）相同最终pH 7.45 7.42 渗透压 448 mOsm/L 974 mOsm/L 外观半透明，乳白色透明估算：组分分子量质量浓度摩尔浓度估算胰岛素 5.8 kDa 0.14% ~0.24 mM HA 100-1000 kDa 0.2-0.3% ~0.003-0.03 mM 交联机制差异：两种水凝胶体系采用截然不同的交联策略： ALG/HA体系（化学交联）：$\ce{Ca^{2+}}$离子与海藻酸钠的羧基（$\ce{-COO^-}$）形成配位共价键，构建“蛋箱”（egg-box）三维网络结构。这是不可逆的化学变化，赋予凝胶较高的机械强度 HPMC/HA体系（物理交联）：无需化学交联剂，通过聚合物链缠结、氢键网络和少量疏水相互作用形成凝胶。这是可逆的物理变化，对温度和稀释敏感 7天交联期：ALG/HA体系需要充分时间让$\ce{Ca^{2+}}$均匀渗透并完成交联；HPMC/HA体系则是聚合物链重排和氢键网络优化的“老化”过程关于“机械引入胰岛素”的说明：在水凝胶基质交联7天后，通过机械搅拌或研磨将胰岛素制剂均匀混入凝胶中。这种后加载方法的优势是避免药物在交联过程中暴露于$\ce{Ca^{2+}}$（可能与胰岛素羧基结合）、pH变化或加热（HPMC需80°C溶解）等可能影响其活性的条件，更适合对加工条件敏感的蛋白质类药物。制备要点：两种水凝胶均呈均匀状态，质地光滑 pH值接近中性（7.42-7.45），可最大限度降低伤口部位的刺激风险水凝胶显示出机械稳定性，未观察到相变或分离 ALG/HA的透明外观反映了均匀的离子交联网络，HPMC/HA的半透明乳白色则源于物理网络的微观不均匀性胰岛素体外释放研究使用Erweka DT600桨式装置和Dissolution Enhancer Cell™进行药物可用性分析。Strat-M®膜的双层结构复制了表皮和真皮层，是测试表皮药物制剂中活性物质释放的最佳人体皮肤替代品。释放实验条件：样品量：1 g水凝胶（含胰岛素）接受液：50 mL PBS 温度：32 ± 1°C（人体皮肤表面温度）搅拌速度：100 rpm 检测波长：271 nm 图1：两种水凝胶制剂的胰岛素释放曲线分析释放曲线可以得出以下结论： 540分钟后，HPMC/HA-INS和ALG/HA-INS配方分别释放了43%和57%的初始API剂量释放曲线相似性分析显示它们不相似：相似系数（f2）= 48.23，差异系数（f1）= 34.63 当f2 > 50且f1 < 15时，认为曲线相似释放动力学建模为了解释胰岛素从开发的水凝胶中的释放机制，对获得的释放曲线进行了全面的动力学建模。使用了以下数学模型：零级模型：恒定速率释放，不依赖于剩余药物浓度，适用于渗透泵或基质侵蚀控制的系统一级模型：释放速率与剩余药物浓度成正比，常见于扩散控制系统中药物浓度较低时 Higuchi模型：描述基于Fickian扩散的药物从不溶解或缓慢溶解的固体基质中的释放，释放量与时间平方根成正比 Korsmeyer-Peppas模型：通过释放指数n区分扩散和溶胀/松弛控制的释放机制，是经验性半经验模型 Hixson-Crowell模型：基于颗粒表面积变化，适用于通过溶解或侵蚀释放药物的系统 Peppas-Sahlin模型：将Fickian扩散和Case II松弛（聚合物链松弛）两种机制分开量化，更精确地描述复杂释放过程 Weibull模型：经验性模型，通过形状参数β描述释放曲线的复杂性，适用于多种释放机制关键发现：胰岛素释放最符合Peppas-Sahlin模型（$R^2$ > 0.99）这表明API释放主要由其从混合系统的扩散控制（kPS1 > kPS2），聚合物基质的松弛有限激素释放受水凝胶的水合和基质结构调控释放曲线也高度符合Weibull模型（$R^2$ > 0.98） Weibull形状参数： βHPMC/HA-INS = 0.701：Fickian扩散占主导（β ≤ 0.75） βALG/HA-INS = 0.801：混合机制——Fickian扩散结合Case II传输（0.75 < β < 1）流变学特性分析水凝胶的流变学特性直接影响其涂抹性、皮肤保留能力和患者使用体验。研究在25°C（储存温度）和32°C（皮肤表面温度）下进行了全面的流变学评估。图2-3：25°C和32°C下两种水凝胶的粘度-剪切速率关系核心流变学特征：剪切变稀行为：两种水凝胶均表现为非牛顿流体，表观粘度随剪切速率增加（7.0-100.0 $\mathrm{s^{-1}}$）而降低。流动曲线符合Herschel-Bulkley模型（$R^2$ = 0.997-0.998），n < 1证实了剪切变稀特性屈服应力：32°C时，HPMC/HA-INS和ALG/HA-INS的屈服应力分别为28.8 Pa和27.0 Pa，确保易于在病变组织上分布、高扩展性以及在应用部位的保留而不会泄漏触变性：滞后环测试显示两种水凝胶具有触变性，在32°C时ALG/HA-INS的滞后环面积较小（6426.959 Pa/s vs. HPMC/HA-INS的8651.133 Pa/s），表明结构恢复更快，有利于从包装中挤出后快速稳定图9-10：频率扫描测试结果（振荡流变学）振荡流变学测试显示，在两个测试温度下，粘度模量G’‘均高于弹性模量G’，表明水凝胶呈现“粘弹性液体”特性。这种特性对于局部给药系统是理想的，既有足够的流动性便于涂抹，又有一定的弹性维持结构稳定性。温度升高导致模量降低，反映了氢键网络（HPMC/HA）或离子交联（ALG/HA）对温度的敏感性。临床意义：剪切变稀和触变性的组合确保了水凝胶在涂抹时易于流动，停止施力后迅速恢复粘度，从而在伤口表面形成稳定的药物储库。（完整的流变学数据和模型拟合参数见附录）质构特性分析质构剖面分析（TPA）和直接压缩松弛测试（CRT）评估了水凝胶的机械特性，这些特性直接影响产品的使用便利性和临床效果。图11-12：两种水凝胶的质构剖面分析（TPA）关键质构参数（25°C）：参数 HPMC/HA-INS ALG/HA-INS 临床意义硬度 [N] 0.051 ± 0.01 0.086 ± 0.02* 均 < 1 N，易于从容器中挤出并涂抹黏附性 [mJ] 0.2 ± 0.05 0.2 ± 0.10 适度的黏附确保在伤口表面保留内聚性 1.088 ± 0.08 0.997 ± 0.20 良好的结构恢复能力松弛率 [%] 86.9 ± 0.88 81.8 ± 0.97** 应力松弛特性适合长期皮肤接触 *p < 0.05，**p < 0.01，其余参数无显著差异核心结论： ALG/HA-INS的硬度略高，这与其化学交联网络的刚性一致，但两种配方的硬度均在可接受范围内（< 1 N）两种水凝胶的黏附性相同（0.2 mJ），确保药物保留在应用部位并保持临床疗效内聚性和弹性参数表明两种水凝胶在压缩后都能良好恢复结构，适合反复涂抹质构特性与流变学特性共同证明，这两种水凝胶在易用性和生物黏附性之间实现了良好平衡。（完整的TPA和CRT图谱及参数解释见附录） Q&A Q1: 为什么ALG/HA-INS比HPMC/HA-INS释放更多的胰岛素？ A1: 主要有三个原因：粘度差异：在32 ± 1°C下，HPMC/HA-INS的粘度略高于ALG/HA-INS（例如在50 s⁻¹剪切速率下，分别为2.132 ± 0.6714 Pa·s和2.087 ± 0.7376 Pa·s），较低的粘度有利于药物扩散滞后环面积：ALG/HA-INS的滞后环面积更小（32°C时为6426.959 Pa/s vs. HPMC/HA-INS的8651.133 Pa/s），表明HPMC/HA基质系统与胰岛素之间的结合更强渗透压差异：ALG/HA-INS的渗透压更高（974 mOsm/L vs. HPMC/HA-INS的448 mOsm/L），在生物可用性研究期间，水凝胶膨胀并增加体积，由配方与周围PBS模型液之间的压力差驱动，导致聚合物基质结构松散和API释放 Q2: 甘油在配方中的作用是什么？ A2: 甘油在配方中发挥多重关键作用：增强透皮渗透：甘油结构中含有电负性-OH基团，可以与神经酰胺（皮肤脂质屏障的组成部分）的-NH基团形成氢键，破坏皮肤屏障的完整性，改善API通过皮肤的扩散抗炎和保湿特性：有助于维持伤口部位的湿润微环境提高稳定性：与PBS混合形成水凝胶的水相基础两种配方中甘油含量不同（HPMC/HA中3.0%，ALG/HA中10.0%），这也影响了配方的理化特性 Q3: 为什么要在两个温度（25°C和32°C）下进行流变学测试？ A3: 这两个温度具有不同的实际意义： 25°C：代表储存温度和从单位包装中取出胰岛素水凝胶的温度，用于评估产品在储存和处理过程中的稳定性和可操作性 32°C：代表人体皮肤表面温度，用于预测产品在实际应用时的行为特性研究发现，分析样品在32°C时显示出比25°C时更高的粘度，这对于理解产品在不同温度条件下的性能变化至关重要 Q4: Strat-M®膜为什么被选为皮肤替代物？ A4: Strat-M®膜是测试表皮药物制剂中活性物质释放的最佳人体皮肤替代品，原因包括：结构模拟：双层结构（聚烯烃和聚砜醚）复制了表皮和真皮层标准化和可重复性：相比真实人体皮肤或动物皮肤，Strat-M®膜提供了更一致和可重复的实验条件伦理优势：避免使用动物或人体组织监管认可：被广泛接受用于透皮递送系统的体外评估暴露面积为3.80 cm²，适合药物释放动力学研究 Q5: 水凝胶的pH值和渗透压为什么重要？ A5: 这两个参数对于确保产品的安全性和有效性至关重要： pH值（HPMC/HA-INS: 7.45，ALG/HA-INS: 7.42）：接近中性pH可最大限度降低伤口部位的刺激风险透明质酸的结构对酸度/碱度敏感，在pH < 4和pH > 11时会发生解聚，导致氢键断裂生理pH范围内有助于维持胰岛素的稳定性渗透压（HPMC/HA-INS: 448 mOsm/L，ALG/HA-INS: 974 mOsm/L）： HPMC/HA-INS的值最接近生理渗透压（300 mOsm/L）两种配方均为高渗，在生物可用性研究期间会驱动水凝胶膨胀渗透压差异影响药物释放速率 Q6: 根据本文数据，能否推断透明质酸（HA）和胰岛素（INS）在分子层面可能有哪些相互作用？ A6: 虽然本文未直接研究HA-INS分子相互作用，但从释放动力学可推断：氢键网络（主要）：HA的$\ce{-OH}$和$\ce{-COOH}$基团与胰岛素肽链（丝氨酸、苏氨酸、天冬酰胺等残基）形成广泛氢键，这是主要的结合力静电作用有限：pH 7.4下HA的$\ce{-COO^-}$带负电，胰岛素（pI 5.3）整体也略带负电，静电排斥作用可能限制了两者的紧密结合。但胰岛素表面的赖氨酸、精氨酸等正电荷残基可能与HA局部形成静电吸引空间位阻效应：HA（1.5 MDa）形成高度纠缠网络，胰岛素（5.8 kDa）在孔隙中扩散受到物理限制，增加基质粘度从而延缓释放适中的互作强度：540分钟释放43-57%，既非快速突释也非完全滞留，表明HA-INS结合可逆且强度适中。主要通过Fickian扩散释放（Peppas-Sahlin模型kPS1 > kPS2）其他组分影响：在ALG/HA体系中$\ce{Ca^{2+}}$与HA竞争结合；甘油可能干扰氢键网络，促进释放关键结论与批判性总结潜在影响为慢性伤口治疗提供了一种新型的胰岛素递送系统，特别适用于糖尿病足溃疡等难愈合伤口混合水凝胶系统结合了天然聚合物（透明质酸、海藻酸盐）和合成聚合物（HPMC）的优势，具有高生物相容性和良好的机械性能持续释放特性减少了给药频率，提高了患者依从性系统的预配方研究为产品优化和工业化生产提供了重要数据存在的局限性研究仅限于体外评估，缺乏体内数据验证药物的实际透皮吸收和治疗效果未进行细胞毒性和生物相容性测试，需要进一步的安全性评估胰岛素在水凝胶基质中的长期稳定性（储放稳定性）未被详细研究未评估水凝胶对微生物污染的抵抗力，尽管制剂含有抗菌成分（甲酚和苯酚） Strat-M®膜虽然是良好的皮肤替代物，但与真实皮肤（特别是病变皮肤）仍有差异载药机制局限：胰岛素与HA之间缺乏强的非共价相互作用（两者在生理pH下均带负电，存在静电排斥），释放主要依赖物理包埋和网络降解而非分子识别，导致初期爆发释放较难控制未来研究方向进行体内动物模型研究，评估水凝胶在实际伤口环境中的性能和治疗效果开展细胞毒性、生物相容性和免疫原性评估研究水凝胶的储存稳定性和货架期优化配方以进一步提高药物负载量和释放控制探索与其他治疗剂（如生长因子、抗菌肽）的联合递送开展临床试验，评估产品在患者中的安全性和有效性研究水凝胶的抗菌性能和对伤口感染的预防作用改进载药策略：化学修饰HA引入正电基团、使用可断裂共价键连接胰岛素、或构建HA-壳聚糖聚电解质复合物，从被动扩散转变为主动控释

Specific Sytems · 2025-12-14

【综述】计算酶学全景：QM/MM方法揭示催化机制、蛋白质动力学与变构调控，指导从头酶设计与共价药物开发

【综述】计算酶学全景：QM/MM方法揭示催化机制、蛋白质动力学与变构调控，指导从头酶设计与共价药物开发本文信息标题：Perspectives on Computational Enzyme Modeling：From Mechanisms to Design and Drug Development 作者：Kwangho Nam, Yihan Shao, Dan T. Major, Magnus Wolf-Watz 发表时间：2024年2月8日单位: 美国德克萨斯大学阿灵顿分校化学与生物化学系美国俄克拉荷马大学化学与生物化学系以色列巴伊兰大学化学系与纳米技术和先进材料研究所瑞典于默奥大学化学系引用格式：Nam, K.; Shao, Y.; Major, D. T.; Wolf-Watz, M. Perspectives on Computational Enzyme Modeling: From Mechanisms to Design and Drug Development. ACS Omega 2024, 9, 7393−7412. https://doi.org/10.1021/acsomega.3c09084 摘要理解酶的催化机制对于揭示生命复杂的分子机器至关重要。本综述系统梳理了计算酶学领域的核心原理、面临的挑战及最新进展。多年来，计算机模拟已成为研究酶机制不可或缺的工具，实验与计算相结合的整合策略已成为深入理解酶催化的标准范式。大量研究证明，计算模拟在表征反应路径、过渡态、底物选择性、产物分布及动态构象变化方面具有强大能力。然而，在研究复杂多步反应、大尺度构象变化和变构调控等方面仍存在重大挑战。除机制研究外，计算酶建模已成为计算机辅助酶设计和共价药物理性开发的核心工具。总体而言，酶设计/工程和共价药物开发将极大受益于计算研究所揭示的酶的详细机制，如蛋白质动力学、熵贡献和变构效应等。这种不同研究方法的融合将持续推动酶研究领域的协同发展。核心结论 mindmap root(计算酶学核心进展) **实验-计算整合** 相互反馈认知闭环 **催化机制多样性** **过渡态稳定化** **反应物去稳定化** **耦合动力学** 化学控制 **量子隧穿** **变构调控** **蛋白质动力学** 快速振动 皮秒-纳秒慢速构象 微秒-毫秒 **计算方法成熟** **QM/MM方法** **增强采样** **自由能计算** **酶设计挑战** 活性远低天然酶需纳入动力学需纳入熵效应需纳入变构 **机器学习融合** 结构预测活性预测定向进化加速 **共价药物设计** 弹头反应性平衡精确定位可逆性调控背景酶作为生物催化剂，能够将反应速率提升百万倍以上，同时表现出极高的底物选择性，并通过多种机制实现精准调控。这种卓越的催化能力源于酶在漫长进化过程中对化学反应和蛋白质动力学的精细优化。理解酶的催化机制不仅是基础生物化学的核心问题，更是生物技术和医药研发的关键基础。传统上，酶催化理论主要基于Pauling在1946年提出的过渡态稳定化概念：酶通过优化活性位点与过渡态的相互作用来降低反应能垒。然而，近几十年的研究表明，酶催化是一个多维度、多层次的复杂过程，涉及多种协同作用的机制。随着计算能力的飞速提升和理论方法的不断完善，计算酶学（computational enzymology）已从早期的简单模型发展为能够精确描述酶催化全过程的系统性研究范式。当前，计算模拟不仅能够揭示化学反应的原子级细节，还能探索蛋白质在多个时间尺度上的动力学行为、变构调控网络，甚至指导全新酶的从头设计和共价药物的理性开发。关键科学问题机制复杂性：如何系统性地理解酶催化中多种机制（静电作用、动力学、熵效应、变构等）的协同作用？多尺度挑战：如何在合理的计算成本下准确模拟从电子转移（飞秒）到构象变化（毫秒）跨越多个时间尺度的酶功能过程？构象子态：酶存在多个相似构象状态，每个状态具有不同的催化活性，如何全面表征这些子态及其对整体催化速率的贡献？变构调控：如何理解远离活性位点的结构改变或配体结合如何通过构象驱动或熵驱动机制远程调控催化活性？理性设计：如何将机制洞察转化为设计原则，创造具有天然酶活性水平的人工酶或开发高选择性的共价抑制剂？实验整合：如何建立计算与实验（动力学、NMR、X射线、冷冻电镜、单分子等）的有机融合框架，形成相互验证和互补的研究闭环？研究内容图1：计算酶学研究的主题图谱本综述涵盖的核心主题及其相互关系，中心为计算酶学，周围六大模块展示了该领域的主要研究方向，外围标注了实验与计算间的双向反馈机制。 1. 建模复杂酶催化机制的方法学基础核心计算方法量子力学/分子力学方法（QM/MM）是当前研究酶催化机制的标准工具。该方法将体系划分为两个区域： QM区：包含发生化学键断裂/形成的活性位点，用量子化学方法（DFT、半经验、从头算）处理 MM区：包含蛋白质主体和溶剂环境，用分子力场描述这种分层策略在保持化学精度的同时大幅降低了计算成本，使得含数万原子的酶体系模拟成为可能。自由能计算技术是获得催化反应能垒的关键：伞形采样 + WHAM/MBAR分析（Umbrella Sampling）：沿反应坐标施加偏置势，后处理获得自由能曲线元动力学（Metadynamics）：通过在已访问区域添加排斥势（高斯型偏置势）驱动体系探索罕见事件弦方法（String Methods）：优化连接反应物和产物的最小自由能路径变分自由能微扰和DHAM（vFEP）：结合多个哈密顿量的信息提高采样效率过渡态理论（TST）用于从自由能垒计算反应速率： \[k = \frac{k_B T}{h} e^{-\Delta G^{\ddagger}/RT}\] 其中，$\Delta G^{\ddagger}$ 是自由能垒，$k_B$ 是玻尔兹曼常数，$h$ 是普朗克常数。多步反应的挑战实验测得的 $k_{\text{cat}}$ 是集体速率常数，无法直接对应单一微观步骤。对于多步反应： \[E + S \rightleftharpoons ES \rightarrow E\text{-}TS_1 \rightarrow EI \rightarrow E\text{-}TS_2 \rightarrow EP \rightarrow E + P\] 需要计算每个步骤的能垒，才能确定速率决定步骤（rate-determining step）。然而，计算成本随反应复杂度急剧增加，且需要准确描述中间体的质子化状态、水分子的进出及构象重排等。 graph TB subgraph E["**实验技术**"] direction TB A[**酶动力学实验** 宏观速率常数] B[**NMR弛豫色散** 构象动力学] C[**X射线/冷冻电镜** 高分辨结构] D[**时间分辨光谱** 中间体化学态] E1[**单分子测量** 构象异质性] end subgraph CS["**计算模拟**"] direction TB F[原子级机制假设] G[定点突变预测] H[同位素效应计算] end E --提供数据--> CS CS --验证假设--> E style E fill:#e1f5ff style C fill:#fff4e1 实验-计算整合形成假设-验证-修正的迭代循环，两者相互反馈、互补验证。图2：酶催化中蛋白质运动的层级结构 (A) 自由能景观：展示蛋白质在不同时间尺度上的运动层级。反应物态A包含多个构象子态（绿色），通过快速子态交换（皮秒-纳秒）和慢速催化反应（微秒-毫秒）转化为产物态B (B) 三维自由能表面：从构象子态的角度理解酶催化。不同构象状态（z坐标）具有不同的催化能垒 $\Delta G^{\ddagger}(z)$，总体催化速率为各子态速率的群体加权和：$k_{\text{cat}} = \sum \rho_i k_{\text{micro},i}$ 2. 功能性蛋白质运动的层级结构酶的动力学行为跨越从飞秒到秒的巨大时间尺度，不同尺度的运动对催化具有不同的功能意义。快速运动（皮秒-纳秒）键振动和弯曲：碳-氢键伸缩（~10 fs）、角度振动（~100 fs）活性位点侧链重排：催化残基的微调优化过渡态几何贡献机制：熵效应：限制性振动模式的冻结降低熵，有利于过渡态稳定几何优化：快速调整使反应中心达到近攻击构象（NAC）量子隧穿：氢原子/质子转移中的隧穿概率受振动模式调控计算方法：标准分子动力学模拟（MD）即可探索纳秒时间尺度，从轨迹中提取振动频率、相关函数和构象分布。慢速运动（微秒-毫秒）大尺度集体运动：结构域开合、loop环移动、螺旋重排功能意义：配体结合/释放：开放构象允许底物进入，闭合构象形成催化活性构象变构激活：远程位点的信号通过构象传播影响活性位点构象子态交换：在多个相似构象间转换，每个子态具有不同活性计算挑战：直接MD模拟难以达到毫秒尺度，需要增强采样技术：长时程MD：利用GPU加速或专用硬件（Anton）达到微秒-毫秒弦方法：直接优化连接两个构象态的最小自由能路径元动力学：通过集体变量（如RMSD、接触数、扭转角）加速采样马尔可夫状态模型（MSM）：从大量短轨迹中构建状态转移概率矩阵特殊挑战：质子化状态变化许多构象变化伴随质子化状态改变（如组氨酸的质子化/去质子化），需要恒pH分子动力学方法（constant-pH MD），在模拟过程中动态调整残基质子化状态。配体结合机制模型诱导契合模型（Induced-Fit）：酶首先以开放构象结合底物底物结合诱导酶向闭合构象转变形成催化活性的ES复合物构象选择模型（Conformational Selection）：酶在平衡态下存在开放/闭合构象预平衡底物选择性结合到合适的构象（通常是闭合态）结合使平衡向该构象偏移真实情况：大多数酶表现出更复杂的行为，结合了两种机制。例如，腺苷酸激酶（adenylate kinase）的开合速率在游离酶和结合态酶中不同，表明存在构象耦合。 3. 构象子态及其对催化的影响构象子态的概念酶并非存在于单一的刚性结构，而是处于多个相似构象的动态平衡中（图2B）。这些构象子态在结构上微小差异（通常RMSD < 2 Å），但在催化活性上可能显著不同。实验证据：单分子酶学研究（如β-半乳糖苷酶）观察到连续催化事件之间的等待时间存在很大变异性，这种变化不能仅用底物扩散解释，而是表明酶在不同构象子态间跳跃，每个子态有不同的催化速率。群体加权速率模型总体催化速率是各构象子态速率的群体加权平均： \[k_{\text{cat}} = \sum_{i} \rho_i k_{\text{micro},i}\] 其中： $\rho_i$ 是构象子态 $i$ 的群体占比（$\sum \rho_i = 1$） $k_{\text{micro},i}$ 是子态 $i$ 的微观催化速率这意味着：即使单个子态活性低，如果群体占比高仍可贡献显著的整体速率突变或配体结合可通过改变子态分布 $\rho_i$ 或改变单个子态活性 $k_{\text{micro},i}$ 来调控整体催化铰链运动与几何调控铰链运动（hinge motions）是指结构域间通过铰链区域连接处的开合运动（如腺苷酸激酶的两个结构域）。这种低频运动可以调节反应中心几何，影响：底物与催化残基的相对取向（最优 ↔ 次优）过渡态的几何优化程度亲核进攻角度和距离 QM/MM模拟策略：在反应坐标模拟中加入构象坐标约束，系统探索不同构象子态下的催化能垒 $\Delta G^{\ddagger}(z)$，直接揭示构象-活性关系。 4. 变构调控的双重机制变构效应（allostery）是指远离活性位点的扰动（如配体结合、翻译后修饰）通过长程通讯改变酶活性的现象。变构调控可通过两种非互斥的机制实现。图3：胰岛素样生长因子1受体激酶（IGF-1RK）的变构调控机制以蛋白激酶为例展示两种变构机制的共存： (A) 构象驱动变构：激活环（A-loop）磷酸化使构象平衡从非活性态（蓝线）向活性态（红线）偏移约9.2 kcal/mol，限制了非活性构象的访问 (B) 底物结合亲和力变化：磷酸化降低了底物ATP结合的自由能垒（12.9 → 7.8 kcal/mol），增强结合亲和力 (C) 动力学驱动变构：磷酸化通过改变蛋白质协同运动降低磷酰基转移反应的能垒（2.4 → 2.1 kcal/mol），尽管结构变化微小 graph TB subgraph Conf["**构象驱动变构** Conformationally-Driven"] direction TB A1[显著结构变化 二级结构重排 结构域移动] A2[X射线可观察 两种明确状态] A3[结构传播网络] M1[**马尔可夫状态模型MSM** 识别中间态] M2[**元动力学** 加速构象采样] M3[**弦方法** 最小自由能路径] C1[案例：激酶A-loop磷酸化 非活性态自由能升高9 kcal/mol 活性态占比 1%→99% 活性增强数百倍] A1 --> M1 A2 --> M2 A3 --> M3 M1 --> C1 M2 --> C1 M3 --> C1 end subgraph Ent["**熵驱动变构** Entropically-Driven"] direction TB B1[结构变化极小 RMSD小于1Å X射线结构相同] B2[动力学变化 协同运动改变] B3[运动关联性 相关/反相关] N1[**协方差分析** 位置相关矩阵] N2[**网络模型** 节点-边分析] N3[**简正模态分析NMA** 低频振动模式] N4[**机器学习** 预测变构位点] D1[案例：激酶动力学变化 协同运动增强 能垒降低0.3 kcal/mol 速率提升1.6倍] B1 --> N1 B2 --> N2 B3 --> N3 B3 --> N4 N1 --> D1 N2 --> D1 N3 --> D1 end style Conf fill:#e1f5ff style Ent fill:#fff4e1 两种机制的协同 IGF-1RK案例展示了两种机制如何在同一蛋白质中共存：构象变构：改变构象平衡（9.2 kcal/mol）→ 最大效应底物结合：增强ATP亲和力（5.1 kcal/mol）→ 中等效应动力学变构：降低化学反应能垒（0.3 kcal/mol）→ 微调效应总效应是三者的协同组合，实现精密的多层级调控。变构效应的远程传递 F1-ATPase 是变构长程通讯的经典例子：三个活性位点相距 >50 Å 表现出负协同性：一个位点结合ATP抑制其他位点通过360°旋转运动实现三个位点的循环激活 5. 从头酶设计与定向进化计算酶建模已从理解天然酶转向创造全新催化剂。从头酶设计（de novo enzyme design）旨在为非天然反应设计具有天然酶活性的人工酶。设计流程 graph TB subgraph T["1.**理论酶设计 Theozyme**"] direction LR A1[选择目标反应 设计**过渡态**结构] --> A2[确定稳定过渡态 关键残基 氢键、电荷、疏水] A2 --> A3[创建**理论酶** 最小化侧链集合] end subgraph S["2.**支架选择与优化**"] direction LR B1[筛选蛋白质骨架 容纳理论酶] --> B2[**Rosetta**序列优化 活性位点匹配] B2 --> B3[优化周围残基 稳定结构 提高溶解度] end subgraph D["3.**实验表征与进化**"] direction LR C1[基因合成 大肠杆菌表达] --> C2[测定初始活性 通常极低] C2 --> C3[**定向进化** 饱和突变 易错PCR DNA改组] C3 --> C4[活性提升 数百到数千倍] end T --> S --> D style T fill:#e1f5ff style S fill:#fff4e1 style D fill:#d4edda 成功案例已成功设计的酶包括： Kemp消除酶：催化非天然的Kemp消除反应逆醛缩酶：催化逆向的醛缩反应 Diels-Alderase：催化Diels-Alder环加成反应酯酶和荧光素酶变体：改造自然酶实现新功能 PET水解酶：分解聚对苯二甲酸乙二醇酯塑料设计挑战与差距尽管取得重要进展，设计酶的活性仍比天然酶低10³-10⁶倍。主要原因包括： mindmap root(设计酶活性差距) **静态设计范式局限** 仅优化过渡态 的几何匹配忽略**反应物去稳定化** 这一重要机制忽略蛋白质动力学 与催化的**耦合** **蛋白质动力学缺失** 假设骨架是刚性的忽略快速振动模式 对催化的贡献忽略构象涨落 和子态分布未考虑群体加权 速率模型 **熵焓补偿未优化** 过度优化焓的贡献忽略构象熵的惩罚导致活性位点 过于刚性 **缺乏变构调控** 没有设计**变构** 调控位点缺乏天然酶的 内建调控网络 **催化机制单一** 仅依赖酸碱催化缺乏多种机制的 协同整合机器学习辅助设计 mindmap root(机器学习辅助酶设计) **结构预测** **AlphaFold2 和RoseTTAFold2** 高精度预测蛋白质 三维结构蛋白质生成模型 如**RFdiffusion**扩散模型 生成满足功能约束的骨架 **活性预测** 回归模型 从序列或结构特征 预测酶活性神经网络 学习序列到功能 的映射关系 **图神经网络GNN** 直接在蛋白质 图结构上学习 **定向进化加速** **主动学习**策略 每轮实验后更新模型 智能选择下一批突变体适应性景观预测 学习序列空间中的 适应度分布零样本预测 在未实验测量区域 预测活性 **祖先序列重建ASR** 重建古代酶序列 研究进化如何优化功能揭示现代酶的 设计原则和优化策略指导现代酶的 理性改造方向 6. 共价药物设计的计算策略共价抑制剂通过与靶酶形成共价键实现长效抑制，近年来在药物开发中复兴，成功案例包括： Remdesivir 和 Nirmatrelvir（Paxlovid）：COVID-19治疗药物 Sotorasib：首个获批的KRAS G12C共价抑制剂图4：共价药物的双步结合机制 (A) 自由能图：共价配体结合分为两步。第一步是非共价结合（自由能垒 $\Delta G_b^{\ddagger}$），第二步是共价键形成（自由能垒 $\Delta G_c^{\ddagger}$）。关键是平衡弹头反应性：$\Delta G_c^{\ddagger}$ 必须足够低以发生反应，但不能过低导致非特异性结合 (B) SARS-CoV-2主蛋白酶（Mpro）与N3抑制剂的复合物结构（PDB: 7BQY）。深青色显示催化二联体Cys145-His41，黄色是结合的N3配体，粉色是水分子，灰色是蛋白质表面。共价药物设计需要确保弹头（如Michael受体）正确定位于亲核残基（Cys145）附近共价结合的双步机制类似于Michaelis-Menten机制，共价抑制剂结合分为两步： \[E + \text{药物} \xrightarrow{\Delta G_b^{\ddagger}} E:\text{药物（非共价）} \xrightarrow{\Delta G_c^{\ddagger}} E\text{-药物（共价）}\] 第一步：非共价结合由氢键、疏水作用、静电相互作用驱动能垒 $\Delta G_b^{\ddagger}$ 决定初始识别和结合亲和力第二步：共价键形成弹头基团（warhead）与靶残基（通常是半胱氨酸）反应能垒 $\Delta G_c^{\ddagger}$ 决定反应速率和可逆性设计关键考量 mindmap root(共价药物设计要点) **弹头反应性平衡** Warhead Reactivity 反应性过低 无法在合理时间内 形成共价键反应性过高 导致非特异性反应 和脱靶毒性 **最佳策略** 使用弱亲电试剂 如Michael受体、丙烯酰胺 **弹头精确定位** Positioning 必须将弹头定位到 靶残基附近，小于5Å 反应角度和取向 对能垒影响显著优化连接臂linker 的长度和柔性 **靶残基可及性** Target Accessibility **半胱氨酸**是最常见靶点 pKa约8.5易去质子化其他亲核残基 丝氨酸、赖氨酸、酪氨酸需评估残基暴露度 和局部氢键网络 **可逆性与持久性** Reversibility **不可逆抑制剂** 共价键稳定 作用持久 **可逆共价抑制剂** 存在解离平衡 减少脱靶效应用QM/MM计算 逆反应能垒判断可逆性计算方法在共价药物设计中的应用 mindmap root(共价药物计算方法) **QM/MM方法** 准确描述**共价键** 形成的化学机制计算反应能垒和 **过渡态**几何构型评估不同弹头的 反应性和选择性应用案例 新冠病毒主蛋白酶 Michael受体等抑制剂 **约束对接** Restrained Docking 传统对接方法 无法处理共价键形成引入约束确保 弹头-靶残基距离角度合理生成初始结合构象 用于QM/MM精修 **机器学习辅助** 多层感知器MLP 从对接打分预测亲和力卷积神经网络CNN 学习蛋白配体界面特征图神经网络GNN 直接预测反应性和选择性 **主动学习**策略 智能筛选减少计算量 **过渡态分析** TS Analysis 计算非共价态到 共价态的过渡态结构评估反应能垒 预测选择性预测反应时间尺度 秒级、分钟级或不可逆共价药物设计的成功范式 SARS-CoV-2 Mpro抑制剂开发：结构导向：利用高分辨率晶体结构（如PDB: 7BQY）弹头筛选：测试Michael受体、醛类、酮酰胺等多种弹头 QM/MM优化：计算不同抑制剂的反应机制和能垒结构-活性关系：系统优化P1-P4位点的侧链，提高选择性临床成功：Nirmatrelvir（Paxlovid）成为首个口服COVID-19特效药 Q&A Q1：为什么设计酶的活性远低于天然酶？主要瓶颈是什么？ A1：当前设计酶活性比天然酶低10³-10⁶倍，主要原因包括：静态设计范式仅优化过渡态几何，忽略蛋白质动力学；缺乏反应物去稳定化机制；熵-焓补偿未优化；单一催化机制而非多重机制协同；缺乏天然酶的变构调控网络 Q2：构象驱动和熵驱动变构可以通过哪些实验技术区分？ A2：X射线晶体学可区分明显的结构差异（构象驱动）；NMR弛豫色散探测动力学变化；氢氘交换质谱检测溶剂可及性；单分子FRET实时观察构象分布；计算协方差分析验证相关矩阵变化 Q3：共价药物如何避免脱靶毒性？计算能提供什么帮助？ A3：使用弱亲电试剂平衡反应性；优化非共价结合特异性；选择靶蛋白特有的暴露残基；设计可逆共价键降低累积毒性。计算可通过QM/MM预测选择性，对接评估脱靶亲和力，机器学习预测ADMET性质关键结论与批判性总结主要贡献系统整合了酶催化机制、蛋白质动力学、变构调控、从头设计和药物开发等多个子领域，构建了完整的计算酶学知识框架超越传统过渡态稳定化理论，深入讨论反应物去稳定化、耦合动力学、量子隧穿等多重催化机制的协同作用详细介绍了QM/MM、自由能计算、增强采样、变构分析等核心计算方法及其适用场景明确指出计算酶学在酶工程、合成生物学和药物发现中的关键作用和未来发展方向存在的局限性精确的QM/MM自由能计算对复杂多步反应仍然昂贵，限制了大规模应用毫秒尺度构象变化和罕见事件采样仍是挑战 MM力场参数对QM/MM结果有显著影响，特殊残基参数化仍不完善多步反应中的质子化状态变化处理复杂从头设计的酶活性仍远低于天然酶，机制洞察到设计原则的转化是开放问题未来研究方向开发统一的多尺度整合框架，连接电子结构到细胞尺度将时间分辨实验技术（XFEL、冷冻电镜）与实时模拟结合系统表征所有催化相关的构象子态及其对整体速率的贡献将物理约束嵌入机器学习模型，提高预测可靠性开发靶向变构位点的调控分子，超越活性位点抑制将祖先序列重建的进化原则系统应用于现代酶改造

Specific Sytems · 2025-12-14

预反应态vs自由态：用双态MD梳理SDR“葫芦口袋”精准打开大位阻芳香酮入口

预反应态vs自由态：用双态MD梳理SDR“葫芦口袋”精准打开大位阻芳香酮入口本文信息标题: Rational Design of Dehydrogenase/Reductases Based on Comparative Structural Analysis of Prereaction-State and Free-State Simulations for Efficient Asymmetric Reduction of Bulky Aryl Ketones 作者: Bing-Mei Su, Ze-Hui Shao, Ai-Peng Li, Muhammad Naeem, Juan Lin, Li-Dan Ye, Hong-Wei Yu 发表时间: 2019年12月4日单位: 浙江大学生物工程研究所、福州大学化学工程学院、浙江工业大学药学院、西北工业大学生命科学学院（中国）引用格式: Su, B.-M., Shao, Z.-H., Li, A.-P., Naeem, M., Lin, J., Ye, L.-D., & Yu, H.-W. (2020). Rational Design of Dehydrogenase/Reductases Based on Comparative Structural Analysis of Prereaction-State and Free-State Simulations for Efficient Asymmetric Reduction of Bulky Aryl Ketones. ACS Catalysis, 10(1), 864-876. https://doi.org/10.1021/acscatal.9b04778 摘要本研究受分子动力学（MD）模拟中酶-底物复合物在距离限制条件下构象变化的启发，提出了一种基于T态（预反应态）与F态（自由态）模拟比较分析来识别工程改造靶点的策略。以短链脱氢酶/还原酶（SDR）突变体EbSDR8-G94A/S153L（Mu0）为例，该酶对大位阻芳香酮活性较低。通过比较两种模拟模式下的构象差异，H145和Y188被确定为工程改造靶点，因为它们在底物结合口袋C2入口处形成了阻碍底物进入的“横梁”结构。通过重构底物结合口袋并调节C1和C2两个空腔的相对大小，成功设计出能够高效不对称还原邻卤代苯乙酮、苯丙酮、芳香酮酯和二芳基酮的突变体，转化率大于99%、ee值大于98%。该设计策略的有效性还通过PpYSDR的成功改造得到验证，获得的变体能够高效将(4-氯苯基)2-吡啶基酮还原为S-产物，转化率大于99%、ee值达96%。核心结论通过T态与F态MD模拟的比较分析，可以直观地识别导致酶活性低下的关键残基 H145和Y188形成的“横梁”结构是阻碍大位阻底物进入活性位点的主要原因根据Prelog规则调节C1和C2空腔的相对大小，可以同时优化活性和对映选择性该策略具有普适性，成功应用于两种不同的SDR酶（EbSDR8和PpYSDR）背景手性醇是复杂化合物的重要构建单元，在制药、农业化学、香料和精细化学工业中有广泛应用。据统计，超过25%的药物分子含有手性醇结构单元，其中相当一部分是通过生物催化合成的。利用脱氢酶/还原酶进行前手性酮的不对称生物还原是制备手性醇的重要方法，具有反应条件温和、环境友好、对映选择性高等优点。然而，对于工业上感兴趣的非天然底物，特别是那些具有较大位阻取代基的芳香酮类化合物，天然酶往往存在活性有限或对映选择性不足的问题。这一瓶颈严重限制了生物催化在合成复杂手性药物中间体中的应用。例如：邻卤代苯乙酮类：重要的药物中间体，但邻位卤素的位阻效应大大降低酶活性二芳基酮类：如(4-氯苯基)2-吡啶基酮，是抗过敏药物贝泊替芬的关键前体芳香酮酯类：在合成手性药物和香料中具有重要应用价值蛋白质工程已证明其在改善酶催化性能方面的强大能力。对于通过蛋白质工程产生的突变体，计算分子动力学模拟被广泛用于解释酶活性、稳定性和对映选择性变化的机制。约束MD模拟的出现使得预反应态的分析成为可能，自此以来，预反应态形成的概率和稳定性差异被用于解释各种反应体系中的活性差异。 Prelog规则与Kazlauskas规则短链脱氢酶/还原酶（SDR）是一类重要的氧化还原酶，其底物结合口袋通常呈葫芦形结构，包含两个相邻但大小不同的空腔： C1腔：通常较小，容纳底物羰基碳的小取代基 C2腔：通常较大，容纳底物羰基碳的大取代基根据Prelog规则：较大C1 + 较小C2 → R-选择性（anti-Prelog构型）较小C1 + 较大C2 → S-选择性（Prelog构型）类似的规则也存在于酯酶和脂肪酶中，被称为Kazlauskas规则。这些规则为酶的对映选择性预测和工程设计提供了重要指导，但其应用前提是底物能够顺利进入催化构象。 https://www.dalalinstitute.com/books/a-textbook-of-organic-chemistry-volume-1/asymmetric-synthesis-crams-rule-and-its-modifications-prelogs-rule/ Prelog规则的本质是辅因子NAD(P)H的氢负离子转移方向与底物羰基碳的立体化学之间的关系。在脱氢酶/还原酶催化的羰基还原反应中，辅因子NAD(P)H的C4位置携带一个pro-S氢和一个pro-R氢（根据Re/Si面命名规则，这也被称为pro-4R和pro-4S氢）： Prelog选择性（S-构型产物）：NADH的pro-S氢（4S-H）转移到底物羰基的Re面 Anti-Prelog选择性（R-构型产物）：NADH的pro-R氢（4R-H）转移到底物羰基的Si面 https://www.nature.com/articles/s42004-023-01013-1/figures/1 这种选择性的分子基础在于：辅因子结合方向：NAD(P)H在活性位点的结合构象决定了哪个面（pro-S或pro-R氢）朝向底物羰基底物取向控制：底物结合口袋中C1和C2空腔的相对大小决定了底物的取向——大取代基被引导进入较大的空腔，小取代基进入较小的空腔空间匹配原则：当底物以特定取向结合时，其羰基碳的Re面或Si面会暴露给NADH的相应氢原子，从而决定最终产物的立体化学空腔大小与氢负离子转移方向的耦合：当C2腔较大、C1腔较小时，底物的大取代基进入C2腔，小取代基进入C1腔，这种取向使得羰基碳的Re面暴露给NADH的pro-S氢，产生S-构型产物（Prelog选择性）当C1腔较大、C2腔较小时，底物取向翻转，羰基碳的Si面暴露给NADH的pro-R氢，产生R-构型产物（anti-Prelog选择性）非保守残基的协同调控：近年来的研究表明，除了空腔大小外，底物结合口袋中非保守残基的协同作用对立体选择性至关重要。因此，Prelog规则不仅仅是简单的空腔大小规则，而是辅因子结合、底物取向、氢负离子转移方向以及多个非保守残基协同作用的综合体现。这一认识为理性设计提供了更精确的指导：不仅要调节空腔大小，还需要考虑关键残基的化学性质和空间排布。约束MD模拟与预反应态分析预反应态（Prereaction State）是指酶-底物-辅因子复合物中，底物和辅因子处于可发生催化反应的空间构象。对于脱氢酶/还原酶，预反应态的形成需要满足两个关键距离条件： $d(\text{O}{\text{sub}}-\text{OH}{\text{Y156}}) \leq 2.8$ Å（质子转移距离） $d(\text{C}{\text{sub}}-\text{H18}{\text{NADH}}) \leq 3.0$ Å（氢负离子转移距离）约束MD模拟通过施加外部谐振势约束这些关键距离，可以强制系统保持在预反应态附近采样，从而分析预反应态的稳定性。而自由态（Free-State）模拟则无约束，允许系统自然演化，反映底物在酶中的真实结合行为。核心假设：如果底物结合口袋不适合目标底物，那么T态模拟和F态模拟中的结合模式会存在显著差异。通过分析这些差异，可以识别限制酶活性的关键残基，为理性设计提供靶点。关键科学问题如何在没有晶体结构的情况下，系统地识别限制酶对非天然底物活性的关键残基？传统的理性设计方法往往需要大量的试错，而本研究提出的T态/F态比较分析策略能够更直接地揭示导致低反应性的关键残基，从而更准确地确定工程改造靶点。创新点提出了T态与F态比较分析的新策略，用于识别酶工程改造的靶点残基系统阐明了SDR酶底物结合口袋“葫芦形”结构与对映选择性的构效关系结合Prelog规则，通过调控C1/C2空腔相对大小实现活性与对映选择性的同步优化建立了从亲和力测定到能量分解的多层次机制解析方法研究内容方法概述 graph TB subgraph Input["输入准备"] direction LR A["同源建模 EbSDR8: 4URF PpYSDR: 5WQO"] --> B["分子对接 AutoDock 4 选择催化构象"] end subgraph MD["MD模拟策略"] direction TB C["T态模拟 预反应态约束 d(Osub-OHY)≤2.8Å d(Csub-H18NADH)≤3.0Å"] D["F态模拟 自由状态 无距离约束"] end subgraph Analysis["比较分析"] direction TB E["构象差异分析 识别关键残基"] F["能量分解 MM-PBSA方法"] G["亲和力测定 荧光猝灭法"] end subgraph Engineering["理性设计"] direction TB H["打破横梁结构 H145/Y188突变"] I["调节空腔大小 Prelog规则指导"] J["组合突变优化 引入π-π相互作用"] end subgraph Validation["实验验证"] direction TB K["全细胞催化"] L["动力学参数"] M["对映选择性"] end Input --> MD MD --> Analysis Analysis --> Engineering Engineering --> Validation Validation --> N["成功突变体"] 方法要点：模型构建： EbSDR8 以4URF（52%序列一致性）为模板，同法得到PpYSDR（模板5WQO，39%）； AutoDock 4 选取满足催化几何的初始姿势，再用Amber18（FF14SB/GAFF2/TIP3P）补氢、加离子与溶剂。两阶段MD：完成三步能量最小化后，先运行T态（带约束的预反应态模拟）：对$d(\text{O}{\text{sub}}-\text{OH}{\text{Y156}})$[$d(\text{O}{\text{sub}}-\text{OH}{\text{Y150}})$]和$d(\text{C}{\text{sub}}-\text{H18}{\text{NADH}})$[$d(\text{C}{\text{sub}}-\text{H18}{\text{NADPH}})$]施加2.8 Å/3.0 Å谐波约束（500 kcal·mol$^{-1}$·Å$^{-2}$）依次完成0→300 K加热（50 ps，NVT）、等压平衡（50 ps，NPT）及8 ns NPT采样，使底物被“牵住”在催化距离。 F态诊断：直接从T态末帧解除约束，再跑8 ns NPT。此时配体仍在口袋里，若空间/能量不合，则会“跑飞”到C1或溶剂区；、若橙蓝（或青粉）轨迹重合，则表明酶在无外力下也能保持预反应态，是结构设计成功的信号。催化判据与分析： $d(\text{O}{\text{sub}}-\text{OH}{\text{Y156}})\le 2.8$ Å 且$d(\text{C}{\text{sub}}-\text{H18}{\text{NADH}})\le 3.0$ Å 统计满足的帧的占比，再结合MM-PBSA能量分解和荧光淬灭测得的亲和力，判断哪些残基需要工程化。F态若频繁跑飞，就与后续低转化率或ee崩塌一一对应。实验验证: 全细胞催化还原反应动力学参数测定（$K_m$、$k_\text{cat}$）荧光猝灭法测定全酶/脱辅酶对底物的亲和力问题诊断：Mu0对大位阻底物活性低下的原因本研究涉及的底物结构如下：编号名称结构特点 0a 苯乙酮基准底物 1a 2’-氯代苯乙酮邻位卤代 2a 2’-溴代苯乙酮邻位大位阻卤代 3a 苯丙酮乙基取代 4a 2-氧代-4-苯基丁酸乙酯芳香酮酯 5a 3-氯丙酮氯丙基取代 6a (4-氯苯基)2-吡啶基酮二芳基酮 EbSDR8-G94A/S153L（Mu0）对简单苯乙酮类底物表现出优异的R-选择性还原活性，但对邻卤代苯乙酮（2a）、苯丙酮（3a）、芳香酮酯（4a）等大位阻底物活性很低或完全无活性。实验证据：在50 mM底物浓度的全细胞还原反应中： 2’-溴代苯乙酮（2a）：转化率仅8.0% 苯丙酮（3a）：转化率38% 芳香酮酯（4a）：转化率35%，但对映选择性从R型反转为S型（67% ee） 3-氯代丙酮（5a）和二芳基酮（6a）：完全无法还原动力学参数分析揭示了更深层的原因： $k_\text{cat}$值极低：所有测试底物的$k_\text{cat}$均小于0.1 s$^{-1}$，或因严重底物抑制而无法测定邻位效应显著：2a的活性显著低于1a，表明邻位卤素的位阻效应是活性的主要限制因素取代基大小敏感：当邻位取代基从氯增大到溴时，$k_\text{cat}$急剧下降这些结果表明，Mu0的底物结合口袋可能不适合容纳大位阻取代基，限制了对工业上重要的底物的催化能力。图1：EbSDR8-G94A/S153L（Mu0）的重新设计策略。关键残基以棍状显示，底物以球棍模型显示。绿色虚线代表氢键，黑色虚线代表氢负离子转移方向。图中展示了：（A）Mu0的“葫芦形”底物结合口袋结构，包含较大的开放腔C1和较小的封闭腔C2；（B）T态与F态模拟的比较分析策略；（C）通过打破H145-Y188“横梁”结构并调节C1/C2相对大小来优化活性和对映选择性。 T态/F态比较分析揭示了问题根源：为了深入理解Mu0对大位阻底物活性低下的分子机制，作者构建了Mu0全酶的预测模型。通过同源建模（模板：4URF，52%序列一致性）和MD模拟优化，模型质量评估显示：VERIFY值为96%（衡量3D-1D相容性，>80%为合格）、ERRAT值为93（评估非键原子间相互作用，>50为高质量）、Ramachandran图中>99%的残基位于允许区域（评估主链二面角合理性），表明模型合理可靠。结构分析显示，Mu0的底物结合口袋呈典型的“葫芦形”结构： C1腔：较大的开放空腔，通常容纳底物羰基碳的小取代基 C2腔：较小的封闭空腔，通常容纳底物羰基碳的大取代基催化三联体：S143、Y156、K160，分别负责底物稳定、质子转移和NADH结合关键发现：H145和Y188通过氢键相互作用形成“横梁”结构（$d(\text{OH}{\text{Y188}}-\text{NE2}{\text{H145}}) \leq 3.2$ Å的比例高达78%），阻挡了底物进入C2腔到达活性位点。能量分解分析（MM-PBSA方法，见后文图3D）进一步证实了这一发现：催化残基贡献小：S143、Y156、K160对2a$_{\text{ProR}}$结合的能量贡献极小 C1腔吸引力强：I93、A94、Y188、S199、Y202等C1腔残基对底物结合的能量贡献较大非催化构象（noncatalytic conformation）：底物被C1腔强烈吸引，但无法进入质子/氢负离子可转移的几何状态这一发现解释了为什么Mu0对大位阻底物活性低下：底物虽然能够与酶结合，但无法形成有效的预反应态，因此无法完成催化反应。突变设计与验证图2：2a和6a与Mu0及其变体在T态和F态模拟中的结合模式。（A）2a${\text{ProR}}$与Mu0的结合模式，橙色为T态、蓝色为F态；（B）2a${\text{ProR}}$与Mu1的结合模式；（C）6a${\text{ProR}}$与Mu0的结合模式；（D）6a${\text{ProR}}$与Mu14的结合模式；（E）2a$_{\text{ProS}}$与Mu14的结合模式，青色为T态、粉色为F态。黄色虚线表示氢键，黑色虚线和数值（Å）表示距离。第一轮突变：将H145和Y188替换为较小残基（Ala、Gly、Cys）突变体描述底物2a转化率 ee值底物3a转化率 ee值 Mu0 E-G94A/S153L 8.0% >99%(R) 38% >99%(R) Mu1 Mu0-H145A >99% >99%(R) 92% >99%(R) Mu4 Mu0-Y188A 25% 22%(R) 95% >99%(R) Mu0（基线）：图2A的橙蓝分离，2a${\text{ProR}}$在F态滑入C1腔，平均$d(\mathrm{O}{\text{sub}}-\mathrm{OH}{\text{Y156}})$/$d(\mathrm{C}{\text{sub}}-\mathrm{H18}_{\text{NADH}})$拉长至4.2/4.7 Å，0%轨迹落在催化窗口，对应表格中对大位阻底物的个位数转化率。 Mu1（H145A）：图2B叠加列几乎重合，F态距离缩短到3.7/3.5 Å，5.6%构象满足催化限制，使2a、3a的转化率跃升至>90%，$k_\text{cat}$提高35倍以上。 Mu4（Y188A）：虽然列表显示对3a的转化率达到95%，但C2腔被过度放大，2a的ee值跌到22%(R)，提示即便橙蓝差异来自“过度扩腔”，也会导致对映选择性崩塌。第二轮突变：针对二芳基酮6a 单点突变无法使酶还原更大的二芳基酮(4-氯苯基)2-吡啶基酮（6a）。通过组合突变和引入π-π相互作用：突变体描述底物6a转化率 ee值 Mu10 Mu0-H145F/Y188A 94% 91%(R) Mu14 Mu0-G94Q/H145F/Y188A 99% 98%(R) 图2C对照显示，Mu0-6a$_{\text{ProR}}$在F态下完全偏离催化距离，必须通过重构C2腔与调节底物取向来恢复T/F一致性。关键设计逻辑： H145F：提供π-π相互作用并稳定6a的大芳环，使图2D中橙蓝叠加的右列距离保持3.0 Å。 Y188A：释放C2腔空间，让p-氯苯环进入更大的空腔，消除图2C那种F态偏离。 G94Q：缩小C1腔、增加极性来吸引吡啶环，从而在图2D中维持R取向；图2E显示若底物试图以S构象结合（青粉分离，仅15%时间满足催化距离），就需要巨大结构波动，因而实验上仍检测到98% ee(R)。 Mu14（G94Q/H145F/Y188A）：图2D的橙蓝完全对齐，F态有21%的时间处在绿色催化区域，对应表格里6a的99%转化率和98% ee(R)。 Mu14-2a$_{\text{ProS}}$：图2E青粉分叉，只能偶发性满足催化距离（15%），因此不会输出S产物。通过“叠加列对齐=自由态维持催化构象”这一判据，可以把图2、图3的理论分析与表格中的活性/ee数据串联起来，形成完整的诊断—设计—验证闭环。机制解析图3：F态轨迹分布与能量分解。（A）Mu0-2a${\text{ProR}}$（红）与Mu1-2a${\text{ProR}}$（蓝）的F态采样；（B）Mu0-6a${\text{ProR}}$（红）、Mu14-6a${\text{ProR}}$（蓝）与Mu14-6a${\text{ProS}}$（粉）的采样；（C）P-6a${\text{ProR/S}}$与Mu17-6a${\text{ProR/S}}$的采样；（D-F）对应能量分解。绿色区域表示满足$d(\text{O}{\text{sub}}-\text{OH}{\text{Tyr}})\le 2.8$ Å和$d(\text{C}{\text{sub}}-\text{H18}_{\text{NAD(P)H}})\le 3.0$ Å的“催化窗口”。（感觉都没怎么满足。。）图3把构象云图与能量贡献拆成三类体系：图3A：Mu0（红）完全漂在绿色窗口之外，而Mu1（蓝）明显向窗口收敛，提示LOGO突变让自由态更容易进入催化几何。图3B：Mu14-6a${\text{ProR}}$（蓝）集中在窗口内，Mu14-6a${\text{ProS}}$（粉）偏离窗口，Mu0-6a（红）几乎无法到达窗口，揭示组合突变只稳定R-构象。图3C：PpYSDR（红/绿）对R/S采样差异不大；M85S（蓝/粉）把粉色点推入窗口，说明策略可推广到其它SDR。图3D-F：从Mu0到Mu1或Mu14，催化残基及C2腔残基的能量贡献由正转负，开始稳定底物；Mu17也让Y150/K154对S-构象提供更多负能量。第一轮突变：H145A如何拉近T/F轨迹 Mu1（H145A）对2a的活性提升：构象收敛（图3A）：Mu1-2a$_{\text{ProR}}$的蓝色轨迹侵入绿色窗口，预反应态比例由0增至5.6%。距离优化：平均$d(\text{O}{\text{sub}}-\text{OH}{\text{Y156}})$从4.24 Å缩到3.7 Å，$d(\text{C}{\text{sub}}-\text{H18}{\text{NADH}})$从4.68 Å缩到3.5 Å。能量重分布（图3D）：S143/Y156/K160对底物的贡献从接近0变为-1.5~-2.0 kcal/mol，C2腔残基也转为稳定力。催化效率提升：$k_\text{cat}$从0.030 s$^{-1}$提升到1.1 s$^{-1}$，35倍以上。为什么简单的H145A突变能产生如此大的效果？ H145A突变的成功在于：消除空间位阻：组氨酸的咪唑环被较小的丙氨酸取代，消除了对C2腔入口的空间阻碍打破氢键网络：H145与Y188之间的氢键相互作用被破坏， “横梁”结构被打破增加柔性：A145比H145更灵活，允许底物更容易调整构象进入C2腔非极性环境维持：丙氨酸的非极性侧链维持了C2腔的疏水环境，适合芳香底物结合对映选择性反转机制（Mu4-4a）底物4a的对映选择性反转现象：Mu0对4a表现为S-选择性（67% ee），但经过Y188A突变后，变体Mu4表现为R-选择性（>99% ee）。这一现象可以通过以下机制解释：构象分布差异： Mu0-4a：底物在F态模拟中倾向于形成S-选择性构象，C1腔容纳羰基苯环，C2腔容纳乙酯基团 Mu4-4a：Y188A扩大C2腔后，乙酯基团在C2腔中的空间限制减弱，底物可以翻转，使苯环进入C2腔，乙酯基团进入C1腔，符合anti-Prelog规则的R-选择性能量分解证据： Mu0：C1腔残基（I93、A94）对底物结合的能量贡献更大，倾向于将苯环定位在C1 Mu4：C2腔扩大后，C2腔残基的能量贡献相对增加，有利于乙酯基团占据C2腔静电效应：乙酯基团的酯键与S143、Y156的静电相互作用在翻转构象中更有利这一发现表明，通过调节两个空腔的相对大小，不仅可以影响底物结合，还可以完全改变对映选择性，为工程设计提供了精确的控制手段。组合突变的协同效应（图3B、3E）分子识别挑战：空间位阻：6a包含4-氯苯基和2-吡啶基两个大芳环，需要重新分配C1/C2腔体积。极性需求：吡啶环电子云不均，要求C1腔提供更强的极性配合。构象限制：两个芳环限制底物转动自由度，需要诱导其以最有利的取向进入催化区。三突变协同机制： H145F：提供π-π堆叠与刚性骨架，压制无意义的旋转，保持芳环在C2腔。 Y188A：释放C2腔空间、降低极性，容纳p-氯苯基。 G94Q：缩小C1腔并增强极性，引导吡啶氮与谷氨酰胺氢键配对，固定R-取向。能量分解（图3E）： Mu0-6a$_{\text{ProR}}$（红）主要依赖C1腔残基（I93/A94）稳定底物，催化残基贡献微弱，因而偏向S-构型。 Mu14-6a$_{\text{ProR}}$（蓝）让S143/Y156/K160和C2腔残基贡献转负，R-构象得以稳定。 Mu14-6a$_{\text{ProS}}$（粉）仍出现正值，说明S-取向在突变体中受排斥。策略验证：PpYSDR的改造（图3C、3F）为验证策略的普适性，对另一种SDR酶PpYSDR（来自Pseudomonas putida）进行改造：酶描述底物6a转化率 ee值 P PpYSDR 44% 41%(S) Mu17 P-M85S >99% 96%(S) 图3C显示，野生型PpYSDR（红/绿）对R/S构象采样差异不大；M85S（蓝/粉）则让粉色点群进入绿色窗口。图3F进一步表明，M85S让Y150/K154对S构型提供负能量，而对R构型贡献仍为正，从而仅需扩张C1腔就能稳定S-产物。最终6a的转化率达到>99%，ee 提升至96%(S)，$k_\text{cat}$提高约5倍，验证了“T态/F态比较+能量分解”在其他SDR上的可迁移性。关键结论与批判性总结主要贡献: 建立了T态/F态比较分析的系统方法论，为酶理性设计提供了新工具深入阐明了SDR酶“葫芦形”结合口袋与对映选择性的构效关系成功设计了多个高活性、高对映选择性的SDR突变体局限性: 依赖于同源建模的准确性，对于无合适模板的酶可能受限能量分解方法（MM-PBSA）存在固有的近似误差主要关注底物结合，未深入探讨过渡态稳定化未来方向: 结合机器学习方法，自动识别T态/F态差异显著的残基扩展到其他氧化还原酶和非氧化还原酶体系开发高通量计算筛选流程，减少实验验证工作量小编锐评： MD跑得太短了，而且我以为free态应该是没有底物的。而且跑出底物翻转这种构象变化略难，还得靠先验知识建模，MD只是采个样relax一下（倒也确实不用太长。。）学一下原理、讲故事角度（也不过是几何约束和能量分解）好了。原理和现实（模拟）还是有点差距的，不会完美对上，不然放结果就不会遮遮掩掩的。还好这篇有湿实验

Specific Sytems · 2025-12-14

预反应态vs自由态：用双态MD梳理SDR“葫芦口袋”精准打开大位阻芳香酮入口（附录）

附录：预反应态vs自由态：用双态MD梳理SDR“葫芦口袋”精准打开大位阻芳香酮入口本文信息标题: Rational Design of Dehydrogenase/Reductases Based on Comparative Structural Analysis of Prereaction-State and Free-State Simulations for Efficient Asymmetric Reduction of Bulky Aryl Ketones 作者: Bing-Mei Su, Ze-Hui Shao, Ai-Peng Li, Muhammad Naeem, Juan Lin, Li-Dan Ye, Hong-Wei Yu 发表时间: 2019年12月4日单位: 浙江大学生物工程研究所、福州大学化学工程学院、浙江工业大学药学院、西北工业大学生命科学学院（中国）引用格式: Su, B.-M., Shao, Z.-H., Li, A.-P., Naeem, M., Lin, J., Ye, L.-D., & Yu, H.-W. (2020). Rational Design of Dehydrogenase/Reductases Based on Comparative Structural Analysis of Prereaction-State and Free-State Simulations for Efficient Asymmetric Reduction of Bulky Aryl Ketones. ACS Catalysis, 10(1), 864-876. https://doi.org/10.1021/acscatal.9b04778 Q&A Q1: 为什么选择T态/F态比较分析而不是直接的自由能计算？ A1: T态/F态比较分析的优势在于能够直观地揭示哪些残基导致了预反应态难以形成。当两种模拟模式下的结合模式差异显著时，说明底物难以自发进入反应构象，而残基构象差异最大的位置就是改造靶点。这比复杂的自由能计算更直接、更易于指导实验设计。 Q2: 为什么$k_\text{cat}$提高的同时$K_m$也增加了？ A2: $k_\text{cat}$和$K_m$的同时增加表明非催化构象（noncatalytic conformation）的占比降低。虽然$K_m$升高意味着底物亲和力降低，但在工业应用中高底物浓度可以弥补这一不足。更重要的是，高$k_\text{cat}$代表更高的催化效率，且较低的亲和力还可以缓解底物抑制问题。 Q3: 这种策略对其他类型的酶是否适用？ A3: 该策略的核心思想——比较有/无约束条件下的底物结合模式差异——具有较好的普适性。对于任何具有明确反应几何要求的酶（如需要特定底物-辅因子距离），都可以应用类似的分析方法。但对于反应机制复杂或多步反应的酶，可能需要调整约束条件的设置。 Q4: 如何避免扩大结合口袋后对映选择性下降？ A4: 关键是同步调节两个空腔的相对大小，而非单纯扩大其中一个。根据Prelog规则，需要在扩大容纳大取代基的空腔的同时，通过引入大残基或极性残基来调整另一个空腔的大小和化学环境，以维持或提高对映选择性。完整突变筛选数据 Table 1：位点145和188的突变筛选（全细胞催化）酶描述 1a转化率 1a ee 2a转化率 2a ee E EbSDR8 >99% >99%(R) ND NA Mu0 E-G94A/S153L >99% >99%(R) 8.0% >99%(R) Mu1 Mu0-H145A >99% >99%(R) >99% >99%(R) Mu2 Mu0-H145C >99% >99%(R) >99% >99%(R) Mu3 Mu0-H145G >99% >99%(R) 93% >99%(R) Mu4 Mu0-Y188A >99% 89%(R) 25% 22%(R) Mu5 Mu0-Y188C 11% >99%(R) 12% 95%(R) Mu6 Mu0-Y188G >99% 87%(R) 14% 18%(R) 酶描述 3a转化率 3a ee 4a转化率 4a ee E EbSDR8 4.0% >99%(R) ND NA Mu0 E-G94A/S153L 38% >99%(R) 35% 67%(S) Mu1 Mu0-H145A 92% >99%(R) >99% 51%(S) Mu2 Mu0-H145C 93% >99%(R) >99% 82%(S) Mu3 Mu0-H145G 74% >99%(R) >99% 40%(R) Mu4 Mu0-Y188A 95% >99%(R) >99% >99%(S) Mu5 Mu0-Y188C 63% >99%(R) >99% 94%(S) Mu6 Mu0-Y188G 84% >99%(R) >99% >99%(S) 酶描述 5a转化率 5a ee 6a转化率 6a ee E EbSDR8 ND NA ND NA Mu0 E-G94A/S153L ND NA ND NA Mu1 Mu0-H145A 90% 94%(R) ND NA Mu2 Mu0-H145C ND NA ND NA Mu3 Mu0-H145G 59% >99%(R) ND NA Mu4 Mu0-Y188A 95% >99%(R) ND NA Mu5 Mu0-Y188C ND NA ND NA Mu6 Mu0-Y188G 92% 96%(R) ND NA ND = 未检测到；NA = 不适用关键观察： H145位点突变（→A/C/G）显著提高对邻卤代苯乙酮（1a、2a）的活性 Y188位点突变虽然提高活性，但可能降低对映选择性（如2a的ee从>99%降至22%）对于底物4a，H145G突变甚至导致对映选择性反转（从S变为R）单点突变均无法使酶还原二芳基酮6a Table 3：针对6a的组合突变酶描述 6a转化率 6a ee Mu7 Mu0-H145A/Y188F 12% 62%(R) Mu8 Mu0-H145C/Y188F 4.4% >99%(R) Mu9 Mu0-H145G/Y188F 24% 11%(S) Mu10 Mu0-H145F/Y188A 94% 91%(R) Mu11 Mu0-H145F/Y188C ND NA Mu12 Mu0-H145F/Y188G 93% 84%(R) Mu13 Mu0-G94R/H145F/Y188A 37% >99%(R) Mu14 Mu0-G94Q/H145F/Y188A 99% 98%(R) P PpYSDR 44% 41%(S) Mu15 P-M85A 91% 93%(S) Mu16 P-M85G >99% 92%(S) Mu17 P-M85S >99% 96%(S) 设计逻辑： H145F保留芳香环以与底物形成π-π相互作用 Y188A/G扩大C2腔以容纳大取代基 G94Q/R调节C1腔大小和极性以优化对映选择性完整动力学参数 Table 2：表观动力学参数底物酶描述 $K_m$ (mM) $k_\text{cat}$ (1/s) $k_\text{cat}/K_m$ (1/mM/s) 1a E EbSDR8 0.22 0.020 0.11 1a Mu0 E-G94A/S153L 0.15 0.10 0.70 1a Mu1 Mu0-H145A 0.21 0.97 4.6 1a Mu2 Mu0-H145C 0.23 0.28 1.2 1a Mu3 Mu0-H145G 1.3 1.2 0.93 2a E EbSDR8 0.020 0.010 0.54 2a Mu0 E-G94A/S153L 0.70 0.030 0.050 2a Mu1 Mu0-H145A 0.090 1.1 12 2a Mu2 Mu0-H145C 0.040 0.15 3.7 2a Mu3 Mu0-H145G 2.0 0.69 0.35 3a E EbSDR8 0.10 0.010 0.14 3a Mu0 E-G94A/S153L 0.090 0.070 0.81 3a Mu1 Mu0-H145A 0.30 0.75 2.5 3a Mu2 Mu0-H145C 0.060 0.070 1.2 3a Mu4 Mu0-Y188A 0.55 0.51 0.91 4a E EbSDR8 NA NA NA 4a Mu0 E-G94A/S153L 0.010 0.030 5.5 4a Mu4 Mu0-Y188A 0.18 25 140 4a Mu6 Mu0-Y188G 0.40 52 130 5a E EbSDR8 0.030 0.020 0.63 5a Mu0 E-G94A/S153L 0.090 0.060 0.66 5a Mu4 Mu0-Y188A 0.54 1.23 2.29 6a E EbSDR8 0.030 0.010 0.42 6a Mu0 E-G94A/S153L NA NA NA 6a Mu10 Mu0-H145F/Y188A 2.0 4.2 2.1 6a Mu14 Mu0-G94Q/H145F/Y188A 1.6 2.2 1.3 6a P PpYSDR 0.44 0.23 0.53 6a Mu17 P-M85S 0.45 1.1 2.4 关键发现： Mu1对2a的$k_\text{cat}$比Mu0提高37倍（从0.030到1.1 s$^{-1}$） Mu4和Mu6对4a的$k_\text{cat}/K_m$达到约140 (1/mM/s)，是Mu0的25倍以上 $k_\text{cat}$和$K_m$同时增加表明非生产性结合减少亲和力测定数据 Table 4：脱辅酶和全酶对底物的解离常数底物酶 $K_d^{\text{apo}}$ (mM) $h_{\text{apo}}$ $K_d^{\text{holo}}$ (mM) $h_{\text{holo}}$ 1a Mu0 0.011 1.17 0.071 0.68 1a Mu1 0.010 1.45 0.0056 1.67 2a Mu0 0.0023 0.67 0.037 0.87 2a Mu1 0.0023 1.06 0.0055 1.69 3a Mu0 0.0094 0.93 0.028 1.06 3a Mu4 0.010 1.10 0.010 0.77 4a Mu0 0.011 1.04 0.022 0.80 4a Mu4 0.0059 0.91 0.0035 1.38 5a Mu0 0.0037 1.25 0.017 0.65 5a Mu4 0.0042 1.19 0.0075 1.28 6a Mu0 0.0078 1.57 NA NA 6a Mu14 0.012 1.35 0.022 1.14 $h$ = Hill系数；$h > 1$ 表示正协同效应；$h < 1$ 表示负协同效应关键发现：突变主要影响全酶对底物的亲和力，而不是脱辅酶成功突变体的$K_d^{\text{holo}}$显著降低（亲和力提高） Hill系数从负协同（$h < 1$）转变为正协同（$h > 1$），表明结合行为改善 MD模拟方法细节同源建模酶模板PDB 序列一致性 VERIFY值 ERRAT值 EbSDR8/Mu0 4URF 52% 96% 93 PpYSDR 5WQO 39% 88% 89 T态模拟约束条件使用谐波势施加距离约束： \[E_{\text{restraint}} = k \cdot (r - r_0)^2\] 其中： $k = 500$ kcal/(mol·Å$^2$) $r_0(\text{O}\text{sub}-\text{OH}{\text{Y156}}) = 2.8$ Å $r_0(\text{C}\text{sub}-\text{H18}{\text{NADH}}) = 3.0$ Å 能量分解分析使用MM-PBSA方法计算底物结合口袋（底物6 Å范围内）残基对底物结合的能量贡献。 Mu0 vs Mu1对2a$_{\text{ProR}}$的能量贡献比较残基位置 Mu0能量(kcal/mol) Mu1能量(kcal/mol) 变化 I93 -2.5 -1.8 ↓ C1吸引减弱 A94 -1.8 -1.5 ↓ S143 -0.3 -1.5 ↑ 催化残基贡献增加 H145/A145 -0.8 -0.5 ↓ 空间位阻消除 Y156 -0.5 -2.0 ↑ 催化残基贡献增加 K160 -0.2 -1.0 ↑ 催化残基贡献增加 Y188 -2.0 -1.8 ↓ 解释：突变后，催化残基（S143、Y156、K160）对底物结合的能量贡献显著增加，表明底物能够更好地进入催化构象。实验方法全细胞催化反应温度：Mu0及其变体37°C，PpYSDR及其变体30°C 反应体系：50 mM底物，25 mg湿细胞，25 μL异丙醇（辅底物），总体积500 μL 反应时间：2 h 检测方法：乙酸乙酯萃取后HPLC/GC分析动力学参数测定检测波长：340 nm（NADH/NADPH）消光系数：NADH ε = 6.0/mM/cm，NADPH ε = 5.3/mM/cm 底物浓度范围：0.2-20 mM 荧光猝灭法测定亲和力脱辅酶：测定底物结合后蛋白荧光猝灭全酶：测定底物结合后NAD(P)H荧光变化数据拟合：Hill方程

Specific Sytems · 2025-12-08

GH161家族β-葡聚糖磷酸化酶：从肠道宏基因组到催化机制的结构解析

GH161家族β-葡聚糖磷酸化酶：Gate Loop动力学如何精准调控多糖合成本文信息标题: Structural and Functional Dissection of GH161 β-Glucan Phosphorylases: Molecular Specificities and Dynamics of Catalysis 作者: Mikel Urresti, Pedro A. Eyers 等发表时间: 2025年11月12日单位: University of Liverpool（英国）引用格式: Urresti, M., et al. (2025). Structural and Functional Dissection of GH161 β-Glucan Phosphorylases: Molecular Specificities and Dynamics of Catalysis. ACS Catalysis, 15(8), 6182-6197. https://doi.org/10.1021/acscatal.4c07629 解析的结构: PDB: 9GEN, 9GEO, 9GEP, 9GEQ; EMDB: EMD-51581~EMD-51584 摘要糖苷磷酸化酶（GPs）是一类独特的碳水化合物活性酶，它们利用无机磷酸盐代替水来切割糖苷键，从而生成糖-1-磷酸产物。在GH-Q clan中，GH161家族是最新发现且研究最少的成员。本研究从人类肠道宏基因组中鉴定并表征了三个GH161酶（GH161A、GH161B、GH161C），证明它们都是β-1,3-葡聚糖磷酸化酶，以α-D-葡萄糖-1-磷酸（αGlc1P）为供体合成β-1,3-连接的葡聚糖。通过冷冻电镜解析了GH161A的高分辨率结构（2.41 Å），揭示了一个关键的gate loop结构域如何通过开-闭构象变化调控底物进入和产物释放。3D变异性分析（3DVA）进一步揭示了二聚体催化过程中的反对称运动模式，为理解磷酸化酶的催化动力学提供了新见解。核心结论 GH161家族酶是β-1,3-葡聚糖磷酸化酶，可高效合成长链β-葡聚糖 Gate loop的开-闭动力学是催化循环的核心调控机制二聚体两个亚基呈现反对称运动，可能代表催化循环的不同阶段 GH161A具有最高的热稳定性（$T_m$ = 74.8°C）和聚合活性背景糖苷磷酸化酶（Glycoside Phosphorylases, GPs）在碳水化合物代谢中扮演着独特角色。与糖苷水解酶使用水作为亲核试剂不同，GPs利用无机磷酸盐进行磷酸解反应，生成糖-1-磷酸和缩短的糖链。这种反应在热力学上是可逆的，使得GPs既能降解多糖，也能在逆向磷酸解模式下合成多糖。 β-葡聚糖是一类具有重要生物活性的多糖，广泛存在于谷物、真菌和细菌中。它们在生物材料、生物燃料、生物防治以及营养保健和制药领域展现出广泛的应用潜力。然而，β-葡聚糖的酶法合成一直面临挑战：传统的糖基转移酶需要昂贵的核苷酸糖（如UDP-葡萄糖）作为供体，限制了工业应用。 GH-Q clan是CAZy数据库中的一个糖苷磷酸化酶超家族，包含GH94、GH149和GH161三个家族。其中GH94主要作用于β-1,4-连接（如纤维二糖），GH149作用于β-1,3-连接的葡聚糖。GH161是2022年才建立的新家族，其成员的底物特异性和催化机制仍不清楚。关键科学问题 GH161家族酶的底物特异性是什么？它们如何识别和加工β-葡聚糖底物？与同一clan中的GH94和GH149家族相比，GH161有何独特之处？解答这些问题需要高分辨率的三维结构信息，而此前GH161家族尚无任何实验结构。创新点首次解析GH161家族酶的原子分辨率结构揭示gate loop的动力学行为及其在催化中的调控作用发现二聚体的反对称运动模式，提出催化循环的动力学模型系统比较GH-Q clan三个家族的结构与功能差异研究内容方法概述 graph TB subgraph S1["1.功能表征"] direction LR A["宏基因组序列挖掘"] --> B["大肠杆菌重组表达"] B --> C["底物特异性筛选"] C --> D["酶促动力学测定"] end subgraph S2["2.结构解析"] direction LR E["Cryo-EM数据采集"] --> F["单颗粒重构"] F --> G["模型构建与优化"] G --> H["3DVA动力学分析"] end subgraph S3["3.比较分析"] direction LR I["AlphaFold2建模"] --> J["GH-Q clan结构比对"] J --> K["进化与功能关联"] end S1 --> S2 --> S3 style D fill:#e1f5ff style H fill:#fff9c4 style K fill:#ffe0b2 酶的来源与表达：从人类肠道宏基因组数据库中鉴定了三个GH161序列（GH161A、GH161B、GH161C），在大肠杆菌BL21(DE3)中重组表达并纯化。功能表征：使用多种糖作为供体和受体进行活性筛选通过MALDI-TOF质谱和NMR确定产物结构测定稳态动力学参数和热稳定性结构解析：在Titan Krios上采集cryo-EM数据（300 kV）使用RELION进行单颗粒重构解析了四种状态：apo态、与αGlc1P复合物、与昆布三糖（laminaritriose，LM3，三个葡萄糖通过β-1,3键连接）复合物、与葡萄糖/磷酸根复合物使用CryoSPARC进行3D分类和3D变异性分析（3DVA）：这是一种基于cryo-EM数据的计算方法，无需MD模拟即可从实验数据中直接提取蛋白质的构象异质性和动力学信息一、功能筛选与底物特异性图1：GH161酶的功能表征（A）β-1,3-葡聚糖磷酸化酶的反应机制示意图，αGlc1P作为供体，β-1,3-葡聚糖作为受体（B）供体筛选：三个酶都特异性使用αGlc1P，不接受其他糖-1-磷酸（C）受体筛选：GH161A和GH161C偏好β-1,3-连接的寡糖，GH161B也能使用β-1,4-连接底物（D）链长特异性：GH161A可合成长链产物（DP > 10），GH161B和GH161C产物较短三个GH161酶都表现出β-1,3-葡聚糖磷酸化酶活性，但在底物偏好和产物链长上存在差异：酶最佳受体最大产物长度 $T_m$ (°C) GH161A 昆布三糖 > DP10 74.8 GH161B 昆布二糖/纤维二糖 DP4-5 67.9 GH161C 昆布三糖 DP5-6 58.9 GH161A是最高效的聚合酶，能够将短链受体延伸成长链β-1,3-葡聚糖。这种高聚合活性使其成为β-葡聚糖生物合成的潜在工具酶。二、GH161A的整体结构图2：GH161A apo态的冷冻电镜结构（A）二聚体整体结构，两个亚基以青色和深青色区分（B）单体结构域组成：N端结构域（NTD）、催化结构域（TIM桶）、C端结构域（CTD）（C）与GH94纤维二糖磷酸化酶的结构比对，显示保守的TIM桶核心（D）门控环（gate loop，残基348-369）的位置和构象 GH161A形成同源二聚体，每个亚基包含三个结构域： N端结构域（NTD）：α/β折叠，功能尚不明确催化结构域：经典的(α/β)₈ TIM桶结构，包含活性位点 C端结构域（CTD）：α-螺旋束，参与二聚化活性位点位于TIM桶的C端开口处，被一个关键的gate loop（残基348-369）所覆盖。这个gate loop在底物结合前后经历显著的构象变化。三、底物结合与活性位点图3：GH161A与底物的复合物结构（A）与αGlc1P复合物的整体视图，显示供体结合在-1亚位点（B）-1亚位点的详细相互作用：αGlc1P与Y204、R206、D138、H368等残基形成氢键（C）gate loop关闭状态下的构象，H368和Y370插入活性位点（D）昆布三糖复合物结构，受体结合在+1至+3亚位点（E）+1/+2亚位点的相互作用网络（F）磷酸根/葡萄糖复合物，代表催化后的产物态（G）β-1,3-葡聚糖链在活性位点的延伸方向供体结合位点（-1亚位点）的关键残基包括： D138：作为催化碱，活化进攻的羟基 R206：稳定磷酸根的负电荷 Y204、H368：与葡萄糖环形成堆积作用受体结合位点（+1至+3亚位点）相对开放，解释了GH161A能够加工长链底物的能力。四、Gate Loop的构象动力学图4：底物结合诱导的构象变化（A）3D分类揭示两类颗粒：Class 1（47%）为开-闭不对称态，Class 2（53%）为闭-闭对称态（B）主成分分析（PCA）显示gate loop沿两种运动模式变化（C）Morph动画显示gate loop从开放到关闭的过渡 Gate loop的开-闭转换是催化循环的核心：开放态：gate loop远离活性位点，允许底物进入关闭态：gate loop覆盖活性位点，H368定位αGlc1P的C1位置进行催化这种不对称分布暗示两个亚基可能处于催化循环的不同阶段。五、二聚体的反对称运动图5：3D变异性分析揭示的动力学模式（A）整体刚体运动（Mode 1）（B）反对称模式（Mode 2）：一个亚基的gate loop开放时，另一个关闭（C）对称模式（Mode 3）：两个亚基的gate loop同时开放或关闭（D）门控环运动的局部放大，显示H368残基的位移 3DVA分析原理：3D Variability Analysis（Punjani & Fleet, 2021）是一种基于主成分分析的cryo-EM数据处理方法。具体而言：数据准备：对GH161A的61.9万（apo态）或49.2万（催化活性态）个单颗粒进行对称性扩展和局部优化构象空间建模：将每个颗粒的3D密度图视为高维空间中的一个点，计算所有颗粒之间的协方差矩阵主成分提取：通过类似PCA的降维方法，识别出解释数据变异性最大的几个主方向（即运动模式）连续轨迹重建：沿每个主成分方向生成一系列连续的3D重构（如20帧），形成”分子电影” 这种方法的核心是从静态快照中恢复动态信息：尽管每张cryo-EM图像都是蛋白质某一瞬间的”冻结”状态，但通过统计分析成千上万张图像的集体行为，可以推断出蛋白质在溶液中的主要构象变化模式。重要局限：3DVA只能识别出存在哪些构象以及它们之间的转换路径，但无法确定运动的方向性（A→B还是B→A）或转换速率。因此，本研究中gate loop”从开放到关闭”的动画方向是根据催化逻辑推断的（底物需要先进入活性位点），而非3DVA直接给出的时间序列。这就像看一堆照片vs看视频： 3DVA = 从很多照片推断运动模式（但不知道拍摄顺序） MD = 真实的视频（但可能是”电影特效”而非纪录片）所以最理想的研究策略是结合两者：用3DVA确定实验支持的构象空间，再用MD模拟探索这些构象之间的动力学转换。 3DVA分析揭示了三种主要的运动模式：模式特征生物学意义 Mode 1 整体刚体运动样品取向变化 Mode 2 反对称门控交替催化机制 Mode 3 对称门控同步开放/关闭反对称运动模式的生物学意义： Mode 2（反对称模式）在催化活性态的数据集中占主导地位，提示这是GH161A的主要催化运动模式。这种模式展现了一个引人注目的特征：当一个活性位点关闭时，另一个活性位点开放，反之亦然。这与传统认为的”多聚体磷酸化酶的单体功能独立”观点形成鲜明对比。作者提出，GH161A的两个原聚体（protomers）偏好以交替方式工作，这可能对催化有利。这一发现与Chen等人在2023年Chemical Reviews上发表的综述中讨论的二聚体酶正协同性（positive cooperativity）概念高度一致。该综述指出，影响二聚体酶协同性的因素包括：空置vs占据活性位点的动力学差异亚基-亚基相互作用的重要性 GH161A恰好展现了这些特征，提示两个活性位点之间可能存在某种信号传递通路（communication pathway）。 Communication Pathway假说：作者尝试通过追踪两个不对称原聚体之间位移最大的区域来勾勒这条通路，发现信号可能从一个活性位点传递到对侧原聚体的gate loop。这立即引发了一个类似”先有鸡还是先有蛋”的生化悖论：gate loop的关闭是从gate loop本身启动，还是从活性位点启动？答案是：两者都不是严格意义上的首先。正如文献57所述，loop关闭和跨二聚体的信号传递在能量上是耦合的，以协同方式（concerted manner）进行。也就是说，gate loop关闭和活性位点的底物结合是相互促进、同步发生的过程。对称运动模式的含义： Mode 3展现了一种呼吸样运动（breathing-like motion）：两个亚基同时向二聚体中心移动，然后再向外运动。虽然这种模式在催化活性态中不占主导，但在apo态和仅结合LM5的复合物中观察到。这提示：对称运动可能代表酶在非催化状态下的构象涨落反对称运动仅在同时存在供体和受体时被触发值得强调的是，这些运动模式都是从实验数据中直接观察到的，而非通过计算机模拟预测的。这为理解磷酸化酶的催化动力学提供了坚实的实验基础六、GH161家族的结构比较图6：GH161A、GH161B和GH161C的结构比较（A）GH161A实验结构（青色）（B）GH161B AlphaFold2模型（紫色）（C）GH161C AlphaFold2模型（橙色）下方面板：gate loop区域的序列和结构差异三个GH161酶的整体结构高度相似，但gate loop区域存在显著差异： GH161A：gate loop最长（22残基），包含关键的H368 GH161B：gate loop较短，缺少H368等效残基 GH161C：gate loop长度中等，K130和K132可能参与底物识别这些差异可能解释了三个酶在底物特异性和聚合能力上的差异七、GH-Q Clan的进化关系图7：GH-Q clan三个家族的结构比较（A）GH161A（本研究）（B）GH94纤维二糖磷酸化酶（C）GH149 β-1,3-葡聚糖磷酸化酶（D）GH94 β-1,2-寡糖磷酸化酶下方面板：活性位点的关键差异 GH-Q clan的三个家族共享： (α/β)₈ TIM桶催化结构域保守的催化残基（Asp作为催化碱）二聚体或多聚体组装但它们在连接特异性上有明显分化： GH94：β-1,4和β-1,2连接 GH149：β-1,3连接 GH161：β-1,3连接（本研究确认） GH161与GH149在底物特异性上重叠，但结构差异表明它们是独立进化的β-1,3-葡聚糖磷酸化酶 Q&A Q1：为什么GH161A的聚合活性比GH161B和GH161C高得多？ A1：主要原因在于gate loop的结构差异： GH161A的gate loop包含完整的H368残基，能够精确定位供体糖 GH161A的受体结合通道更开放，允许长链产物的延伸 GH161A的热稳定性最高（74.8°C），在反应条件下保持更好的催化活性 Q2：反对称运动模式对催化有什么功能意义？这种协同性在其他磷酸化酶中观察到过吗？ A2：反对称运动揭示了GH161A可能具有正协同性，这在糖苷磷酸化酶家族中非常罕见：功能意义：提高催化效率：交替工作模式可能避免两个活性位点同时处于能量不利的中间态产物释放优化：一个亚基的产物释放可能促进另一个亚基的底物结合能量耦合：一个亚基的gate loop关闭释放的能量可能帮助另一个亚基的gate loop开放与其他磷酸化酶的对比：大多数糖苷磷酸化酶的多聚体亚基被认为是功能独立的，没有明显的协同性唯一例外：哺乳动物糖原磷酸化酶展现出变构调控和协同性，但其机制与GH161A不同 GH161A的反对称运动是首次在GH-Q clan中观察到的亚基间协调行为需要进一步验证：动力学实验（如底物浓度依赖曲线的Hill系数）单分子FRET实验验证两个活性位点的动力学相关性 MD模拟探索communication pathway的分子机制 Q3：GH161酶在肠道微生物组中的生理功能是什么？ A3：这些酶可能参与：多糖降解：磷酸解β-葡聚糖获取能量多糖合成：在特定条件下合成β-葡聚糖作为储能物质或生物膜成分共生代谢：与宿主或其他微生物的碳水化合物代谢互作 Q4：为什么使用cryo-EM而不是X射线晶体学？ A4：Cryo-EM的优势在于：可以捕获蛋白质的多种构象态（如开放/关闭态）不需要晶体，避免晶体堆积对构象的限制 3DVA分析可以揭示连续的构象动力学本研究中确实观察到了2种不同的3D类别和3种运动模式关键结论与批判性总结主要贡献：首次提供GH161家族的原子分辨率结构信息揭示gate loop动力学是催化调控的核心机制发现二聚体反对称运动模式，挑战了传统上认为多聚体磷酸化酶亚基功能独立的观点提出亚基间存在“communication pathway”的假说，为GH-Q clan酶的协同催化机制带来全新视角局限性：仅有GH161A的实验结构，GH161B和GH161C依赖AlphaFold2预测 3DVA无法直接提供时间信息：运动方向和速率仍需结合生化动力学实验或MD模拟验证协同性假说缺乏直接动力学证据：需要通过Hill系数、单分子FRET或双突变循环分析来量化亚基间的相互作用强度缺乏与真实生理底物（长链β-葡聚糖）的复合物结构 Communication pathway的分子细节尚不清楚：Supporting Figure 13展示的路径仍是推测性的未来方向：验证协同性假说：通过稳态动力学（Hill系数）、预稳态动力学（突发相）、单分子FRET实验量化亚基间的功能耦合鉴定communication pathway关键残基：结合MD模拟和双突变循环分析（double-mutant cycle analysis）设计解耦突变体：破坏二聚化界面或communication pathway，测试单体酶的催化效率设计具有更高聚合活性的GH161突变体用于工业生产解析GH161B和GH161C的实验结构，验证AlphaFold2预测研究gate loop突变对催化动力学的定量影响探索GH161在肠道微生物组中的生态功能更广泛的影响：本研究展示了cryo-EM在捕获酶催化动力学快照方面的独特优势。结合3DVA分析，研究者无需晶体化即可揭示蛋白质在溶液中的构象异质性。这为研究其他动态酶系统（如变构酶、马达蛋白）提供了方法学启示。 GH161A的反对称催化模式也提醒我们：多聚体酶的亚基可能并非简单的“功能拷贝”，而是通过协同作用实现更高的催化效率。正如作者引用的Chen等人的综述所言，二聚体酶的动力学远比我们过去认为的要复杂和精妙

Specific Sytems · 2025-11-25

EnzyControl：酶设计方法的技术细节与算法深解

附录：EnzyControl：酶设计方法的技术细节与算法深解核心方法：条件化酶骨架生成框架总体数据流概览 EnzyControl的计算流程可以概括为三个阶段： \[\text{输入初始化} \to \text{6层IPA迭代（每层注入底物信息）} \to \text{采样得到骨架}\] 每一层的内部流程： \[h_{k-1}, z_{k-1}, T_{k-1} \xrightarrow{\text{IPA}} h_k \xrightarrow{\text{EnzyAdapter}} c_k^{\text{new}} \xrightarrow{\text{EdgeUpdate}} z_k \xrightarrow{\text{BackboneUpdate}} T_k\] 下面详细展开每个阶段。 graph TB subgraph Input["输入与表征"] direction TB R1["蛋白表征: 3D k-NN图 节点=残基边=相邻帧=SE(3)"] A2["底物分子经过Uni-Mol编码 冻结参数"] A3["投影器 2层Linear"] B["功能位点 M MSA注释的催化残基"] A2 --> A3 end subgraph Init["初始化 k=0"] direction TB D["h₀: 节点特征 残基索引+位置编码"] E["z₀: 边特征 相对序列距离+时间步"] F["T₀: 刚体帧 SO(3)旋转+R³平移"] G["S₀: 底物嵌入 投影器输出"] end subgraph Iter["迭代处理 k=1→6"] direction LR H1["IPA处理 几何特征h_k"] H2["EnzyAdapter 交叉注意底物"] H3["特征融合 h_k^new"] H4["EdgeUpdate 边特征z_k"] H5["预测增量 ΔR Δr"] H6["帧累积 T_k"] HT["Transformer 全局依赖"] H1 --> H2 --> H3 --> H4 --> H5 --> H6 H3 -.-> HT H6 -.->|"k→k+1"| H1 end subgraph Output["最终输出"] direction TB Out["采样20条骨架 T₆ 3D坐标+方向"] end subgraph Eval["评估流水线"] direction LR E1["ProteinMPNN 逆折叠生序列"] E2["ESMFold 序列→结构"] E3["多指标评估 scTM scRMSD等"] E1 --> E2 --> E3 end Input --> Init --> Iter --> Output --> Eval style R1 fill:#e0f2f1 style A2 fill:#e0f2f1 style A3 fill:#e0f2f1 style B fill:#f3e5f5 style D fill:#fff9c4 style E fill:#fff9c4 style F fill:#fff9c4 style G fill:#fff9c4 style H1 fill:#f3e5f5 style H2 fill:#f3e5f5 style H3 fill:#ffe0b2 style H4 fill:#e8f5e9 style H5 fill:#e8f5e9 style H6 fill:#e8f5e9 style HT fill:#fff3e0 style Out fill:#c8e6c9 style E1 fill:#b3e5fc style E2 fill:#b3e5fc style E3 fill:#ffccbc 第一部分：输入与初始化（What flows in） 1.1 蛋白的三维表征：k-NN图与刚体帧蛋白质在模型中的表征方式决定了生成的效率和质量。EnzyControl 采用3D k-NN图表示：节点表示：每个氨基酸残基是一个节点，携带残基索引、位置编码等特征边表示：空间上相邻的残基之间有边连接，使模型能感知残基的局部几何环境帧表示：每个残基的3D位置和方向用SE(3)中的刚体帧 $T_n = (r, x)$ 表示，其中 $r \in SO(3)$ 是旋转矩阵，$x \in \mathbb{R}^3$ 是位置向量这种表示方式是与序列无关的纯结构表示：输入只需拓扑信息（哪些残基相邻），不需要氨基酸序列；生成输出也是骨架的3D坐标和方向，序列由ProteinMPNN后续设计。 1.2 底物的化学表征：从分子图到特征向量底物通过其分子图（不是3D构象）表示，原因是底物的3D位置通常未知。编码过程：输入分子图 $\to$ Uni-Mol预训练编码器（在209百万分子构象上预训练） $\to$ 分子特征向量为防止11,100对数据上过拟合：冻结Uni-Mol所有参数（保留预训练知识）仅训练轻量级投影器（2层线性 + LayerNorm）$\to$ 底物嵌入 $S_0 \in \mathbb{R}^{D_s}$ 将底物特征从分子表示空间映射到蛋白特征空间，既保留预训练泛化能力，又适配任务。 1.3 系统初始化：第0步的完整状态在迭代开始前，系统初始化以下向量：节点特征向量 $h_0 \in \mathbb{R}^{N \times D_h}$： $h_k$ 不是单个残基的特征，而是一个矩阵 $h_k \in \mathbb{R}^{N \times D_h}$，包含第k次迭代后所有 $N$ 个残基的特征向量。每个残基有一个维度为 $D_h$ 的向量，记录该残基在第k次迭代后的结构和化学信息。初始化信息：残基索引 + 位置编码边特征向量 $z_0 \in \mathbb{R}^{N \times N \times D_z}$：每条边（残基对）是一个维度为 $D_z$ 的特征向量初始化信息的三个成分：相对序列距离：两个残基在氨基酸序列上的距离（$ i-j $）。例如，相邻残基距离为1，间隔一个残基距离为2。这告诉模型哪些残基在序列上接近时间步：当前生成过程中的时间信息（0→1，从噪声到真实结构）。用正弦和学习的位置编码表示，让模型知道”现在在生成过程的哪个阶段” 自条件信息：模型根据自己在前一步对Cα原子距离的预测，将这个预测的距离矩阵（离散化为22个bin）作为额外信息反馈。这种”自我监督”机制让模型能纠正自己的错误刚体帧 $T_0 = (r_0, x_0) \in SE(3)$： $r_0 \in SO(3)$：初始旋转（从PDB骨架原子的方向） $x_0 \in \mathbb{R}^3$：初始平移（残基的Cα原子坐标）底物嵌入 $S_0 \in \mathbb{R}^{D_s}$（每层固定不变重复使用）第二部分：单层处理流程（How data flows） “层”的含义澄清：这里的”第k层”（k=1,2,…,6）指的是迭代循环的第k次迭代轮次，而非蛋白序列上残基的物理位置。在每一次迭代中，模型都会对整个蛋白骨架的所有残基更新特征和帧信息。每一层接收上一层的输出，并按以下顺序处理：步骤1：IPA处理空间几何关系 \[h_k = \text{IPA}(h_{k-1}, T_{k-1})\] 输入：上一层的节点特征 $h_{k-1}$ 和刚体帧 $T_{k-1}$ 操作： IPA（Invariant Point Attention）在”不变点”上计算注意力这些不变点与坐标系的旋转和平移无关（SE(3)等变）从多个空间角度分析残基间的相对位置和方向，融合这些信息输出：$h_k \in \mathbb{R}^{N \times D_h}$（等变几何特征），是纯粹基于蛋白空间几何的特征，捕捉残基彼此间的相对关系，但完全不包含底物信息。补充：Transformer层穿插在IPA块之间：IPA主要处理空间上相邻残基的局部关系（基于3D k-NN图），而在IPA块之间穿插2层Transformer（每层4个注意力头）来捕捉序列上远距离残基的全局依赖。这样既保证了SE(3)等变性，又能感知远程序列模式。步骤2：EnzyAdapter通过交叉注意力注入底物信息 \[c_k = \text{Attn}(Q, K, V) = \text{Softmax}\left(\frac{Q K^\top}{\sqrt{d_k}}\right) V\] 其中： $Q = h_k W_q$：查询来自第k层的残基特征。$Q$ 的含义是”蛋白现在长什么样，应该怎么调整？” $K = S_0 W_k$, $V = S_0 W_v$：键值来自底物嵌入 $S_0$（固定，与k无关）。$S_0$ 的含义是”底物分子的信息是什么？” $W_q, W_k, W_v$ 是学到的权重矩阵，用于将 $h_k$ 和 $S_0$ 投影到注意力的查询-键-值空间输出：$c_k \in \mathbb{R}^{N \times D_h}$（底物-指导的特征）为什么用交叉注意力：注意力机制让模型学到位置相关的调制规则同一个位点在不同底物下应该做不同的结构调整比简单拼接更精细，避免底物信息的浪费步骤3：特征融合 \[h_k^{\text{new}} = \text{Linear}(\text{Concat}(\text{Linear}(c_k), h_k))\] 操作：对 $c_k$ 做一个Linear变换与 $h_k$ 拼接（concatenate）再过一个Linear层进行融合含义：将底物感知信息 $c_k$ 与几何特征 $h_k$ 结合，产生同时考虑蛋白几何和底物约束的融合特征。等变性保证（关键）：融合发生在特征空间而非坐标空间 Linear运算在特征维度上，不涉及坐标变换因此不会破坏SE(3)等变性步骤4：边特征更新 \[z_k = \text{EdgeUpdate}(h_k^{\text{new}})\] 操作：标准消息传递，基于融合后的节点特征 $h_k^{\text{new}}$ 更新边特征。步骤5：BackboneUpdate预测刚体变换增量从融合特征 $h_k^{\text{new}}$ 预测： \[\Delta \mathbf{r}^{(k)} \in \mathbb{R}^3, \quad \Delta \mathbf{R}^{(k)} \in SO(3)\] 平移增量 $\Delta \mathbf{r}^{(k)}$：残基Cα应该移动到哪里旋转增量 $\Delta \mathbf{R}^{(k)}$：残基帧应该如何旋转这些增量通过BackboneUpdate模块中的线性层从 $h_k^{\text{new}}$ 预测得出。步骤6：帧累积更新（SE(3)群乘法） \[T_k = T_{k-1} \cdot \exp\left(\begin{bmatrix} [\Delta \mathbf{R}^{(k)}]_\times & \Delta \mathbf{r}^{(k)} \\ 0 & 0 \end{bmatrix}\right)\] 操作：将增量表示为SE(3)李代数元素通过李群指数映射转换为SE(3)群元素左乘到当前帧 $T_{k-1}$ 上，得到更新的帧 $T_k$ 等变性保证：SE(3)群的乘法自动保持群的闭包性质，即增量的累积不会破坏等变性。第k层的输出 \[h_k, z_k, T_k \quad \text{（传给第k+1层）}\] 第3部分：采样与最终输出 3.1 从$T_6$到骨架的采样过程完成6层迭代后，模型得到了最终的刚体帧 $T_6 = (r_6, x_6) \in SE(3)$。但这还不是最终的蛋白质骨架，而是需要通过采样过程（Sampling）来生成实际的3D坐标。单层处理与向量场的关系：Flow matching框架的核心是学习一个条件向量场 $\hat{v}(S_t, t M, G)$，其中： $S_t = (T_t, h_t, z_t)$ 是结构在时间 $t$ 的完整状态（刚体帧、节点特征、边特征） $M$ 是功能位点（MSA注释的催化残基） $G$ 是底物（化学图表示）这个向量场描述结构状态应如何演化。单层处理（IPA → EnzyAdapter → 融合 → EdgeUpdate → BackboneUpdate）的输出 $T_k, h_k, z_k$ 用来计算向量场的平移和旋转分量 ${v_x, v_r}$——这些是帧的时间导数的近似。整个单层计算过程隐含地定义了条件向量场：通过IPA提取几何，通过EnzyAdapter注入底物约束，通过BackboneUpdate预测帧增量。采样的核心思想：流匹配框架在训练阶段学习了一个条件向量场 $\hat{v}(x_t, t M, G)$，在推理时无需再训练任何参数。采样是一个纯前向推理的逆向去噪过程，利用已训练的向量场从纯噪声（高斯随机）逐步演化到真实结构。具体步骤：初始化噪声：从高斯分布采样初始的平移向量 $x_0$ 和初始的旋转矩阵 $r_0$（IGSO(3)是SO(3)群上的不变高斯分布，保证采样的旋转矩阵始终有效）反向积分（纯推理，无参数更新）：使用ODE求解器（通常是Euler方法）从t=0积分到t=1 在每一步 $t_i$ 到 $t_{i+1}$，调用已训练的模型预测条件向量场 $\hat{v}(x_t, t M, G)$ 使用Euler步更新：$x_{t+1} = x_t + \Delta t \cdot \hat{v}(x_t, t M, G)$（仅执行前向传播，不计算梯度）功能位点锁定：在每个去噪步骤，将功能位点（motif）的坐标固定为真实值，只生成scaffold部分。这确保催化位点不会偏离目标输出骨架：完成积分后，得到 $x_1$（平移）和 $r_1$（旋转），组合成最终的刚体帧序列 $T_6^{\text{final}}$ 3.2 多骨架采样模型在推理时不是只输出一条骨架，而是多次采样：采样策略：从同一个底物和功能位点出发，进行多轮独立的去噪过程，每次从不同的随机初始化开始采样数量：原文中对每个底物生成20条骨架目的：多样性：获得不同的结构变异体，增加成功的概率筛选空间：后续可通过对接、功能预测等筛选出最优的骨架 3.3 完整的推理管线生成最终可用的蛋白质结构需要经过后处理管线（详见评估流水线）： \[\text{采样得到骨架} \xrightarrow{\text{ProteinMPNN}} \text{设计序列} \xrightarrow{\text{ESMFold}} \text{全原子结构}\] 第四部分：训练与评估 4.1 训练目标与损失函数 EnzyControl采用流匹配（Flow Matching）框架进行训练。流匹配的核心思想是学习一个向量场，使数据从噪声分布演化到真实分布。在SE(3)等变骨架生成的约束下，训练目标最小化真实向量场与预测向量场之间的平方距离： \[\mathcal{L} = \mathbb{E}\left[\|v_R(x_t, t|x_1) - \hat{v}_R(S_t, t|M, G)\|_R^2 + \|v_{SO(3)}(r_t, t|r_1) - \hat{v}_{SO(3)}(S_t, t|M, G)\|_{SO(3)}^2\right]\] 其中：第一项 $|v_R(x_t, t x_1) - \hat{v}_R(S_t, t M, G)|_R^2$：平移向量场的损失 $v_R(x_t, t x_1)$ 是真实的平移向量场（从噪声x₀演化到真实结构x₁） $\hat{v}_R(S_t, t M, G)$ 是模型预测的条件化平移向量场（条件为功能位点M和底物G）这项确保生成的残基位置正确第二项 $|v_{SO(3)}(r_t, t r_1) - \hat{v}_{SO(3)}(S_t, t M, G)|_{SO(3)}^2$：旋转向量场的损失 $v_{SO(3)}(r_t, t r_1)$ 是真实的旋转向量场（从噪声旋转r₀演化到真实旋转r₁） $\hat{v}_{SO(3)}(S_t, t M, G)$ 是模型预测的条件化旋转向量场这项确保生成的残基方向正确两项加起来形成SE(3)等变损失，同时约束平移和旋转，保证生成的骨架既符合几何约束又满足功能要求。 4.2 两阶段训练范式第一阶段：对齐（学习底物-蛋白映射）冻结：FrameFlow主干（FrameFlow是Frank Noe团队之前发表的SE(3)等变骨架生成方法，其主干包含IPA、Transformer、BackboneUpdate等模块，已在大规模数据上充分预训练）训练：仅Uni-Mol投影器 + EnzyAdapter（<100K参数）目标：让投影器和EnzyAdapter学会如何正确编码底物，并与FrameFlow的蛋白生成对齐为什么：主干已预训练好，先稳定地建立底物-蛋白的映射关系第二阶段：微调（端到端优化）冻结：无训练方法：LoRA（低秩自适应）在关键线性层插入低秩分解 $\Delta W = AB^\top$ 秩 $r=16$，缩放因子 $\alpha=32$ 参数量约8K/层，总计显著低于全参数微调优势：显存占用低（仅全参数的约5%）训练时间节省约70% 低秩约束自动限制学习容量，防止过拟合图4：两阶段训练策略的效果。展示了第一阶段对齐和第二阶段LoRA微调对模型性能的累积贡献，说明分步策略相比端到端直接微调更加稳定高效。 4.3 EnzyBind数据集与评估数据集构建 EnzyBind：11,100个实验验证的酶-底物复合物，来自PDBbind 流程：源数据筛选：从PDBbind提取酶-底物复合物，排除RDKit无法处理的 PDB清洗：标准化预处理，处理多链和对称单位功能位点注释：通过MSA自动识别进化保守的催化残基 EC分类标注：覆盖6大催化类型，从EC一级至三级特点：所有结构来自实验解析（vs合成数据），口袋几何和底物构象可靠数据分割策略传统的酶数据集分割多采用时间顺序（按发表日期划分训练集和测试集），但这种方法不符合条件化生成的需求。EnzyControl采用功能性有意义的分割方法：基于序列相似性的聚类：使用 CD-HIT 工具对所有酶序列进行聚类，确保训练集和测试集中的酶序列无重叠随机分配集群：将聚类后的集群随机分配到训练集或测试集采样配对：从每个集群中采样对应的酶-底物配对这样做的优势是防止数据泄露——相同或极度相似的酶序列不会同时出现在训练和测试集中，保证评估的真实性和严格性。统一评估流水线为了公平比较所有基线模型，EnzyControl建立了统一的评估流水线：生成骨架 → 模型输出候选骨架逆折叠 → ProteinMPNN 将骨架转换为氨基酸序列结构预测 → ESMFold 从序列预测完整的三维结构多指标评分 → 在预测的结构上计算所有指标所有报告的指标都基于 ESMFold 预测的结构，确保不同方法的评估结果相互可比。评估指标详解结构质量指标（衡量生成的骨架可信度）： Self Consistency (scTM)：生成骨架与 ESMFold 预测结构的 TM-score，值越高越好。衡量两个结构的全局相似度设计性 (Designability, scRMSD<2Å)：满足 scRMSD<2Å 的生成骨架比例。scRMSD 是 Cα 原子间的均方根偏差，<2Å 表示结构与已知蛋白相似，可信度高功能指标（衡量生成酶的催化功能）： EC 匹配率：生成的酶序列通过 CLEAN 模型预测的 EC 号与目标 EC 号相同的比例。CLEAN 是经过 90% 以上精度验证的序列模型预测的$k_{cat}$：使用 UniKP 模型根据序列和底物 SMILES 预测的催化速率常数。$k_{cat}$ 越大表示催化效率越高底物结合指标（衡量酶与底物的相互作用）：结合亲和力：使用 GNINA 对接工具计算生成酶对底物的对接评分（越低越好，通常 <-6 kcal/mol 表示强结合） ESP 分数：EnzyGen 设计的统计学检验分数，用于评估生成结构的“设计合理性”。分数越高越好，表示该结构组合（骨架+序列）在自然界中出现的统计学概率越高，即设计越“自然”、越可信其他指标：氨基酸恢复率 (AAR)：生成序列与原生序列的一致性多样性：生成骨架间的结构差异程度（Foldseek 聚类）新颖性：生成骨架与原生蛋白的结构差异程度评估流水线生成骨架后的完整过程： \[\text{骨架} \xrightarrow{\text{ProteinMPNN}} \text{序列} \xrightarrow{\text{ESMFold}} \text{结构预测} \xrightarrow{\text{多指标}} \text{评分}\] 评估指标：结构指标：scTM（TM-score）、scRMSD（<2Å定义设计性）功能指标：EC号匹配率（CLEAN模型预测）、$k_{cat}$预测（UniKP）结合指标：底物结合亲和力（GNINA对接）综合指标：ESP分数（EnzyGen统计学检验）总结 EnzyControl的创新在于将条件信息（底物）与等变骨架生成无缝结合：完整数据流：底物 → S₀ → 每层EnzyAdapter → 融合特征 → 增量预测 → 帧累积 → 最终骨架数学严谨：特征空间融合保证SE(3)等变性自动维持逐层约束：底物信息在每一层指导结构演化，而非单次注入参数高效：两阶段训练+LoRA，以最小成本获得最大效果

Specific Sytems · 2025-11-05

让酶生成可控：EnzyControl为骨架生成引入功能与底物特异性

让酶生成可控：EnzyControl为骨架生成引入功能与底物特异性本文信息标题: 为酶骨架生成引入功能与底物特异性：EnzyControl 方法作者: Chao Song, Zhiyuan Liu, Han Huang, Liang Wang, Qiong Wang, Jianyu Shi, Hui Yu, Yihang Zhou, Yang Zhang 发表时间: 2025年10月29日（arXiv v1）单位: Northwestern Polytechnical University（中国）; National University of Singapore（新加坡）; The Chinese University of Hong Kong（中国香港）; Institute of Automation at CAS（中国）引用格式: Song, C., Liu, Z., Huang, H., Wang, L., Wang, Q., Shi, J., Yu, H., Zhou, Y., & Zhang, Y. (2025). EnzyControl: Adding Functional and Substrate‑Specific Control for Enzyme Backbone Generation. arXiv:2510.25132. 代码与资源: GitHub — https://github.com/Vecteur-libre/EnzyControl 摘要设计具有底物特异性功能的酶骨架是计算蛋白质工程的关键挑战。现有生成模型在蛋白设计上表现优异，但在结合数据、底物特异控制与从头设计灵活性方面存在局限。为此，本文介绍 EnzyBind 数据集，包含 11,100 个从 PDBbind 精心遴选的实验验证酶‑底物复合物。基于此，提出 EnzyControl 方法，在酶骨架生成中实现功能与底物特异性的联合控制。该方法以 MSA 标注的催化位点及其对应底物为条件，生成酶骨架；通过轻量级可模块化的 EnzyAdapter 集成到预训练的骨架生成模型中，使其具备底物感知能力。两阶段训练范式进一步优化了模型生成精确、功能性酶结构的能力。实验表明，EnzyControl 在 EnzyBind 与 EnzyBench 基准上均取得最佳性能，相比基线模型在可设计性与催化效率上分别提升 13%。代码已开源于 https://github.com/Vecteur-libre/EnzyControl 。核心结论在 SE(3) 等变骨架生成中注入底物条件，显著提升结构可设计性与功能可控性 EnzyAdapter 将底物语义与功能位点跨注意力耦合，带来更高的 EC 匹配率与更优的预测 $k_{cat}$ 两阶段训练与 LoRA 微调有效稳定训练并降低成本在零样本场景（新底物/新 EC 类别）中仍保持较强的亲和力与效率指标背景蛋白设计的可控生成正从一般结构可行性走向功能可控。特别是在酶设计中，目标不只是生成稳定的骨架，还要对功能分类（EC 号）与底物特异性作出定向约束，以服务合成生物学与绿色催化。现有扩散/流匹配式骨架生成模型在形状正确方面已取得进展，但面临三类挑战。其一，功能语义难以注入：结构生成主干多以几何信号为核心，如何有效嵌入底物与功能位点的信息尚不清晰。其二，训练不稳定与成本高：在大规模条件生成中，端到端训练容易漂移，需要参数高效的适配策略。其三，评价不统一：结构指标（scTM、scRMSD）与功能指标（EC 匹配、$k_{cat}$、对接亲和力）往往分散，缺乏覆盖多 EC 家族的系统基准。在这个背景下，Frank Noe 团队发表的 FrameFlow 工作为蛋白骨架生成树立了新的标杆，通过 SE(3) 等变流匹配框架实现了高质量的结构采样。EnzyControl 的创新之处在于，它在 FrameFlow 等变骨架生成主干的基础上，首次系统地引入底物conditioning与功能位点约束，使得结构生成不再是纯几何问题，而是与分子功能紧密耦合的生物设计问题。关键科学问题如何将底物语义与功能位点表征稳定地注入到三维骨架生成主干中，并保持 SE(3) 等变性质不被破坏。如何在训练成本可控的前提下，完成端到端的条件适配，并提升零样本泛化能力。如何建立覆盖多 EC 家族、既关注结构一致性又关注功能性的统一评测体系。创新点 EnzyAdapter：跨注意力条件层，将底物图嵌入与功能位点特征在每层耦合，显式影响平移与旋转向量场两阶段训练范式：先对齐底物/功能条件，再以 LoRA 低秩微调端到端适配统一评估流水线：骨架→ProteinMPNN 逆折叠→ESMFold 结构预测→CLEAN/UniKP/GNINA/ESP 指标，覆盖结构与功能数据与基准：构建 EnzyBind 与独立基准 EnzyBench，跨 EC 家族报告 EC 匹配率、$k_{cat}$ 与亲和力研究内容核心方法：条件化酶骨架生成框架详见附录（今天的下一篇推送）图3：EnzyControl 的条件生成框架。在主干各层注入 EnzyAdapter 后，自我一致性与可设计性（scRMSD<2Å）显著提升，说明底物语义有效约束了骨架更新的方向。数据集与评估设置详见附录实验结果与分析核心评估指标解析表1 EnzyBind 上结构与功能指标的总体比较（节选重排）。模型 Self Consistency 可设计性（scRMSD<2Å） EC匹配率平均 $k_{cat}$ 结合亲和力（越低越好） ESP分数 RFDiffusion 0.6932 0.5728 0.0812 2.3412 −6.7446 0.6657 Chroma 0.6546 0.5163 0.4579 2.5325 −6.7258 0.7116 Proteina 0.7213 0.6328 0.4583 2.4592 −6.3522 0.6709 EnzyControl 0.8848 0.7160 0.5041 2.9168 −6.9303 0.7334 解读：与不含条件注入的主流骨架生成相比，EnzyControl 在结构可设计性与功能匹配上同步提升，且对接亲和力更优。底物‑到‑残基的跨注意力是关键贡献。图5/图6/图7：关键分布与匹配率对比。图5：EnzyAdapter 的存在使高 $k_{cat}$ 区间占比上升（左侧蓝色分布右移）图6：整体亲和力分布左移（更优），代表更强的结合能力图7：在 EC 一级至四级层级，EnzyControl 的匹配率稳定领先其他基线，证明模型学到了跨层级的一致功能语义表5 组件消融（去除 EnzyAdapter 或去除 MSA 保守位点，EnzyBind）。 EnzyAdapter MSA Self Consistency 可设计性 EC匹配率平均 $k_{cat}$ 结合亲和力 ESP ✓ ✓ 0.8848 0.7160 0.5041 2.9168 −6.9303 0.7334 ✗ ✓ 0.8748 0.7067 0.4761 2.5833 −6.5523 0.7205 ✓ ✗ 0.8719 0.6863 0.4764 2.4615 −6.4361 0.7183 解读：去除 Adapter 或去除保守位点都会显著降低 EC 匹配率与 $k_{cat}$ 均值。功能位点的保真度与条件注入的强度共同决定功能性指标。表3：跨EC家族的结合亲和力对比浅解读：EnzyControl 在 17个EC家族上的亲和力均优于基线模型，平均达 −6.93 kcal/mol。表4表明，MSA保守位点的扰动会显著拉低所有性能指标，证实了功能位点保真度至关重要。图8：零样本泛化（新底物/新 EC）。EnzyControl 在未见过的底物与 EC 二级类别上，结合亲和力仍保持较低，显示较强的迁移能力。表5（续）：EnzyBench 基准上的质量指标模型结合亲和力（Avg） pLDDT（Avg） EnzyGen −9.61 87.21 RFDiffusion+IF −8.75 83.22 EnzyControl −9.76 88.28 表6：EnzyBench 中跨30个EC家族的结合亲和力细节浅解读：EnzyControl 在30个EC家族上亲和力均优于或持平基线，平均达 −9.76 kcal/mol。这验证了底物条件化在不同催化机制间的广适性。图10：个案研究（PDB:2cv3）。在该底物上，EnzyControl 生成的骨架对接姿态更贴合，预测 $k_{cat}$ 更高，说明条件注入促成了更具化学合理性的口袋几何。具体而言：结合亲和力改善：EnzyControl 生成的骨架达到 −9.78 kcal/mol，相比 RFDiffusion 的 −6.92 kcal/mol 提升 51% 催化效率飙升：预测的 $k_{cat}$ 达 9.72 s⁻¹，比 RFDiffusion 高近 8 倍相互作用网络：对接模拟显示 EnzyControl 生成的酶与底物形成更多相互作用键，表明口袋几何更优残基效率（Residue Efficiency）：在实际蛋白质工程中，设计的酶应在保持功能活性的前提下，尽可能缩短序列长度（更短的序列促进基因表达，降低合成成本）。研究表明，EnzyControl 相比 RFDiffusion 基线在不同 $k_{cat}$ 区间内都能生成约 30% 更短的序列，这对合成生物学应用具有重要经济价值。多样性与新颖性分析虽然 EnzyControl 追求可设计性，但其多样性指标（通过 Foldseek 聚类计算）与部分超大模型相比略低。这反映了一个普遍的权衡：追求可设计性（结构与功能的稳定性）往往需要牺牲某些采样多样性。这是未来工作需要平衡的方向。结果逻辑图：从条件表征到功能验证 graph TB subgraph II["结构质量验证"] direction TB D["Self Consistency 0.8848 (vs 0.7213)"] E["可设计性：scRMSD<2Å 71.60% (vs 63.28%)"] F["核心发现：底物conditioning 显著提升结构可靠性"] end subgraph III["功能性检验"] direction TB G["EC匹配率 50.41% (vs 45.83%)"] H["预测kcat 2.9168 s⁻¹ (vs 2.4592)"] I["结合亲和力 -6.9303 kcal/mol (vs -6.3522)"] J["核心发现：EnzyAdapter 精确映射底物到催化功能"] end subgraph IV["泛化能力验证"] direction TB K["零样本新底物 亲和力可维持"] L["零样本新EC类别 匹配率有效"] M["核心发现：模型学到 通用功能映射规律"] end subgraph V["设计可行性验证"] direction TB N["个案2cv3: kcat提升8倍"] O["残基效率 序列缩短30%"] P["对接评分显著改善 -9.78 vs -6.92 改善51%"] Q["核心发现：结构生成 与实际催化耦合有效"] end II --> III --> IV --> V style D fill:#c8e6c9 style E fill:#c8e6c9 style F fill:#fff59d style G fill:#ffccbc style H fill:#ffccbc style I fill:#ffccbc style J fill:#fff59d style K fill:#b3e5fc style L fill:#b3e5fc style M fill:#fff59d style N fill:#f8bbd0 style O fill:#f8bbd0 style P fill:#f8bbd0 style Q fill:#fff59d 讨论方法论创新的深层意义 EnzyControl 的突破在于在保持 SE(3) 等变性的严格约束下实现功能可控，解决了结构生成与功能约束长期以来的矛盾。具体而言：功能可控与结构可行的统一：底物条件化通过 EnzyAdapter 的跨注意力机制，实现了底物信息与骨架更新的紧耦合。这避免了以往模型在追求多样性时功能指标下降的问题，而是在保证可设计性的同时，精准映射到相应的催化功能。参数高效的适配范式：两阶段+LoRA 训练将适配成本压缩至可操作范围。第一阶段的底物-功能对齐避免了主干参数的快速漂移，第二阶段的低秩分解（<5% 参数量）进一步降低了资源消耗，使得该方法可行于资源受限的研究组。系统化的评估体系：EnzyBind/EnzyBench 的联合设计，跨 EC 家族构建统一基准，避免了以往单类酶评估的局限。评估模型（CLEAN、UniKP、GNINA）都已在真实酶或相关任务上验证，为计算指标奠定了生物学基础。 SE(3) 等变性的实现机制 EnzyControl 能够在保持等变性的同时注入底物条件，关键在于跨注意力直接作用于向量场，而非破坏刚体变换的自然性。具体而言： EnzyAdapter 的输出与 IPA 的特征表征在特征空间中融合，不涉及坐标系变换 BackboneUpdate 基于融合后的特征预测 $\Delta \mathbf{r}$ 与 $\Delta \mathbf{R}$，这些增量本身满足 SE(3) 群的闭包性质因此，即使底物信息已注入，生成的骨架对刚体变换仍然协变——旋转整个复合物，生成结果也相应旋转零样本泛化的源头 EnzyControl 在新底物与新 EC 类别上仍能保持较好性能（结合亲和力 −7.01 kcal/mol，仅略低于已见任务的 −6.93 kcal/mol），原因包括： Uni-Mol 的丰富知识库：在 209M 分子构象上预训练，即使遇到新的底物结构，仍能映射到接近的特征空间 Adapter 学到的是通用映射：不是记忆单个“底物“，而是学习”大分子特征→残基更新方向”的规律 MSA 保守位点的约束：功能位点的进化守恒性提供了跨家族的鲁棒性与现实设计管线的衔接虽然 EnzyControl 生成的是骨架，但通过以下流程可集成到实际工程：生成 20 个骨架 → 逆折叠得到 100 个候选序列 → 结构预测对接引导优化：基于 GNINA 对接分数反复迭代 → 发现结合亲和力 −8.38 kcal/mol 的改进体（相比初始 −6.92 kcal/mol 提升 21%）湿实验验证与合成性质优化迭代这一“生成→筛选→再生成”的闭环是未来的关键方向。关键结论与批判性总结潜在影响证明酶骨架生成可以被功能与底物特异性联合控制提供可复用的条件注入与低秩适配范式，便于迁移至其他“蛋白”家族局限性未建模底物结合构象：当前方法专注于生成酶骨架，但并未显式建模骨架在与底物结合时所采纳的特定构象变化（如 AtomicFlow 所强调的），这可能导致生成的骨架在实际催化中的构象灵活性不足多链装配的间接处理：现有框架限制在单链酶骨架，简化了序列-结构映射但限制了对多聚体或复杂变构系统的直接应用，目前采用的是生成→融合二聚化的事后策略而非集成设计多样性与可设计性的权衡：虽然 EnzyControl 生成多样的骨架样本，但在保持高可设计性（scRMSD<2Å）的前提下，多样性与新颖性指标略低于在更大、更异质训练集上训练的通用模型缺乏自身的湿实验验证：本文所有评估均基于计算模型预测（CLEAN、UniKP、GNINA），虽然这些模型本身已在其他酶系统上验证过，但本工作并未对 EnzyControl 生成的候选酶进行独立的实验室合成和活性测定，因此实际设计效果仍需在真实湿实验中进一步确认未来方向将条件扩展至辅酶/金属离子/环境因子，形成多条件联合控制与对接或分子力场形成闭环优化，实现“生成→筛选→再生成”的联动在湿实验中验证关键家族与代表“底物“，形成”设计‑验证”的正反馈小编锐评：反正是学一下模型，Flow Matching感觉细节还有很多抽象问题。怎么说呢，都考虑配体了，干嘛不设计一下序列呢，显得没啥用啊。还跟proteinMPNN绑定了，或者其他能考虑配体的序列设计联用。$k_{cat}$ 与对接亲和力本应能说明这个事可能有用的，但结果看来没明显变好。感觉酶类的评估指标都一般啊，都是计算的指标，用别的模型给它打分，甚至还有对接分数，你最起码用AlphaFold3预测复合物结构吧，或者boltz-2预测，当然可能做的比较早？也没做湿实验，酶没湿实验都难以验证。还是觉得生成类的文章做评估都是玄学，又要像已知的都行，有时候还要新颖才能效果好，就是因为只依赖于有限的数据而无基于物理的验证，有模拟总比没有强。我也不太懂AI。越来越不信任预印刊，我觉得计算机领域带着计算生物学化学老是认可预印是不对的，很多不太靠谱的，哪怕是大佬组的东西。这篇才是我理想中酶设计大概的套路：https://mp.weixin.qq.com/s/1opv945uG_R-2GpkI59s5w

Specific Sytems · 2025-11-05

皮肤屏障的两种面孔：分子模拟揭示亲水与疏水跨膜孔道的形成机理

Specific Sytems · 2025-11-02

解码皮肤“长城”：冷冻电镜与分子模拟联手揭示皮肤屏障的原子级奥秘

Specific Sytems · 2025-11-02

Untitled

Robert Vacha CEITEC and NCBR, Faculty of Science, Masaryk University, Brno, Czech Republic Verified email at mail.muni.cz - Homepage coarse grainingphospholipid membranespeptides https://vacha.ceitec.cz/ https://scholar.google.com/citations?user=NEt2O0MAAAAJ&hl=en About We are an interdisciplinary team working on understanding the molecular mechanisms underlying vital biological processes. In particular, we are interested in biological membranes, proteins, and their interactions which have applications in medicine, biochemistry and biotechnology. We develop and use unique theoretical and computational tools for multiscale modeling ranging from all-atom to very coarse-grained (single particle per molecule). We verify the simulated results by experiments in our lab. Our motto is: “Improve the well-being of humankind by understanding peptide-membrane interactions.” Research Our research group is dedicated to unraveling the fundamental mechanisms of PROTEIN-MEMBRANE and PROTEIN-PROTEIN interactions that regulate protein self-organization and membrane remodeling. These interactions are crucial for understanding cellular signaling and transport and for addressing pressing challenges such as antimicrobial resistance, cancer, and viral infections. Protein-Membrane Interactions We investigate how proteins interact with cellular membranes, focusing on protein self-organization and membrane remodeling. By examining the interplay between lipid composition and protein properties, we aim to understand how the lipid membranes influence protein function and how proteins, in turn, self-organize to modify membrane shape and properties. Our work includes studying membrane-active peptides with antimicrobial, fusogenic, and curvature-sensing or modulating properties. Learn more about this research HERE. Protein-Protein Interactions Our research also explores protein-protein interactions, with a focus on liquid-liquid phase separation and the interactions of viral capsid subunits. We investigate the specific protein properties and conditions that promote the formation of liquid droplets and membrane-less organelles, both essential for cellular signaling and regulation. Additionally, we study how viral proteins drive the assembly and genome release of viral particles, providing insights into mechanisms of viral infectivity. Learn more about this research HERE. Multidisciplinary Approach and Facilities To address these complex biological questions, we employ a multidisciplinary approach that integrates computer simulations, theoretical modeling, and experimental assays. We develop and apply novel computational models with a multiscale perspective to explain and predict complex phenomena in biomolecular systems. Our fully equipped laboratory allows us to conduct a wide range of biophysical assays and safely work with BSL-2 pathogens. Supported by our dedicated laboratory staff, we leverage the strengths of each method to gain novel insights into biological processes. Additionally, we have access to the CEITEC Core Facilities, which provide specialized services, training, and expertise across multiple scientific domains. Learn more about Core Facilities HERE. Timothée Rivel (Postdoc) CTO at InSiliBio InSiliBio Université de Franche-Comté 法国勃艮第-弗朗什-孔泰大学物理学博士，捷克共和国Robert Vácha团队博士后。 Timothée 致力于运用不同尺度的分子建模技术开展研发项目。他还参与开发分析工具，以便对所研究的分子过程提供详细可靠的描述。 https://www.insilibio.com/index.php?page=accueil

Specific Sytems · 2025-11-02

破解膜孔之谜：双CV联手揭示从成核到扩展的完整能量图景

破解膜孔之谜：双CV联手揭示从成核到扩展的完整能量图景本文信息标题: Free Energy of Membrane Pore Formation and Stability from Molecular Dynamics Simulations 作者: Timothée Rivel, Denys Biriukov, Ivo Kabelka, Robert Vácha 发表时间: 2025年1月10日单位: 马萨里克大学中欧技术研究所、国家生物分子研究中心、凝聚态物理系，捷克布尔诺引用格式: Rivel, T., Biriukov, D., Kabelka, I., & Vácha, R. (2025). Free Energy of Membrane Pore Formation and Stability from Molecular Dynamics Simulations. Journal of Chemical Information and Modeling, 65, 908–920. https://doi.org/10.1021/acs.jcim.4c01960 开源代码：所有拓扑文件、力场参数和输入配置均在Zenodo上公开 (DOI: 10.5281/zenodo.13950778) 摘要理解膜孔形成的分子机制对于阐明生物学基本过程和开发治疗策略（如药物递送系统和抗菌剂的设计）至关重要。尽管实验方法可以提供有价值的信息，但它们通常缺乏必要的时空分辨率来完整捕捉孔形成的动态阶段。在这项研究中，我们提出了两种新颖的集体变量（CV），专门用于通过分子动力学模拟表征膜孔行为，特别是其能量学特性。第一个CV——称为Full-Path——有效地追踪孔的成核和扩展阶段。第二个CV——称为Rapid——专门用于准确评估大孔极限下的孔扩展，为评估各种条件下的膜线张力提供了快速可靠的方法。我们的结果清楚地表明，两种CV的线张力预测结果高度一致，且与现有实验数据在定性上相符。具体而言，它们反映了含有POPS脂质的POPC膜相比纯POPC膜具有更高的线张力，POPC囊泡的线张力随POPG含量增加而降低，以及离子浓度增加时线张力升高等实验趋势。值得注意的是，这些实验趋势仅被全原子CHARMM36和prosECCo75力场准确捕获。相比之下，全原子Slipids力场以及粗粒化Martini 2.2、Martini 2.2 polarizable和Martini 3模型显示出不同程度的实验符合性。核心结论开发了两种创新的集体变量（Full-Path和Rapid）用于表征膜孔形成和稳定性 Full-Path CV可追踪从成核到扩展的完整孔形成过程，且无滞后现象 Rapid CV提供了快速准确评估大孔极限下膜线张力的方法 CHARMM36和prosECCo75力场能最准确预测实验观察到的线张力变化趋势揭示了离子（$\ce{NaCl}$、$\ce{CaCl2}$）浓度和脂质组成对膜线张力的显著影响背景细胞膜中的孔形成是一个至关重要的现象，对于理解细胞防御机制和设计新型治疗策略具有重要意义。例如，抗菌肽可以被设计成在脂质膜中诱导孔形成，从而破坏细胞屏障功能。由此产生的物质交换失控会对细胞内过程造成严重后果，通常导致细菌、病毒或其他靶细胞的死亡。此外，研究孔形成可为细胞生物学的基本原理提供宝贵见解，例如水溶性分子跨脂质膜的转运机制，并可促进更大生物分子的受控递送，如通过电穿孔实现。然而，在实验上捕捉膜孔的瞬态结构极具挑战性。虽然中子散射、固态NMR、原子力显微镜或电导测量可以提供关于孔大小和原子尺度特征的一些信息，在某些情况下甚至可以通过X射线晶体学成功解析孔的完整三维结构，但从这些方法通常获得的静态快照不足以完整描述孔形成的分子机制及其后续稳定性。与此同时，计算机建模和分子动力学模拟可以获得大量关于膜孔的结构信息。由于涉及缓慢的脂质扩散和孔形成过程的长时间尺度，应用增强采样方法进行MD模拟是有益的。这些方法使我们能够确定孔形成的自由能景观，为孔结构的演变提供关键见解。然而，定义一个准确描述整个孔形成过程的唯一集体变量并不简单。以往的方法通常存在滞后、对孔拓扑的强加约束、收敛问题和模拟artifacts等问题。此外，孔形成过程可能涉及两个不同的构象regime——成核和扩展——由于捕获统一方式下两个阶段的固有复杂性，使用传统CV难以准确描述。关键科学问题本文旨在解决的核心科学问题是：如何通过分子动力学模拟准确表征和量化膜孔形成的完整过程，包括成核和扩展阶段，并可靠预测不同脂质组成和离子条件下的膜线张力。这个问题之所以是当前研究的焦点和难点，主要原因包括：现有集体变量难以统一描述孔成核和扩展两个截然不同的阶段传统方法常出现滞后现象和收敛问题不同力场对孔形成能量学的预测准确性存在显著差异缺乏快速准确的方法来评估不同条件下的膜稳定性创新点提出了基于脂质尾部密度变化的新型成核CV $\text{CV}_{\text{cyl}}$：与传统关注极性重原子的方法不同，通过追踪圆柱体积内疏水尾部原子数量来描述膜缺陷形成开发了Full-Path联合CV：通过切换函数巧妙结合成核（$\text{CV}{\text{cyl}}$）和扩展（$\text{CV}{\text{radius}}$）两部分，实现对孔形成全过程的无滞后追踪创新性的Rapid方法：利用脂质条带模拟”无限孔”，通过调节盒子尺寸快速准确估算线张力，计算效率显著提高系统性的力场评估：首次全面比较了6种力场 (CHARMM36、prosECCo75、Slipids、Martini 2.2、Martini 3、Martini 2.2p) 在预测膜孔能量学方面的性能开源PLUMED实现：两种CV均通过PLUMED库实现，可轻松适配各种MD引擎，具有广泛适用性研究内容研究结果逻辑总览 graph LR subgraph S1["① 方法开发"] FP["Full-Path 成核+扩展"] RP["Rapid 大孔线张力"] end subgraph S2["② CV验证图2-3,表1"] Valid["自发孔闭合 孔寿命趋势✓ 尾部密度相关✓"] end subgraph S3["③ 能量学计算"] FP4["图4: Full-Path 计算k和γ"] RP5["图5: Rapid 快速计算γ"] end subgraph S4["④ 交叉验证图6"] Exp["6A: 与实验吻合 Lira 2021"] Method["6B: 两种CV 高度一致"] end subgraph S5["⑤ 力场评估"] direction LR FFG["✓ C36/p75"] FFM["± Slipids/M2.2p"] FFB["✗ M2.2/M3"] end subgraph S6["⑥ 离子效应图7"] Ca["7A: $\ce{Ca^2+}$ 恢复γ"] Na["7B: $\ce{Na+}$使 阴离子脂膜γ↑30-50%"] end FP --> Valid RP --> Valid Valid --> FP4 Valid --> RP5 FP4 --> Exp RP5 --> Exp FP4 --> Method RP5 --> Method Exp --> S5 Method --> S5 S5 --> Ca S5 --> Na style S1 fill:#e1f5e1 style S2 fill:#fff4e6 style S3 fill:#e3f2fd style S4 fill:#fce4ec style S5 fill:#f3e5f5 style S6 fill:#ffe0b2 核心逻辑路线：阶段1：方法开发 → Full-Path CV（成核+扩展）+ Rapid CV（大孔线张力）阶段2：CV验证 → 自发孔闭合模拟（图2-3，表1）验证CV设计合理性阶段3：能量学计算 → Full-Path获得k和γ（图4）+ Rapid快速获得γ（图5）阶段4：交叉验证 → 两种方法高度一致（图6B）+ 与实验定性吻合（图6A）阶段5：力场筛选 → CHARMM36/prosECCo75最优，Martini 2.2/3失败阶段6：离子效应 → $\ce{Ca^2+}$恢复线张力（图7A）+ $\ce{Na+}$增加阴离子脂膜线张力（图7B）方法体系：双CV策略精准表征膜孔行为本研究的核心在于开发了两种互补的集体变量来全面描述膜孔的形成和稳定性。 Full-Path方法：追踪孔形成的完整路径图1：本工作中引入的集体变量的示意图上半部分展示联合Full-Path CV，由分别描述孔成核和孔扩展的两部分组成。孔成核的特征是通过局部圆柱体内脂肪族碳密度的变化建模的缺陷形成。孔扩展的特征是孔中心与周围脂肪族碳之间最小距离的增加。 Full-Path CV通过PLUMED库实现： 1. 膜缺陷形成部分 $\text{CV}_{\text{cyl}}$ 该部分通过追踪圆柱体积内脂质尾部重原子的数量来表征膜缺陷： \[\text{CV}_{\text{cyl}} = 1 - d/\text{CV}_{\text{eq}}\] 其中$d$是圆柱体内的原子数，$\text{CV}{\text{eq}}$是完整双层膜中的平衡原子数。圆柱半径$R{\text{cyl}}$设为1.2 nm，沿z轴居中且跨越整个模拟盒子。 2. 孔扩展部分 $\text{CV}_{\text{radius}}$ 该部分定义为孔中心到最近脂质尾部重原子在xy平面的最小距离$r_{\text{min}}$： \[\text{CV}_{\text{radius}} = r_{\text{min}}/r_{\text{unit}}\] 通过除以单位半径$r_{\text{unit}} = 1$ nm实现无量纲化。 3. 联合CV的切换函数两部分通过互补切换函数$s_1$和$s_2$结合： \[\text{CV} = \text{CV}_{\text{cyl}} \times s_1(\text{CV}_{\text{radius}}) + \text{CV}_{\text{radius}} \times s_2(\text{CV}_{\text{radius}})\] 其中： \[s_1(\text{CV}_{\text{radius}}) = \frac{1}{1 + e^{\alpha(\text{CV}_{\text{radius}} - \text{CV}_0)}}\] \[s_2(\text{CV}_{\text{radius}}) = \frac{1}{1 + e^{-\alpha(\text{CV}_{\text{radius}} - \text{CV}_0)}}\] 优化参数为$\alpha = 20$，$\text{CV}_0 = 0.95$，确保在CV < 0.95时主要追踪膜缺陷，在CV > 0.95时主要追踪孔半径。（类似）图S2：切换函数$s_1$和$s_2$随集体变量的变化如上图所示，两个切换函数在$\text{CV}0 = 0.95$处相交，权重各为0.5。$s_1$函数（蓝色曲线）在CV小于0.95时接近1，主导$\text{CV}{\text{cyl}}$的贡献；而$s_2$函数（红色曲线）在CV大于0.95时接近1，主导$\text{CV}_{\text{radius}}$的贡献。这种设计确保了从成核到扩展阶段的平滑过渡，避免了不连续性导致的数值问题。参数$\alpha = 20$控制了过渡区域的陡峭程度，较大的$\alpha$值使切换更加锐利，确保在任一时刻只有一个CV占主导地位。 Rapid方法：快速估算线张力 Rapid方法采用创新的脂质条带构型来模拟”无限大”孔，核心思路如下： graph LR A["完整脂质双层 平衡态"] -->|"沿x轴拉伸盒子"| B["x轴上自发形成 两个孔边缘"] B -->|"周期性边界 PBC连接"| C["环形无限孔 无边缘效应"] C -->|"伞形采样 Lx ∈ [6.0, 6.6] nm"| D["自由能剖面 ΔG vs Lx"] D -->|"线性拟合 斜率 m = 2γ"| E["提取线张力 γ"] style A fill:#e1f5e1 style B fill:#fff4e6 style C fill:#e3f2fd style D fill:#fce4ec style E fill:#f3e5f5 物理图景（参见原文Figure 1下半部分，展示使用脂质条带建模”无限”环形孔的Rapid CV。膜边缘长度（孔边缘）的变化通过调整平行于孔的模拟盒子尺寸来控制。）：侧视图：脂质条纹有两个膜边缘（孔边缘），中间是水相俯视图：通过PBC，y方向形成环形”无限长”孔关键：改变$L_x$ 即改变孔边缘总长度方法原理：脂质条纹模拟无限大的孔：从平衡的脂质双层出发，沿膜平面的一个轴（如x轴）扩展模拟盒子，x轴边缘的lipid折叠回来使得疏水尾巴朝里，形成一条脂质条纹（形状就像肯德基的红豆派，但无限延伸）。条纹的两个边缘相当于孔边缘（孔rim），通过周期性边界条件连接，模拟无限长的孔边缘。一根长条，就是半径无限大的孔。物理基础：线张力$\gamma$是孔边缘单位长度的自由能成本。对于大孔，自由能随孔边缘长度线性增长：$\Delta G = 2 \times L \times \gamma$（其中$L$为孔边缘长度，因子2考虑两个孔边缘）。类比Full-Path方法中圆形孔的$\Delta G = 2\pi r\gamma$，现在我们的有效长度就是$L$，不用管$r$是多少。 $\Delta G$的计算与参考态：参考态定义：理论上的”完整脂质双层”（$L_x \to \infty$，孔边缘长度为0），此时$\Delta G = 0$ 实际操作：参考态不需要实际模拟，通过线性外推自动确定（拟合截距）分子数守恒问题：改变$L_x$时，NPT系综的$L_y$和$L_z$会自由涨落以保持密度，因此分子数$N$不变但体积可变自由能贡献：$L_y$/$L_z$的涨落对$\Delta G$的影响非常小（$\sim k_B T$量级），远小于孔边缘的贡献（数十 kJ/mol），因此可忽略（是嘛？） CV定义：直接使用沿孔边缘方向的盒子尺寸$L_x$作为集体变量。这是一个特殊的CV，因为它不是原子坐标的直接函数，而是通过NPT系综中的virial应力张量传递力（详见附录A第4.3节）模拟技术细节伞形采样（Umbrella Sampling）设置： Full-Path方法：力常数$\kappa = 5000$ kJ·mol⁻¹，全原子系统使用65个窗口（CV范围−0.100至2.175），粗粒化系统使用相似设置 Rapid方法：21个均匀分布的窗口覆盖盒子尺寸6.0至6.6 nm 自由能分析：使用加权直方图分析方法（WHAM）从伞形采样模拟中计算自由能剖面全原子模拟使用最后50 ns数据（总200 ns生产运行）粗粒化模拟使用最后250 ns数据（总1 μs生产运行）力场测试：全原子：CHARMM36、prosECCo75、Slipids、Lipid14、Berger 粗粒化：Martini 2.2、Martini 3、Martini 2.2 polarizable CV开发的实验验证：自发孔闭合模拟图3：预平衡膜孔自发闭合过程的快照显示了穿过孔的横截面：(A) 平衡孔的初始结构。(B) 孔闭合过程中的快照，整体结构保持但半径正在缩小。(C) 自发孔闭合的最后一帧，显示定义孔的连续水线程。(D) 孔闭合后的脂质双层膜，指示孔（去）成核的早期阶段，伴有局部膜变薄。水珠显示为蓝色，脂质头部基团和羰基分别显示为橙色和红色。为清晰起见，未显示脂质尾部。为了验证Full-Path CV的设计合理性，研究者首先进行了自发孔闭合模拟。使用四种模型膜（DMPC、DPPC、POPC、DOPC）和多种全原子力场，观察到：图2：孔开放的示意图及其状态评估 (A) 孔状态定义的可视化示意图：系统沿膜法线方向（z轴）被分成0.25 nm厚的切片，切片范围从-2.125到+2.125 nm，覆盖整个膜厚度并考虑膜的自然起伏。图中黑色水平线标记各切片边界，左侧数值表示距膜中心的距离（单位：nm）。右侧灰色曲线显示应用于每个切片的高斯权重函数，赋予靠近切片中心的原子更高权重。切片着色规则：蓝色切片：含有至少一个水分子（$s_i = 1$），表明该深度存在跨膜水通道朱红色切片：不含水分子（$s_i = 0$），表明该深度被脂质占据背景VMD快照展示了实际开放的膜孔结构：绿色和橙色球体代表脂质头部基团（磷酸和胆碱），红色球体代表羰基，白色球体代表脂质尾部，深蓝色小球表示水分子 (B) 四种磷脂膜的孔闭合动力学：展示使用CHARMM36力场模拟的四种模型膜（DMPC、DPPC、POPC、DOPC）的孔状态$s(t)$随时间演变。每个子图显示一个代表性重复实验的结果。浅色曲线为原始模拟数据，深色曲线为双曲正切函数拟合。孔状态$s(t)$的计算方法：研究定义了孔状态$s(t)$来定量追踪孔闭合过程。具体计算步骤如下：切片划分：将膜沿法线方向（z轴）分成$N_S$个切片（本研究为17个），每个切片厚0.25 nm，覆盖范围[-2.125, 2.125] nm，以膜重心为中心平滑计数：对每个切片$i$，使用PLUMED中的高斯平滑函数（GAUSSIAN function）计算该切片内的水分子数量$s_i(t)$，该函数赋予靠近切片中心的水分子更高权重二值化判定：对每个切片应用Heaviside阶跃函数$\mathcal{H}$进行判定： $\mathcal{H}(s_i(t) - 1) = \begin{cases} 0, & s_i(t) < 1 \text{（切片含水少于1个分子）} \\ 1, & s_i(t) \geq 1 \text{（切片含水至少1个分子）} \end{cases}$ 平均计算：对所有切片求平均，得到孔状态： $s(t) = \frac{1}{N_S}\sum_{i=1}^{N_S} \mathcal{H}(s_i(t) - 1)$ 物理意义： $s(t) = 1$：所有17个切片都含水，表示存在完全开放的跨膜孔 $s(t) = 0$：所有切片都不含水，表示完整无孔的膜 $0 < s(t) < 1$：部分切片含水，表示孔正在形成或闭合的过渡状态孔寿命$\tau$：定义为$s(t)$从1下降到0的拐点时刻，即双曲正切拟合函数$s(t) = A_0 - \tanh\left(\frac{t-A_2}{A_1}\right)$中的参数$A_2$ $s(t)$最终下降到0.6左右，因为膜的外部的一些切片始终有水。$s(t)$时常波动，可能在某个瞬间能上升，但拟合得还行。从图2B可以看出，浅色曲线为原始模拟数据，深色曲线为拟合结果，浅灰色垂直虚线标记了孔寿命$\tau$（即孔闭合的特征时间）。关键观察： DMPC（紫色）：孔寿命最长，在约120 ns时闭合 DPPC（青色）：孔在约90 ns时闭合 POPC（绿色）：孔在约30 ns时快速闭合 DOPC（橙色）：孔寿命最短，仅约15 ns 这清晰地展示了孔寿命趋势：$\tau_{\text{DMPC}} > \tau_{\text{DPPC}} > \tau_{\text{POPC}} > \tau_{\text{DOPC}}$，表明饱和脂肪酸链越长、饱和度越高的膜，其孔越稳定、闭合越慢。脂质尾部末端碳原子密度与孔寿命呈正相关（图S6显示R² = 0.82），这启发了基于尾部密度的$\text{CV}_{\text{cyl}}$设计 Full-Path CV在孔寿命处的值紧密分布在0.5以下，表明CV准确捕捉了缺陷到孔的转变（图S7）表1：不同力场下的孔寿命 (ns) 注：表中数值为多个重复实验的平均值，括号内为标准误差（standard error）。N/A表示由于测量不足无法计算标准误差。具体重复实验次数见原文Supporting Information Table S1。力场 DMPC DPPC POPC DOPC CHARMM36 122 (N/A) 94 (40) 34 (5) 15 (1) Slipids 110 (24) 32 (5) 27 (4) 18 (2) Berger 134 (16) - 156 (71) 131 (43) Full-Path方法的自由能剖面分析图4：Full-Path方法的膜孔自由能剖面 (A) 使用Full-Path方法进行MD模拟的膜孔侧视图和俯视图的代表性快照。碳、磷、氮、氧和氢原子分别显示为浅灰色、橙色、靛蓝色、红色和灰色球体。水显示为半透明青色。侧视图显示穿过孔中间的横截面。(B) 从使用Full-Path CV的伞形采样模拟获得的自由能剖面。实线表示能量剖面，虚线对应孔成核和孔扩展的拟合。拟合的二次系数$k$和线张力$\gamma$显示在自由能剖面旁边。(C) 使用不同力场计算的POPC、POPG和POPC:POPG双层膜的二次系数$k$（上）和线张力$\gamma$（下）的比较。 POPC膜的典型自由能剖面清晰展示了两个不同的区域。两阶段拟合结果：孔成核阶段 (CV < 0.5)：遵循二次增长规律 $\Delta G(\text{CV}) = k \cdot \text{CV}^2 + c$ 其中二次系数$k$表征成核能垒孔扩展阶段 (CV > 1.2)：遵循线性规律 $G(r) = 2\pi r\gamma$ 其中$r$是孔半径，$\gamma$是线张力。由于$\text{CV}{\text{radius}} = r/r{\text{unit}}$且$r_{\text{unit}} = 1$ nm，在数值上CV与$r$（nm）相等，因此斜率直接对应$2\pi\gamma$。关键数据： POPC（CHARMM36）：$k = 72.9$ kJ/mol，$\gamma = 32.5$ pN POPC（Martini 2.2p）：$k = 73.7$ kJ/mol，$\gamma = 49.2$ pN 无滞后验证：图S3显示正向和反向拉伸生成的自由能剖面完全重合，证实CV设计的可逆性。脂质组成和离子效应的系统研究研究系统测试了阴离子脂质（POPG、POPS）和两性离子脂质（POPC、POPE）的各种混合物。 POPC:POPG体系的关键发现： CHARMM36和Martini 2.2p力场： PG含量增加导致$k$和$\gamma$同步降低 POPG纯膜：$\gamma \approx 14-33$ pN（取决于力场） POPC纯膜：$\gamma \approx 33-47$ pN Martini 2.2和Martini 3力场：显示相反趋势：POPG的$\gamma$高于POPC 与实验观察不符 POPE:POPG和POPC:POPS混合体系的拓展测试（图S9）： PE:PG混合系中，PG含量增加同样导致线张力降低（CHARMM36和M2.2p） PC:PS混合系显示类似趋势二次系数$k$与线张力$\gamma$呈强正相关（R² = 0.93，图S10） Rapid方法的线张力预测图5：Rapid方法的系统设置和线张力预测 (A) 使用Rapid方法进行模拟的系统设置的侧视图和俯视图的代表性快照。碳、磷、氮、氧和氢原子分别显示为浅灰色、橙色、靛蓝色、红色和灰色球体。水显示为半透明青色。(B) 从使用Rapid CV的伞形采样模拟获得的自由能剖面。较粗和较浅的线表示能量剖面，较细和较深的线对应线性拟合。斜率和计算的线张力$\gamma$显示在自由能剖面旁边。使用gmx wham工具中实现的200个bootstrap样本的bootstrap分析计算的误差比自由能剖面更细。关键理解：自由能参考态：$\Delta G = 0$对应完整脂质双层（无孔边缘暴露）自由能计算：改变盒子尺寸$L_x$从6.0到6.6 nm，相当于改变孔边缘长度。每个$L_x$值通过伞形采样获得该状态的自由能线性关系：$\Delta G(L_x) = m \cdot L_x + b$，其中斜率$m = 2\gamma$（因子2来自两个孔边缘）线张力提取：$\gamma = m / (2 \times N_A)$，其中$N_A = 6.022 \times 10^{23}$ mol⁻¹是单位转换因子（kJ/mol → pN） Rapid方法显示出优异的线性特征： CHARMM36（0.15 m $\ce{NaCl}$）：斜率 = 41.1 kJ/(mol·nm)，$\gamma = 34.1$ pN Martini 2.2p（0.15 m $\ce{NaCl}$）：斜率 = 59.2 kJ/(mol·nm)，$\gamma = 49.2$ pN 注：此处使用质量摩尔浓度 (molality, m) 而非体积摩尔浓度 (molarity, M)。Molality定义为每千克溶剂中的溶质摩尔数 (mol/kg)，不依赖于体积，因此不受温度和压力影响。在MD模拟中，由于盒子尺寸会随NPT系综涨落，使用molality可以避免浓度定义的歧义。对于稀溶液，0.15 m ≈ 0.15 M（差异<1%）。计算效率验证（图S5）：使用每隔一个窗口（共11个）仍能获得几乎相同的线张力值，表明该方法的鲁棒性。两种方法的交叉验证图6：两种方法的交叉验证与实验对比 (A) 计算的POPC双层膜中含有不同POPG脂质比例的线张力与参考实验数据的比较。MD数据的估计误差在误差条小于数据符号大小时不可见。(B) Full-Path和Rapid方法的线张力预测比较。对于混合物，较大的标记尺寸表示脂质双层膜/条带中POPG脂质的比例较高。为清晰起见，误差条小于标记，因此未显示。对POPC、POPG、POPE、POPS及其混合物的系统比较显示：两种方法的预测值高度相关 CHARMM36：Rapid方法略低（平均偏差~2 pN） Martini 2.2/2.2p：Rapid方法略高（平均偏差~3-5 pN）这些微小差异可能源于离子浓度定义（0.15 m vs 0.15 M）和孔几何差异图5C：六种力场对四种纯脂质的线张力预测排序趋势： CHARMM36和prosECCo75：POPE > POPS > POPC > POPG ✓（符合实验） Slipids：POPE > POPC > POPS > POPG（POPC/POPS顺序错误） Martini 2.2和M3：POPE > POPC > POPG > POPS（PG/PS顺序错误） Martini 2.2p：POPE > POPC > POPG > POPS（PG位置错误）离子效应的深入分析图7：离子对膜线张力的影响 (A) 将50 mol % POPG脂质掺入POPC双层膜后线张力的变化，以及随后添加$\ce{CaCl2}$的影响。显示了来自参考文献的实验数据以供比较。(B) 0.15 m $\ce{NaCl}$对使用不同力场的各种脂质组成的线张力的影响。实验（Lira et al., 2021）显示添加$\ce{CaCl2}$可使线张力恢复甚至超过纯POPC水平。模拟验证：实验方法：GUV电穿孔法测量原理：样品制备：巨单层囊泡（Giant Unilamellar Vesicles, GUVs）孔诱导：对GUV施加电场诱导膜孔形成张力控制：用玻璃微吸管对GUV施加控制张力动力学观测：显微镜实时记录孔的形成、扩展和闭合过程线张力提取：从孔动力学数据反推线张力 γ 体系实验 C36 p75 M2.2p POPC + $\ce{NaCl}$ ~40 pN 34.1 41.1 49.2 PC:PG 1:1 + $\ce{NaCl}$ ~20 pN 29.2 41.1 46.4 PC:PG 1:1 + $\ce{CaCl2}$ ~60 pN 35.5 43.9 48.6 图7A的定量符合性分析 CHARMM36的表现：趋势正确：添加PG降低线张力（40 → 29 pN），添加$\ce{Ca^2+}$恢复线张力（29 → 35.5 pN）定量偏差：$\ce{Ca^2+}$效应的幅度明显小于实验（实验增幅~40 pN，模拟仅~6 pN）可能原因：离子参数化局限：CHARMM36的$\ce{Ca^2+}$参数可能低估了与PG头部的特异性结合强度实验体系差异：GUV电穿孔实验中的膜张力、孔大小分布与MD模拟的平衡条件不同时间尺度问题：MD模拟的纳秒尺度可能未完全捕捉离子诱导的膜重组浓度效应：实验中的离子浓度梯度和局部积累效应在均匀溶液MD中被平均化 prosECCo75和Martini 2.2p的问题： prosECCo75：对$\ce{Ca^2+}$几乎不敏感（41.1 → 43.9 pN，仅增3 pN） Martini 2.2p：完全错误的趋势（PG含量增加反而提高线张力）图7B的结果解读重要说明：图7B显示的是添加0.15 m $\ce{NaCl}$相对于无盐体系的线张力差值（$\Delta\gamma = \gamma_{\text{+salt}} - \gamma_{\text{no salt}}$）。预期结果：阴离子脂质 (PG、PS)：$\Delta\gamma > 0$（离子筛选静电斥力，增加线张力）中性脂质 (PC、PE)：$\Delta\gamma \approx 0$（离子效应较小）实际表现： CHARMM36（✓）：阴离子脂质显示正值（30-50%增幅），中性脂质接近零 prosECCo75（部分✓）：趋势正确但幅度偏小 Martini 2.2p（部分✓）：增幅仅10-20%，低估离子效应 Slipids、M2.2、M3（✗）：无一致趋势，完全失败物理机制洞察： $\ce{Na+}$与阴离子脂质头部结合 → 屏蔽头部间静电斥力 → 降低孔边缘的几何约束 → 增加暴露疏水表面的能量代价 → 线张力增加只有准确描述离子-脂质相互作用的力场（C36、p75）才能捕捉这一微妙效应添加0.15 m $\ce{NaCl}$导致线张力增加： CHARMM36：阴离子脂质膜增加30-50% prosECCo75：阴离子脂质膜增加20-40% Martini 2.2p：增加10-20% Slipids、Martini 2.2和M3：无一致效应脂质头部基团差异的揭示 PE vs PC vs PS脂质的线张力排序：所有力场一致显示PE具有最高线张力（~50-60 pN），这与其较小的头部基团和更强的氢键网络相关。PS的表现取决于力场： CHARMM36/prosECCo75：PS介于PC和PG之间 Slipids/M2.2p：PS显著低于PC（可能源于与离子相互作用的描述问题） Q&A Q1：为什么Full-Path CV选择追踪脂质尾部而非传统的极性原子？ A1：通过自发孔闭合模拟观察到，脂质尾部末端碳原子密度与孔寿命呈显著正相关（R² = 0.82），这表明尾部原子的重排是膜缺陷形成的关键驱动因素。相比之下，传统关注水分子和磷脂头部的CV在描述成核早期阶段时存在模糊性。此外，基于尾部密度的CV在全原子和粗粒化模型中都适用，具有更广泛的通用性。 Q2：Rapid方法相比Full-Path方法有哪些优势和局限？ A2：优势：① 计算效率极高，即使在全原子水平也仅需21个窗口×150 ns = 3.15 μs总模拟时间；② 直接模拟大孔极限，避免了成核能垒；③ 线性自由能剖面使线张力提取简单直接；④ 可使用更少窗口（如每隔一个）仍保持准确性。局限：① 无法捕捉孔成核过程和能垒；② 不适用于研究小孔行为；③ 需要确保条带宽度足够（本研究使用8.5 nm）以避免PBC artifacts；④ 孔边缘间距需≥2 nm以防止相互作用。 Q3：为什么不同力场对阴离子脂质的线张力预测差异如此显著？ A3：差异主要源于力场对脂质头部-离子相互作用的描述精度不同： CHARMM36和prosECCo75：基于NMR数据精细调参，准确描述了$\ce{Na+}$/$\ce{Ca^2+}$与PG/PS头部的结合，因此正确预测离子筛选效应降低静电斥力导致的线张力下降。 Slipids：头部基团参数已知与NMR数据存在偏差，导致PS的离子相互作用过强，使PS线张力异常低。 Martini家族：粗粒化本质上简化了静电相互作用细节，Martini 2.2/M3未能正确捕捉PC vs PG的相对稳定性，而Martini 2.2p通过极化水模型部分改善了这一问题。 Q4：为什么二次系数$k$与线张力$\gamma$存在相关性？ A4：这种相关性揭示了膜缺陷形成和孔扩展在热力学上的内在联系。两者都依赖于膜的基本物理性质，如弯曲刚性、厚度和脂质间相互作用强度。具体而言：① 更高的$k$值意味着形成初始缺陷需要更多能量，通常对应于更稳定、更紧密堆积的膜；② 这种膜在形成孔边缘时也需要更大的能量代价（即更高的$\gamma$）来暴露疏水尾部与水接触。然而，相关性并非完美（R² = 0.93），表明成核和扩展过程仍有一定独立性。更多技术细节和深入问题解析，请参阅：附录A：CV设计原理与PLUMED实现的技术细节关键结论与批判性总结潜在影响方法学进步：提供了首个同时准确描述膜孔成核和扩展、无滞后且开源实现的集体变量，为膜孔研究建立新标准力场验证基准：系统比较揭示CHARMM36和prosECCo75在膜孔能量学预测中的优越性，为力场选择提供重要参考药物递送设计：快速准确的线张力预测可指导纳米载体和穿膜肽的理性设计抗菌剂开发：揭示离子和脂质组成对膜稳定性的影响机制，有助于开发靶向细菌膜组成的抗菌策略膜生物物理研究：成核系数与线张力的相关性为理解膜力学性质提供新视角局限性时间尺度限制：尽管使用增强采样，全原子模拟仍难以达到自发孔形成的毫秒时间尺度，需依赖伞形采样的可逆性假设力场依赖性：结果对力场选择高度敏感，尤其是阴离子脂质体系，限制了定量预测的绝对精度几何简化：Rapid方法假设平面膜边缘，无法考虑囊泡曲率等几何因素对线张力的影响缺乏不对称膜测试：所有模拟使用对称双层膜，而真实细胞膜普遍存在脂质不对称性有限的脂质类型：主要测试了PC、PE、PG、PS头部基团，未涵盖鞘磷脂、糖脂等生物膜重要成分未来研究方向拓展至不对称膜：开发能处理跨膜脂质组成差异的CV变体曲率效应：结合囊泡模拟评估膜曲率对孔形成能量学的影响温度依赖性：系统研究不同温度下的相态转变对孔形成的影响复杂脂质混合物：测试含胆固醇、鞘磷脂等的生理相关膜组成机器学习增强：结合神经网络势函数进一步加速大规模筛选与实验直接对比：开展定量对比研究，如与荧光法测量的孔大小分布或AFM测量的线张力进行直接比较

Specific Sytems · 2025-11-02

附录A：CV设计原理与PLUMED实现的技术细节

附录A：CV设计原理与PLUMED实现的技术细节本文档是《破解膜孔之谜：双CV联手揭示从成核到扩展的完整能量图景》的技术附录A，专注于CV设计的物理原理、数学严谨性证明、PLUMED实现及参数优化。力场选择、故障排查和实验对比请参阅附录B。一、Full-Path CV的物理图景：从成核到扩展的能量学 1.1 CV设计如何映射物理过程 Q：Full-Path CV的两段设计如何与自由能剖面的两段形式对应？背后的物理图景是什么？ A：这是本研究最精妙的设计之处，体现了CV与物理过程的完美匹配。对应关系成核阶段（CV < 0.5）：$\text{CV}_{\text{cyl}}$主导，追踪圆柱体内尾部原子数减少 → 自由能呈二次增长 $\Delta G \propto \text{CV}^2$ 扩展阶段（CV > 1.2）：$\text{CV}_{\text{radius}}$主导，追踪孔半径增长 → 自由能呈线性增长 $G \propto r$ 成核阶段的物理图景（为什么是二次关系？）重要说明：原文通过经验拟合发现自由能与CV²呈正相关（PDF第3-4页），但并未从第一性原理推导出二次关系。以下是可能的物理解释：膜的集体弹性响应：脂质尾部原子从圆柱区域移走 → 膜局部厚度减小 → 产生弯曲和拉伸形变根据连续介质弹性理论，形变能 $\propto$ (形变量)² 关键：这不是N个独立弹簧的简单叠加，而是膜作为整体的弹性响应为什么$\Delta G \propto (\Delta N_{\text{atoms}})^2$？ $\text{CV}{\text{cyl}} = 1 - d/d{\text{eq}}$，其中$d$是圆柱内原子数如果局部膜厚度与原子密度线性相关：$h \propto d$ 而弯曲能 $\propto$ (厚度变化)² $= (h - h_0)^2 \propto (\Delta d)^2$ 因此 $\Delta G \propto \text{CV}^2$ 经典成核理论类比：液滴成核：$\Delta G(r) = -\frac{4}{3}\pi r^3 \Delta P + 4\pi r^2 \gamma$（体积能 + 表面能）临界核附近展开：$\Delta G \approx \Delta G^* + k(r - r^*)^2$（二次近似）膜孔成核可能类似：小缺陷阶段能量随缺陷程度平方增长 Helfrich弹性模型基础：膜弯曲能：$E_{\text{bend}} = \int \frac{\kappa}{2}(c - c_0)^2 \mathrm{d}A$ 如果缺陷导致局部曲率变化 $\Delta c \propto \text{CV}$ 则弯曲能 $\propto (\Delta c)^2 \propto \text{CV}^2$ 坦诚的局限性：原文未给出严格推导，只是唯象拟合二次关系在CV < 0.5范围内成立，但物理机制尚不完全明确可能涉及膜弹性、界面张力、构型熵的复杂耦合扩展阶段的物理图景（为什么是线性关系？）孔边缘线张力主导：一旦形成稳定的跨膜水孔，能量主要来自孔边缘暴露的疏水尾部与水接触的界面能几何关系：孔周长 $L = 2\pi r$，总界面能 = 周长 × 单位长度能量 = $2\pi r \gamma$ 线张力定义：$\gamma$ 是单位长度孔边缘的能量代价（单位：pN = pJ/nm），物理意义类似于表面张力但针对一维边缘正确的公式： $G(r) = 2\pi r \gamma$ 由于$\text{CV}{\text{radius}} = r/r{\text{unit}}$且$r_{\text{unit}} = 1$ nm，在数值上$\text{CV} = r$（单位nm），因此自由能剖面斜率 = $2\pi\gamma$。切换函数的巧妙之处在 CV ≈ 0.95 附近，膜缺陷刚好转变为真正的跨膜孔，此时从”弹性变形主导”平滑过渡到”界面能主导” 切换函数确保两种物理机制的权重按实际物理过程自然演变，避免人为断点实验验证图S7显示在孔寿命 $\tau$ 时刻，Full-Path CV值紧密分布在 0.5 以下，正好处于二次拟合的成核区域，证明CV准确捕捉了从缺陷到孔的物理转变点。二、CV参数设计的数学严谨性 2.1 圆柱半径与切换点的关系 Q：为什么$\text{CV}{\text{cyl}}$使用$R{\text{cyl}} = 1.2$ nm而$\text{CV}{\text{radius}}$使用$r{\text{unit}} = 1$ nm？它们在切换点的连续性如何保证？ A：这个看似不对称的设计实际上巧妙地避免了数值连续性问题。为什么使用不同的归一化参数？ $\text{CV}{\text{cyl}}$的归一化**：$\text{CV}{\text{eq}}$不是圆柱半径，而是完整膜中圆柱内的原子数**。即使$R_{\text{cyl}} = 1.2$ nm，当膜完整时$\text{CV}{\text{cyl}} = 0$（原子数最多），当圆柱内原子完全移走时$\text{CV}{\text{cyl}} = 1$ $\text{CV}{\text{radius}}$的归一化**：$r{\text{unit}} = 1$ nm只是一个单位换算常数**，使CV无量纲化。当孔半径$r_{\text{min}} = 1$ nm时，$\text{CV}_{\text{radius}} = 1$ 为什么不需要在分界点相等？关键在于理解联合CV的定义： \[\text{CV} = \text{CV}_{\text{cyl}} \times s_1(\text{CV}_{\text{radius}}) + \text{CV}_{\text{radius}} \times s_2(\text{CV}_{\text{radius}})\] 注意：切换函数$s_1$和$s_2$的自变量是$\text{CV}{\text{radius}}$，而非$\text{CV}{\text{cyl}}$！这意味着：在切换点$\text{CV}0 = 0.95$处，判断标准是$\text{CV}{\text{radius}} = 0.95$（即$r_{\text{min}} \approx 0.95$ nm）此时$s_1 = s_2 = 0.5$，两个CV各贡献一半 $\text{CV}_{\text{cyl}}$此时可以是任何值（通常在0.3-0.7之间），不需要等于0.95 连续性如何保证？ $\text{CV}_{\text{radius}}$本身始终连续：它是孔中心到尾部原子的最小距离，物理上平滑变化 $\text{CV}_{\text{cyl}}$本身始终连续：它追踪圆柱内原子数，通过PLUMED的RATIONAL平滑函数确保可微联合CV的连续性：由于$s_1 + s_2 = 1$始终成立，且两个CV本身连续，加权和必然连续可微性：切换函数使用sigmoid形式，在所有点无穷次可微物理意义当孔半径$r < 0.95$ nm时：主要追踪圆柱内尾部原子的移出（缺陷形成）当孔半径$r > 0.95$ nm时：主要追踪孔边缘的几何半径（孔扩展）圆柱半径1.2 nm > 切换点0.95 nm：确保在切换发生时，圆柱足够大以包含正在形成的小孔设计哲学两个CV描述的是不同的物理量（原子密度 vs 几何半径），通过基于孔半径的切换函数平滑过渡，而非要求它们的数值在某点相等。这种设计反而避免了强制匹配带来的物理意义扭曲。 2.2 Rapid方法的CV可导性：盒子尺寸作为集体变量的技术细节 Q：盒子尺寸不是原子坐标的直接函数，为何能作为集体变量？PLUMED如何计算它对原子坐标的导数？ A：这是一个非常关键的技术问题，涉及NPT系综和PLUMED内部实现的深层机制。 NPT系综中的盒子尺寸动力学在NPT系综（恒压恒温）中，盒子尺寸本身就是动力学变量：扩展系综理论：NPT系综通过Andersen压力耦合或Parrinello-Rahman方法实现，盒子参数作为额外自由度引入，具有自己的”质量”和运动方程标度坐标：原子的实际坐标与盒子尺寸通过标度坐标（scaled coordinates）关联： $\mathbf{r}_i = \mathbf{h} \cdot \mathbf{s}_i$ 其中$\mathbf{h}$是盒子矩阵（包含盒子尺寸），$\mathbf{s}_i$是标度坐标（0到1之间）导数关系：当盒子尺寸改变时，所有原子的实际坐标会同步缩放，因此盒子尺寸对系统能量的导数可以通过应力张量（virial tensor）表达 PLUMED的CELL组件实现 PLUMED的CELL组件（如COMPONENT=ax）提取盒子参数作为CV：可用参数：ax, ay, az（盒子基矢长度）, bx, by, bz, cx, cy, cz（非正交盒子）导数计算：PLUMED通过virial应力张量传递偏置力到原子坐标和盒子参数力的分配：当对盒子尺寸施加约束力时，该力会：通过virial传递给压力耦合器间接影响所有原子的标度坐标关键文献引用（PLUMED文档）： “For collective variables that depend on the simulation cell (like CELL components), derivatives are computed with respect to the cell parameters, and forces are applied via the virial contribution.” Virial修正的局限性重要注意事项：根据PLUMED官方文档（截至2023年）： “No virial correction due to the Gaussian bias has been implemented yet, which means running an NPT metadynamics simulation without the virial correction will lead the system to equilibrate to a wrong pressure which changes as the bias changes.” 对本研究的影响： Rapid方法使用伞形采样（Umbrella Sampling），而非metadynamics，因此每个窗口的偏置势是静态的简谐约束： $V_{\text{bias}} = \frac{1}{2}\kappa(L_x - L_x^0)^2$ 简谐约束的virial贡献相对简单，且在每个窗口中保持不变，因此压力平衡问题相对较小（但不是完全消失）实际处理策略：使用半各向同性压力耦合（xy方向耦合，z方向独立），允许垂直于孔的方向自由调整使用较大的约束力常数$\kappa = 5000$ kJ/(mol·nm²)，使盒子尺寸涨落最小化每个窗口充分平衡（150 ns for全原子），确保系统达到伪平衡态与Full-Path CV的对比特性 Full-Path CV Rapid CV (盒子尺寸) CV类型原子坐标的函数盒子参数（准坐标）导数计算直接对原子坐标求导通过virial张量可导性保证需要RATIONAL平滑函数盒子参数天然平滑 NPT问题无需注意virial修正适用系综 NVT或NPT均可推荐NPT（必须允许盒子涨落）技术验证图5B的线性自由能剖面本身就是验证：如果CV定义或导数计算有误，自由能曲线会出现artifacts（如锯齿、不连续）所有力场的自由能vs盒子尺寸都显示优异的线性度（R² > 0.99） Full-Path和Rapid方法的线张力预测高度一致（差异<5 pN），证明两种不同类型CV的实现都是正确的实践建议 MD引擎设置：使用支持anisotropic压力耦合的引擎（如GROMACS的semi-isotropic）设置合理的压力耦合时间常数（本研究：4 ps） PLUMED设置：确保PLUMED版本≥2.5（更好的CELL支持）使用PRINT输出盒子尺寸和压力，监控平衡状况数据分析：检查每个窗口的压力分布，确保接近目标值（1 bar）如果压力系统性偏离，考虑重新校准压力耦合参数三、参数优化建议 3.1 Full-Path方法的参数调优参数默认值调整建议影响 $R_{\text{cyl}}$ 1.2 nm 1.0-1.5 nm 成核检测灵敏度 $\alpha$ 20 10-30 切换陡峭程度 $\text{CV}_0$ 0.95 0.8-1.1 切换位置 $\kappa$ 5000 kJ/mol 2000-10000 采样效率调参建议：先运行无约束模拟，观察自发孔闭合时CV值分布根据孔寿命处的CV值调整$\text{CV}_0$（建议设在该值+0.2）增大$\alpha$可减少切换区域的自由能artifact，但需更密集的采样窗口 3.2 双曲正切拟合孔状态的理论依据 Q：在自发孔闭合模拟中，为什么使用双曲正切函数（$\tanh$）来拟合孔状态$s(t)$的时间演化？这有物理依据吗？ A：双曲正切函数是描述两态系统转换动力学的经典模型，具有坚实的理论基础。双曲正切拟合函数原文使用的拟合形式为： \[s(t) = A_0 - \tanh\left(\frac{t - A_2}{A_1}\right)\] 其中： $A_0$：背景水平（约0.6，对应膜表面始终有水） $A_1$：时间尺度参数（控制转换速率） $A_2$：孔寿命$\tau$（即50%转换点，$s(\tau) = A_0 - \tanh(0) = A_0$）理论依据1：两态系统的Langevin动力学膜孔可视为在”开放态”（$s \approx 1$）和”闭合态”（$s \approx 0.6$）之间转换的两态系统。一维势能面模型：假设孔状态沿某反应坐标$\xi$演化，势能面呈双阱形式： \[U(\xi) = -\frac{a}{2}\xi^2 + \frac{b}{4}\xi^4\] 在过阻尼极限（脂质扩散很慢）下，Langevin方程简化为： \[\frac{\mathrm{d}\xi}{\mathrm{d}t} = -\frac{1}{\zeta}\frac{\mathrm{d}U}{\mathrm{d}\xi} + \text{noise}\] 其中$\zeta$是摩擦系数。忽略热噪声（当驱动力足够大时），这是一个非线性松弛方程。解的形式：对于从势阱越过势垒后沿负梯度”滚下”的过程，解具有sigmoid形状。最简单的非线性松弛方程： \[\frac{\mathrm{d}\xi}{\mathrm{d}t} = k(\xi_{\infty} - \xi)(1 - \text{constant} \times \xi)\] 其解为双曲正切函数（或逻辑函数，两者形式相似）： \[\xi(t) = \xi_{\infty} + (\xi_0 - \xi_{\infty})\tanh\left(\frac{t - t_0}{\tau_{\text{relax}}}\right)\] 理论依据2：界面传播的Fisher-Kolmogorov方程膜孔闭合可视为”孔边缘向内收缩”的界面传播问题，类似于：火焰锋面传播液滴蒸发域壁运动这些过程服从反应-扩散方程（Fisher-Kolmogorov或Allen-Cahn方程）： \[\frac{\partial \phi}{\partial t} = D\nabla^2\phi + f(\phi)\] 其中$\phi$是”孔开放”的序参量（类似于$s(t)$），$f(\phi)$是反应项（如$f = \phi(1-\phi)$）。行波解的形式：对于一维传播，方程存在行波解（traveling wave solution）： \[\phi(x,t) = \phi(x - vt) = \frac{1}{2}\left[1 - \tanh\left(\frac{x - vt}{\lambda}\right)\right]\] 其中$v$是波速，$\lambda$是界面宽度。对于固定位置观察（如孔中心），序参量随时间的变化正是$\tanh$形式。理论依据3：平均场近似下的Ising模型如果将膜孔视为二维Ising模型的自旋翻转过程（”孔”=自旋向下，”膜”=自旋向上），在平均场近似下： \[\frac{\mathrm{d}m}{\mathrm{d}t} = -\frac{1}{\tau_0}[m - \tanh(\beta J m)]\] 其中$m$是平均自旋，$J$是相互作用强度，$\beta = 1/(k_B T)$。当系统从亚稳态衰变到稳定态时，解具有$\tanh$形式。理论依据4：经验的唯象模型即使没有微观机制，$\tanh$函数在唯象学上也是描述渐进转换过程的最佳选择：优势： S型曲线：有明确的上下渐近线，符合”从开放到闭合”的物理约束中心对称：在转换点$\tau$处对称，反映转换过程的对称性平滑可导：无穷次可微，避免拟合中的数值问题参数意义明确： $A_2 = \tau$：50%转换点（孔寿命） $A_1$：转换时间尺度（斜率∝$1/A_1$） $A_0$：稳态背景与其他函数的对比：函数类型优点缺点 $\tanh$ 理论基础强，参数物理意义清晰需要非线性拟合 Logistic函数与$\tanh$等价，常用于生物学形式稍复杂指数衰减简单，线性拟合无上下界，不适合两态转换 Error function S型，数学常见缺乏动力学解释 Boltzmann函数常用于剂量-响应曲线与$\tanh$本质相同实际拟合效果从图2B可以看出： DMPC/DPPC/POPC/DOPC四种脂质的孔闭合动力学曲线均被$\tanh$函数完美拟合（深色曲线与浅色原始数据高度重合）垂直虚线标记的孔寿命$\tau$（即拐点）清晰可辨原始数据的涨落（浅色曲线的锯齿）反映了热涨落，但整体趋势严格遵循$\tanh$形式物理解释：为什么孔闭合遵循$\tanh$？关键机制：膜孔闭合是一个协同过程，不是单个脂质分子的独立运动：正反馈机制：孔变小 → 孔边缘曲率增大 → 脂质更容易向孔中心移动 → 孔更快闭合临界点行为：存在一个临界孔尺寸，小于该尺寸后闭合加速（类似于成核理论的临界核）集体松弛：整个孔边缘的脂质作为一个整体协同运动，而非逐个脂质跳跃这些特征导致了非线性、自加速的动力学，其解析解正是$\tanh$形式。扩展应用 $\tanh$拟合不仅适用于孔闭合，还可推广至：电穿孔孔扩展动力学：从小孔到大孔的转换相变过程：如脂质相从$L_\beta$到$L_\alpha$的转变蛋白插入膜过程：膜扰动的松弛囊泡融合：融合孔从形成到扩展的动力学文献支持类似的$\tanh$拟合在膜动力学研究中有广泛应用：电穿孔孔动力学：DeBruin & Krassowska (1999) Biophys. J. 使用$\tanh$描述电场诱导孔的开闭动力学 GUV相变：Cicuta et al. (2007) J. Phys. Chem. B 用$\tanh$拟合巨囊泡的相变界面传播蛋白聚集动力学：Ferrone (1999) Methods Enzymol. 在淀粉样蛋白纤维化中使用类似函数总结双曲正切拟合的理论基础： ✅ Langevin动力学：两态系统的非线性松弛 ✅ 反应-扩散方程：界面传播的行波解 ✅ 统计物理：平均场Ising模型的相变动力学 ✅ 唯象学：S型曲线是描述渐进转换的最自然选择实践价值：提取孔寿命$\tau$作为单一定量指标，便于比较不同体系参数$A_1$反映转换速率，可用于研究动力学机制拟合残差可识别非典型闭合事件（如重开、多步闭合） 3.3 Rapid方法的系统尺寸要求条带宽度：≥ 8 nm（确保膜边缘充分松弛）盒子z方向：≥ 2倍膜厚度（避免周期性影响）孔边缘间距：≥ 2 nm（防止两个边缘相互作用）窗口间距：0.03 nm（对于全原子），0.05 nm（对于粗粒化）四、CV的应用拓展 4.1 复杂体系的适用性 Q：这些CV能否应用于含抗菌肽或纳米粒子的复杂体系？ A：完全可以，这正是这些CV设计的一大优势。因为： CV定义仅依赖脂质尾部原子和几何参数，不对孔形成的诱导机制做任何假设抗菌肽或纳米粒子的存在会改变局部脂质排列，这会自然反映在$\text{CV}_{\text{cyl}}$的尾部密度变化中 PLUMED实现允许灵活选择要追踪的原子组，可轻松适配含外源物质的体系 Rapid方法可用于快速筛选不同肽/粒子浓度下的膜稳定性变化建议工作流程：先用Rapid方法快速评估线张力变化趋势，再用Full-Path方法详细解析孔形成机制应用场景示例抗菌肽研究：评估不同肽序列对膜稳定性的影响，优化肽浓度以达到最佳杀菌效果纳米药物载体：设计合适表面修饰的纳米粒子以控制膜孔形成速率电穿孔优化：通过改变脂质组成调控电场诱导孔的稳定性膜蛋白插入：研究大分子穿膜过程中的孔形成中间态返回主文：《破解膜孔之谜：双CV联手揭示从成核到扩展的完整能量图景》继续阅读：附录B：力场选择指南与实验对比

Specific Sytems · 2025-11-02

从序列到纳米结构：FibrilGen如何让肽自组装建模变得简单

从序列到纳米结构：FibrilGen如何让肽自组装建模变得简单本文信息标题: FibrilGen: A Python Package for Atomistic Modeling of Peptide β-Sheet Nanostructures 作者: Chao-Yu Yang, Aline F. Miller, Alberto Saiani, Richard A. Bryce 发表时间: 2025年9月26日接收单位: 曼彻斯特大学（英国）药学与视光学系、材料系、化学工程系引用格式: Yang, C.-Y., Miller, A. F., Saiani, A., & Bryce, R. A. (2025). FibrilGen: A Python Package for Atomistic Modeling of Peptide β-Sheet Nanostructures. Journal of Chemical Information and Modeling, https://doi.org/10.1021/acs.jcim.5c02108 源代码: https://github.com/ChaoYuYang0/FibrilGen-v0 摘要对于依赖肽一级序列理性设计的全新肽基纳米材料，系统性地计算建模由自组装肽形成的多样化、复杂的潜在纳米结构具有相当大的价值。本文介绍了FibrilGen，一个专门的Python工具包，能够在原子水平构建广泛的cross-β形态。FibrilGen通过一组输入的几何参数初始化肽堆积和纤维形态，随后通过精修步骤产生紧密的组装体。使用FibrilGen，研究人员可以生成各种组装的cross-β结构作为分子模拟的输入；该工具包还包括用于纤维纳米结构及其轨迹几何分析的功能。作者通过生成不同形态的cross-β纳米结构来展示该工具的实用性，这些结构与从冷冻电镜和固态核磁共振波谱确定的自组装排列高度吻合。这些结构在水溶液中的微秒级分子动力学模拟中也表现出构象稳定性。作者进一步评估了建模/模拟流程过滤非实验性β折叠纤维结构的能力。因此，FibrilGen工具包提供了一条构建各种可能形态的原子级超分子肽结构的途径，用于可视化、模拟以及相互作用和稳定性的评估。核心结论 FibrilGen是首个专门用于构建cross-β纳米纤维的原子级建模工具，支持杆状、带状、管状等多种形态工具包集成在PyMOL中，可通过7个几何参数控制纤维结构，并自动精修以消除空间冲突通过冷冻电镜验证，FibrilGen构建的HP8、AL1和Aβ42纤维结构与实验高度吻合微秒级分子动力学模拟证实FibrilGen生成的结构在水溶液中300 K下稳定工具能够识别并排除非实验性的纤维形态，为肽纳米材料的理性设计提供支持背景自组装肽纳米材料在过去二十年中引起了广泛关注。虽然最初主要研究其在阿尔茨海默病或帕金森病等疾病中的作用，但科学家们已经开始探索利用这些短天然分子的自组装特性来设计新型材料。在各种自组装肽中，β折叠形成肽在生物医学领域尤其受到青睐，因为它能够设计出生物相容性和剪切变稀的纤维水凝胶支架，在3D体外细胞和类器官培养、体内药物递送等应用中展现出巨大潜力。 cross-β结构的基本特征已为人所知：肽组装成单向的cross-β梯状结构，根据肽的相对取向可以是平行或反平行排列，片内主链肽间距为4.8-4.9 Å，并通过分子间氢键稳定。尽管在肽分子水平上组装相对简单，这些自组装肽可以形成具有多种形态的扩展超分子组装体，从细纤维到粗纤维、管状、带状和片状。图1：cross-β纤维的常见周期性构建块该图展示了β折叠双层（红框）作为cross-β纤维的周期性构建块：（a）12肽AL1（IGSNVVTWYQQL）形成6层堆叠的平行β折叠双层，组装成左手杆状形态；（b）AL1肽形成9层堆叠的平行β折叠双层，组装成左手杆状；（c）11肽（YTIAALLSPYS）形成平行β折叠，组装成左手管状；（d）8肽HP8（N端乙酰化、C端酰胺化的FKFEFKFE）形成平行或反平行β折叠，组装成左手管状。电子密度使用Chimera 1.17.3可视化。尽管使用冷冻电镜、X射线衍射和固态核磁共振等最先进技术在阐明这些结构的形态方面做了大量工作，但肽序列与最终超分子结构形态之间的关联仍然知之甚少。不仅最终自组装结构取决于肽序列本身，介质pH值和离子强度、溶剂极性和温度等环境因素也在决定最终超分子组装体的形态中起着关键作用。现有的软件包可以从实验中重建超分子组装体：例如RELION允许从冷冻电镜图像进行单颗粒分析以重建电子密度；ROSETTA提供刚体变换将分子组装成对称组装体以模拟NMR或冷冻电镜数据；PHENIX支持从X射线、中子衍射和冷冻电镜数据推断原子模型。对于不拟合实验约束的分子建模，有多种软件程序可用于将分子打包成特定的组装模式，如PACKMOL可以将分子组装成球体、椭圆体、圆柱体、平面或盒子；Polyply可以执行粗粒化珠子的自排除随机游走以生成聚合物构象；Nanomaterial Modeler包含一个晶胞库，可组装块状金属、矿物和碳质材料。虽然这些建模工具包对于构建分子组装体很有价值，但仍需要一个专门的工具来构建跨越广泛复杂实验观察形态的单向超分子cross-β排列。关键科学问题本文旨在解决的核心科学问题是：如何系统性地构建具有多样化形态的肽β折叠纳米纤维的原子级模型。尽管冷冻电镜和固态核磁共振等实验技术能够解析cross-β结构，但从肽序列到原子级三维纳米结构的建模过程仍然是一个挑战。现有的通用分子组装工具（如PACKMOL、Polyply）无法专门处理cross-β纤维独特的几何特征，包括： β折叠双层的特殊堆积方式（面对面或面对背）片内肽链的平行/反平行排列沿纤维长轴的螺旋扭曲从简单杆状到复杂管状、带状的形态变化这个问题之所以是研究焦点和难点，是因为：肽序列与最终纳米结构之间缺乏明确的构效关系，同时环境因素（pH、离子强度、温度）也会显著影响形态。一个能够快速生成、可视化和筛选不同形态的工具对于肽纳米材料的理性设计至关重要。创新点首个专门用于cross-β纤维建模的工具包：FibrilGen是为β折叠自组装肽纳米结构量身定制的，填补了通用分子组装工具的空白参数化建模方法：通过7个几何参数（$N, K, M, \theta_s, \theta_z, r_y, \theta_y$）系统性地控制纤维形态，涵盖杆状、带状、管状等多种结构自动结构精修：内置迭代算法自动调整螺旋扭曲参数，消除原子间空间冲突，确保生成紧密且物理合理的组装体与PyMOL无缝集成：可直接在PyMOL命令行调用，实现快速可视化和概念化完整的建模-模拟-验证流程：从初始结构生成到能量最小化、微秒级MD模拟，提供端到端的解决方案实验验证的可靠性：通过与HP8、AL1、Aβ42三个体系的冷冻电镜和固态NMR数据对比，证明了方法的准确性研究内容核心方法：FibrilGen建模流程 FibrilGen采用自底向上的层次化建模策略，将肽纳米纤维的构建分解为三个层次：单肽 → 2×2基本单元 → 完整纤维结构。图2：FibrilGen建模方案该图展示了FibrilGen中用户可控制的输入参数集合：（a）2×2单元的周期性基础和沿β折叠轴的重复数$N$；（b）2×2单元在纤维横截面上的堆积方式，使用矩阵$K$接触单元边缘，或使用重复数$M$和角度$\theta_s$接触单元角落；（c）绕β折叠轴的扭曲角$\theta_y$的符号、相对β折叠轴的倾斜角$\theta_z$（以及距β折叠轴的半径$r_y$）。用户可以指定堆积模式（通过$N, K, M, \theta_s$）和初始螺旋扭曲（通过$\theta_y, r_y, \theta_z$的符号），FibrilGen会精修螺旋扭曲并组装成紧密且无相交的纤维结构。 graph TD A["输入：单条肽链 β折叠构象"] --> B["pep2unit脚本 生成2×2基本单元"] B --> C["能量最小化 AMBER ff14SB力场 TIP3P水模型"] C --> D["提取中心单元 作为装配基块"] D --> E{"选择形态类型"} E -->|杆状/片状| F["线性堆积 参数N,K,θz,ry,θy"] E -->|带状/管状| G["旋转堆积 参数N,M,θs,θz,ry,θy"] F --> H["自动精修 迭代调整θz和ry 消除空间冲突"] G --> H H --> I["生成最终结构 PDB格式输出"] I --> J["PyMOL可视化 MD模拟验证"] style A fill:#e1f5ff style D fill:#fff4e1 style H fill:#ffe1e1 style I fill:#e1ffe1 2×2基本单元的构建 FibrilGen的核心概念是2×2肽单元，即4条肽链组成的基本构建块，包含两个β折叠形成双层结构。图3：2×2肽单元的组装给定一条输入肽如（a）Ac-FKFEFKFE-NH2，pep2unit脚本可将肽排列成两个β折叠（绿色、橙色），具有以下选项：（b）两个β折叠在xz平面上的片间排列（片间距用粉色标注）可以是（左）面对背或（右）面对面；（c）相邻β链的片内排列，沿x轴的配准（蓝色）和沿y轴4.8 Å的位移（紫色）；（d）反平行（标记为βa）和平行（标记为βp）β折叠的平行/反平行排列：两个反平行排列的βa（标记为βaaβa）、一个βp和一个βa反平行排列（标记为βpaβa）、两个反平行排列的βp（标记为βpaβp）、两个平行排列的βp（标记为βppβp）。此处以面对面排列的同向配准β折叠为例。 pep2unit脚本提供三个关键控制选项：片间排列：两个β折叠在xz平面上的相对位置面对背（face-to-back）：一个折叠的”面”朝向另一个的”背” 面对面（face-to-face）：两个折叠的疏水侧链相互接触片内排列：相邻β链在同一折叠内的配准方式同向配准（in-register）：相邻链的残基一一对应错位配准（out-of-register）：相邻链沿x轴有偏移平行性：β折叠的N端到C端方向平行β折叠：所有链方向一致反平行β折叠：相邻链方向相反对于侧链的χ1二面角，采用简单策略：初始化为80°（靠近N端）或160°（靠近C端）以最大化侧链间距离。随后通过能量最小化精修侧链堆积。图4：FibrilGen中的组装操作该图展示了组装操作：（a）4肽基本组装单元（表示为盒子）通过仿射变换组装成纳米纤维；（b）引入称为线性堆积的操作来接触盒子的面，使用$K$在纤维横截面上排列基本单元或使用$N$延伸纤维长度；（c）引入称为旋转堆积的操作来接触盒子的边，使用半径$r_s$、扭曲角$\theta_s$将单元绕纤维轴堆积$M$次；（d）引入称为扭曲的操作来调整沿纤维轴盒子的面接触，使用半径$r_y$、扭曲角$\theta_y$和倾斜角$\theta_z$绕纤维轴旋转。图5：FibrilGen中的基本形态模型该图展示了基本形态模型：（a）通过线性堆积和扭曲构建的杆状模型基础；（b）扩展盒子堆积产生杆状模型的示例；（c）通过旋转堆积和扭曲构建的带状模型基础；（d）扩展盒子堆积产生带状模型的示例。七个几何参数的定义表1：FibrilGen的7个几何参数参数描述杆状结构带状结构 $N$ 沿纤维长轴延伸的单元数量 ✓ ✓ $K$ 在纤维横截面上的堆积模式矩阵（线性堆积） ✓ ✗ $M$ 在纤维横截面上旋转堆积的单元数量 ✗ ✓ $\theta_s$ 旋转堆积的角度间隔（度） ✗ ✓ $\theta_z$ 倾斜角，使单元偏离纤维轴（度） ✓ ✓ $r_y$ 孔径半径，单元距纤维轴的位移（Å） ✓ ✓ $\theta_y$ 扭曲角，沿纤维轴旋转连续单元（度）符号：+1为左手性，-1为右手性 ✓ ✓ 螺旋扭曲的数学关系：为了保持相邻肽间的氢键距离，扭曲角 $\theta_y$、倾斜角 $\theta_z$ 和半径 $r_y$ 必须满足几何约束： \[(b \cdot \cos\theta_z)^2 + \left(r_y \cdot \sqrt{2 - 2\cos\theta_y}\right)^2 = b^2\] 其中，$b = 4.8$ Å是β折叠内相邻肽的间距常数。第一项是沿纤维长轴的投影距离平方，第二项是在横截面上旋转的弦长平方。自动结构精修算法 FibrilGen的精修过程基于三个条件：最小倾斜角：$\theta_z > \theta_{z,\min}$（默认1.14°），防止结构过于平坦无空间冲突：$0 < \theta_y < \theta_{y,\max}$，其中 $\theta_{y,\max}$ 通过逐步增加扭曲角直到出现原子间距小于阈值来确定适当的片间距离：相邻β折叠间的最近原子距离在2-5 Å之间迭代过程：对于杆状结构：从用户输入的 $\theta_z$ 开始，若不满足条件1和2，则以0.02 rad的步长逐步减小 $\theta_z$ 对于带状结构：同时调整 $\theta_z$（步长0.02 rad）和 $r_y$（添加≤1 Å的随机噪声），直到满足所有三个条件最大迭代次数默认为40次。该算法确保生成的结构既物理合理又几何紧凑。实验体系的重建与验证作者选择了三个形态差异显著的实验体系来验证FibrilGen的能力。体系一：HP8水凝胶管（10层β折叠）图6：冷冻电镜电子密度与FibrilGen构建的cross-β纳米结构原子级模型的整体形态对比该图展示了三个体系的冷冻电镜电子密度与FibrilGen构建模型的对比：（a）HP8水凝胶管——（左）电子密度EMD-23487，（右）FibrilGen模型结构；（b）AL1杆——（左）电子密度EMD-3128，（右）FibrilGen模型结构；（c）Aβ42杆——（左）电子密度EMD-3851，（右）FibrilGen模型结构。电子密度使用Chimera 1.17.3可视化，FibrilGen模型使用PyMOL可视化。建模过程：使用pep2unit生成平行+反平行面对面排列的2×2单元构建含10条肽/折叠的初步纤维（共100条肽）在显式水中能量最小化提取中心单元重新组装探索倾斜角范围：15°、20°、25°、30°、35° 精修结果：FibrilGen自动收敛到 $\theta_z = 25.0°$ 和 $\theta_y = 3.7°$，与实验值（30.0°和4.5°）吻合良好。体系二：AL1杆状纤维（12层β折叠） AL1肽（IGSNVVTWYQQL）形成12层平行β折叠的杆状结构，固态NMR确认平行排列。如图1b所示，冷冻电镜电子密度图（EMD-3128）与FibrilGen构建的192肽模型在整体形态和螺旋参数上高度吻合，冷冻电镜分辨率为8.3 Å。建模过程： pep2unit生成两个平行β折叠面对面排列的2×2单元探索倾斜角：3°、5°、7°、9°、10° 构建192肽的双折叠杆状结构精修结果：与HP8不同，AL1杆允许一系列螺旋扭曲，FibrilGen给出 $\theta_z = 11.0°$ 和 $\theta_y = 1.5°$，接近实验重建的12.2°和1.4°。体系三：Aβ42淀粉样杆（2层β折叠） Aβ42肽是阿尔茨海默病的标志性淀粉样蛋白，组装成双折叠杆状结构，冷冻电镜分辨率4.0 Å。如图1c所示，冷冻电镜电子密度图（EMD-3851）与FibrilGen构建的44肽模型高度一致。该体系展示了FibrilGen能够处理复杂含有多个转角的肽分子，并准确重建其纳米纤维结构。建模过程：直接使用冷冻电镜结构（PDB: 5OQV）中的2×2单元，不做能量最小化构建44肽的双折叠纤维探索倾斜角：3°、5°、7°、9°、10° 精修结果：扭曲参数收敛到 $\theta_z = 3.5°$ 和 $\theta_y = 1.0°$，与实验值4.5°和1.4°非常接近。三个体系的共同特点：FibrilGen模型在整体形态（管状、杆状）、螺旋参数（$\theta_z$、$\theta_y$）和骨架堆积方式上均与实验高度一致，证明了该方法的普适性。分子动力学模拟稳定性评估为了验证FibrilGen生成结构的动力学稳定性，作者对三个实验体系（HP8管、AL1杆、Aβ42杆）以及HP8的冷冻电镜结构进行了微秒级MD模拟。模拟参数：力场：AMBER ff14SB（肽）+ TIP3P（水）温度：300 K（Langevin恒温器，碰撞频率1 ps⁻¹）压强：1 bar（Berendsen控压器，弛豫时间2 ps）时间步长：4 fs（采用氢质量重分配HMR方法）时长：每个体系2条1 μs轨迹平衡策略：能量最小化升温至100 K（NVT，20 ps）升温至300 K（NPT，400 ps）短平衡（2 ns，平底谐振子约束相邻β链Cα距离在2-9 Å）生产模拟（1 μs，无约束）图7：300 K下1 μs MD模拟中的生成（重建）结构、平均骨架氢键数/链(Hbonds)和纤维半径$R_f$ 平衡前的结构为：（a）FibrilGen构建的HP8管、（d）冷冻电镜结构7LQI的HP8管、（g）FibrilGen构建的AL1杆、（j）FibrilGen构建的Aβ42杆。从MD副本（黄色、绿色）计算的氢键数/链（b, e, h, k）和纤维半径（c, f, I, l）分别列在第二行和第三行。还显示了从冷冻电镜结构7LQI计算的基线值（b,c,e,f中的蓝色）和冷冻电镜结构5OQV的基线值（k中的蓝色）。 HP8管的稳定性分析：指标 FibrilGen模型（平均±标准差）冷冻电镜结构（平均±标准差）实验值 Cα RMSD（Å） 2.8和3.3（相对初始） 1.7和2.0（相对初始） - 骨架氢键数/链 13.2 ± 0.3 13.1 ± 0.3 7.8（初始冷冻电镜）纤维半径Rf（Å） 28.3 ± 0.2 30.0 ± 0.5 30.0 x-配准tx（Å） 7.1 ± 0.3 7.0 ± 0.3 6.4 y-扭曲θd（°） 14.3 ± 2.1 19.1 ± 3.3 13.0 关键发现： FibrilGen模型和冷冻电镜结构在MD模拟中表现出相似的稳定性氢键数量（13.2 vs 13.1）几乎相同，且均高于初始冷冻电镜结构（7.8），说明MD优化了氢键网络纤维半径略有差异（28.3 Å vs 30.0 Å），可能源于不同的初始条件管状形态在微秒尺度上保持稳定，未发生坍塌或解离图8：300 K下副本微秒级MD模拟中肽链相对排列(x-配准$t_x$、y-扭曲角$\theta_d$)的时间序列该图展示了（黄色、绿色）双重轨迹的时间序列：（a-c）FibrilGen构建的HP8管；（d-f）冷冻电镜结构7LQI的HP8管；（g-i）FibrilGen构建的AL1杆；（j-l）FibrilGen构建的Aβ42杆。蓝色表示实验值。四个体系的局部坐标系用于定义$t_x$和$\theta_d$，分别显示在（a）、（d）、（g）、（j）中。基线肽排列从冷冻电镜结构7LQI计算得出（b,c,e,f中的蓝色）以及从冷冻电镜结构5OQV计算得出（k,l中的蓝色）。 AL1杆的稳定性分析：指标 FibrilGen模型（平均±标准差）实验观察 Cα RMSD（Å） 3.4（相对初始） - 骨架氢键数/链 14.4 ± 0.4 固态NMR确认平行排列纤维半径Rf（Å） 26.6 ± 0.0 冷冻电镜显示杆状形态 x-配准tx（Å） 0.0 ± 0.2 固态NMR示in-register排列 y-扭曲θd（°） 3.7 ± 1.0 固态NMR示左手扭曲关键发现： 12层杆状结构在微秒模拟中形态稳定 x-配准接近0（-0.0 ± 0.2 Å），与固态NMR确认的in-register排列一致左手扭曲角3.7°与实验推断的扭曲方向吻合 Aβ42杆的稳定性分析：指标 FibrilGen模型（平均±标准差）冷冻电镜结构（PDB 5OQV） Cα RMSD（Å） 2.4（相对FibrilGen初始）1.4（相对5OQV） 0.7（初始差异）骨架氢键数/链 56.1 ± 0.7 54.0 纤维半径Rf（Å） 15.7 ± 0.1 N/A x-配准tx（Å） -0.1 ± 0.3 0.2 y-扭曲θd（°） 7.0 ± 3.9 2.5 关键发现： Aβ42单体含5个转角，部分片内骨架氢键较弱氢键数（56.1）与冷冻电镜结构（54.0）接近 x-配准接近0，与固态NMR确认的in-register排列一致扭曲角7.0°与实验值（约3°）的差异可能源于Aβ42复杂的五圈拓扑稳定性总结：三个FibrilGen模型在300 K水溶液中经历微秒级模拟后，均保持了：形态完整性（管状、杆状）氢键网络稳定（每链13-56个骨架氢键）几何参数一致（纤维半径、肽链配准、扭曲角）这证明FibrilGen生成的原子级结构不仅几何合理，而且动力学稳定，可作为进一步研究的可靠起点。假设性结构的筛选能力为了评估FibrilGen/MD流程识别非实验性形态的能力，作者进行了”形态互换”实验：将HP8建模为杆状，将AL1建模为管状。 HP8杆的建模结果作者构建了两种电荷状态的HP8杆：带正电的HP8杆（所有谷氨酸质子化，pH 3）电中性的HP8杆（所有谷氨酸去质子化，pH 7）结果：带正电HP8杆：能量最小化成功，但在平衡阶段解离（图S5a）电中性HP8杆：平衡和生产模拟稳定，但收敛到交错排列（staggered arrangement）而非标准杆状表2：HP8杆与HP8管的结构参数对比结构 x-配准tx（Å） y-扭曲θd（°）纤维半径Rf（Å）氢键数/链 HP8管（实验） 7.1 ± 0.3 14.3 ± 2.1 28.3 ± 0.2 13.2 ± 0.3 HP8杆（中性） 0.0 ± 0.2 0.2 ± 2.2 25.7 ± 0.1 11.0 ± 0.6 HP8杆（带电）不稳定不稳定不稳定不稳定关键发现：电中性HP8杆的氢键数（11.0）显著少于HP8管（13.2），提示管状形态更稳定扭曲角接近0°（0.2°），形成扁平结构，与AL1杆的3.7°和HP8管的14.3°形成对比带电HP8杆的解离表明静电排斥阻止了杆状形态的稳定 AL1管的建模结果作者尝试用AL1肽构建类似HP8的管状结构：首先尝试组装平行+反平行混合的2×2单元（类似HP8管）→ 能量最小化失败（骨架氢键断裂，β折叠丧失）改用AL1杆的2×2单元尝试旋转堆积（M=2,3,4,5）→ FibrilGen无法找到无冲突的几何排列（图S6a）退而求其次，构建两层平行β折叠面对面排列的片状结构（图S6c）表3：AL1片与AL1杆的结构参数对比结构 x-配准tx（Å） y-扭曲θd（°）纤维半径Rf（Å）氢键数/链 AL1杆（实验） 0.0 ± 0.2 3.7 ± 1.0 26.6 ± 0.0 14.4 ± 0.4 AL1片（双层） 1.3 ± 0.3 0.6 ± 1.4 4.9 ± 0.0 13.6 ± 0.3 关键发现： AL1片的氢键数（13.6）略少于AL1杆（14.4），差异0.8个氢键/链扭曲角显著降低（0.6° vs 3.7°），片状结构几乎无扭曲管状形态在AL1体系中几何不可行，即使在宽松的FibrilGen条件下也无法生成筛选能力的总结 graph TD A["FibrilGen/MD筛选流程"] --> B{"能量最小化 2×2单元"} B -->|成功| C{"FibrilGen几何精修"} B -->|失败| F1["拒绝： AL1平行+反平行混合单元"] C -->|找到无冲突排列| D{"MD平衡"} C -->|无解| F2["拒绝： AL1管状M=2~5旋转堆积"] D -->|结构稳定| E{"生产模拟1μs"} D -->|解离/坍塌| F3["拒绝： 带电HP8杆"] E --> G{"结构分析"} G -->|氢键数高 扭曲角合理| H["可能的形态： HP8管,AL1杆,Aβ42杆"] G -->|氢键数低 扭曲角异常| I["不太可能的形态： 中性HP8杆,AL1片"] style F1 fill:#ffcccc style F2 fill:#ffcccc style F3 fill:#ffcccc style H fill:#ccffcc style I fill:#ffffcc FibrilGen/MD流程的三级筛选机制：第一级：2×2单元能量最小化排除骨架氢键无法形成的排列方式（如AL1的平行+反平行混合）第二级：FibrilGen几何精修排除存在严重空间冲突的堆积方式（如AL1的小半径管状结构）第三级：MD平衡与生产模拟排除静电不稳定的形态（如带电HP8杆）识别氢键较少、扭曲异常的次优形态（如中性HP8杆、AL1片）定量指标：氢键数差异：实验形态（13.2-14.4个/链）vs 非实验形态（11.0-13.6个/链）扭曲角差异：实验形态（3.7°-14.3°）vs 非实验形态（0.2°-0.6°）这些结果表明，FibrilGen/MD流程能够部分识别非实验性形态，尽管不是所有非实验形态都会被完全排除（如电中性HP8杆和AL1片仍能稳定），但它们在氢键数和扭曲角上的差异提供了定量的稳定性指标。 FibrilGen的扩展应用除了上述三个验证案例，FibrilGen还展示了构建多种形态的能力（详见支持信息图S10-S11），包括：扁平片状结构：$\theta_z$ 和 $\theta_y$ 接近0 细杆状纤维：小的 $K$ 矩阵（如2×2）+ 中等 $\theta_y$ 粗杆状纤维：大的 $K$ 矩阵（如3×4）+ 小 $\theta_y$ 紧密管状结构：小 $M$ 值（如 $M=4$）+ 大 $\theta_s$（如90°）宽松管状结构：大 $M$ 值（如 $M=10$）+ 小 $\theta_s$（如36°）左手/右手螺旋：通过 $\theta_y$ 的符号控制（+1左手，-1右手）结构分析工具 FibrilGen不仅能构建结构，还提供了轨迹分析功能：纤维长轴拟合：通过线性回归将肽中心质量投影到长轴（y轴），计算纤维半径Rf 肽链相对取向：定义局部坐标系ref-i-j-i来量化： x-配准（tx）：相邻肽沿x轴的位移，0表示in-register排列 y-扭曲（θd）：相邻肽在xz平面的扭曲角，$\theta_d = \arctan(d_z/d_x)$ 氢键分析：统计骨架氢键数（N-O距离<3.5 Å，角度>135°） RMSD计算：对齐后的Cα原子对距离均方根偏差这些分析工具在Supporting Information的analysis/文件夹中提供Python实现，可直接用于MD轨迹后处理。 Q&A Q1: FibrilGen如何处理不同肽序列的侧链多样性？ A1: FibrilGen采用两步策略：初始化阶段：对每个残基的χ1二面角使用简化规则（80°或160°），使同侧侧链Cβ间距最大化（7.3 Å）精修阶段：通过AMBER力场的能量最小化（在TIP3P水和离子存在下）优化侧链堆积，自动解决空间冲突。对于复杂侧链，用户可以手动调整特定χ1值，或集成构象搜索工具（如SCWRL）进一步优化。该方法在HP8（含芳香族Phe/Tyr）、AL1（含大侧链Trp/Gln）和Aβ42（含多种残基类型）上均表现良好。 Q2: 为什么AL1允许多种螺旋扭曲，而HP8和Aβ42收敛到单一扭曲？ A2: 这反映了不同体系的能量景观特征： AL1杆：12层平行β折叠的杆状结构具有较宽的能量阱，多种 $(\theta_z, \theta_y)$ 组合在FibrilGen的空间冲突筛选中都可行。例如 $(\theta_z=7°, \theta_y=1.0°)$ 和 $(\theta_z=11°, \theta_y=1.5°)$ 都不产生冲突。 HP8管：10层混合平行/反平行β折叠的管状结构具有更窄的能量阱，内壁和外壁的不同排列方式对几何参数更敏感，只有 $\theta_z≈25-30°$ 和 $\theta_y≈3-4°$ 能同时满足内外壁的氢键和侧链堆积要求。 Aβ42杆：双层结构且每个单体有5个转角，几何约束严格，导致参数空间窄。未来的自由能计算可以量化不同扭曲的相对稳定性。 Q3: FibrilGen/MD流程能否预测环境因素（如pH、离子强度）对形态的影响？ A3: 部分可以，但有局限性：已展示的能力：通过对比带电（pH 3）和中性（pH 7）HP8杆，流程成功预测带电HP8因静电排斥而解离，这与实验上HP8在pH 4形成管状而非杆状一致。局限性： FibrilGen本身是几何建模工具，不直接考虑pH或离子效应。这些需在MD模拟阶段通过质子化状态和离子浓度体现。微秒级MD可能不足以观察pH诱导的形态转变（需毫秒至秒尺度）。离子特异性效应（如Na+ vs Ca2+）需专门的离子参数和更长模拟。建议工作流程：对于环境敏感的体系，可以使用FibrilGen生成多种候选形态 → 用不同质子化状态/离子浓度进行短MD筛选 → 对稳定的形态进行长时间模拟。 Q4: 本文的氢键数指标（实验形态13-14个/链，非实验形态11-13个/链）能否作为普遍的稳定性判据？ A4: 谨慎使用，该指标有参考价值但非绝对：支持证据：三个实验体系均显示高氢键数（HP8管13.2，AL1杆14.4，Aβ42杆56.1），而非实验形态氢键数较低（HP8杆11.0，AL1片13.6）。局限性：序列依赖：Aβ42因含5个转角，部分骨架无法形成氢键，其”正常”氢键数就低于理想β折叠。形态依赖：管状结构的内外壁曲率可能影响氢键几何，不能直接与杆状比较。力场依赖：AMBER ff14SB的氢键参数可能与其他力场（如CHARMM36m）不同。建议用法：将氢键数与同序列、同形态的实验结构比较，而非跨体系比较。同时结合其他指标（RMSD、纤维半径、扭曲角）综合判断。 Q5: FibrilGen适用于哪些类型的肽体系，有何限制？ A5: 适用范围： ✓ β折叠形成肽：核心设计目标，支持平行/反平行、in-register/out-of-register ✓ 短肽至中等长度肽：验证的例子为8-12残基，理论上可扩展到20+残基 ✓ 单向纤维形态：杆、管、带、片（长轴为y轴） ✓ 同质组装：所有肽为相同序列限制： ✗ α螺旋或无规则卷曲肽：FibrilGen假设β折叠二级结构 ✗ 分支或网络结构：只支持单向延伸 ✗ 异质组装：需要不同序列的肽交替排列（但可通过手动修改PDB文件变通实现） ✗ 非肽组分：如脂质、DNA等，需与其他工具（如PACKMOL）结合使用正在开发的功能（根据代码结构推测）：支持侧链修饰（磷酸化、糖基化）的参数输入。关键结论与批判性总结潜在影响加速肽纳米材料的理性设计：FibrilGen/MD流程将构建-可视化-模拟的时间从周缩短到小时，研究人员可以快速探索序列-形态关系促进计算与实验的协同：工具生成的原子级模型可以直接与冷冻电镜密度、固态NMR约束比较，辅助实验数据解析推动超分子手性的研究：FibrilGen对左手/右手螺旋的参数化控制为研究侧链结构与超分子手性的关系提供了计算平台支持淀粉样蛋白的药物设计：Aβ42等疾病相关纤维的精确建模有助于设计β折叠破坏剂或稳定剂拓展到其他β折叠体系：方法原则上可应用于蜘蛛丝蛋白、真菌朊病毒等天然β折叠纳米材料局限性能量评估的不完整性：流程主要依赖空间冲突和MD稳定性，缺乏系统性的自由能计算来排序不同形态的热力学稳定性。未来可集成伞形采样或元动力学方法。时间尺度限制：微秒级MD虽能评估局部稳定性，但肽自组装的成核、生长和形态转变发生在毫秒至秒尺度，当前流程无法预测动力学路径。可能需要结合粗粒化模拟或机器学习势。环境因素的简化：虽然MD包含pH（通过质子化）和离子浓度，但溶剂极性、温度梯度、界面效应（如气-液界面）等复杂因素未充分考虑。假阳性风险：电中性HP8杆和AL1片虽然在MD中稳定，但实验未观察到。流程可能无法排除所有非实验形态，氢键数等指标需更多体系验证。人工干预需求：侧链χ1角初始化、能量最小化中的约束设置等步骤仍需用户经验，自动化程度有待提高。缺乏成核机制：FibrilGen从完整纤维结构入手，未涉及单体→寡聚体→纤维的早期组装阶段，这在实验上往往是形态决定的关键。未来研究方向多尺度建模整合：将FibrilGen与粗粒化方法（如Martini）结合，先用粗粒化快速探索组装路径，再用FibrilGen生成原子级结构进行精修机器学习辅助设计：训练神经网络从序列直接预测最优几何参数 $N, K, M, \theta_s, \theta_z, r_y, \theta_y$，减少人工试错自由能景观绘制：对关键体系（如HP8）系统性扫描 $\theta_z$-$\theta_y$ 空间，计算每个点的溶剂化自由能，绘制完整的形态相图异质组装体建模：扩展FibrilGen以支持A-B-A-B型交替序列或共组装体系（如肽-脂质混合纤维）实时冷冻电镜数据拟合：开发FibrilGen的反向建模模式，输入低分辨率电子密度，自动搜索最佳几何参数计算机辅助突变设计：结合FibrilGen和Rosetta的序列设计模块，预测哪些突变能稳定特定形态或改变手性

Specific Sytems · 2025-11-02

皮肤屏障的「水之道」：分子模拟揭示脂质相共存如何稳定间质水

皮肤屏障的“水之道”：分子模拟揭示脂质相共存如何稳定间质水本文信息标题: 脂质相的共存稳定了哺乳动物皮肤外层的间质水作者: Christopher M. MacDermaid, Kyle Wm. Hall, Russell H. DeVane, Michael L. Klein, and Giacomo Fiorin 发表时间: 2020年1月27日单位: 坦普尔大学，宝洁公司 (美国) 引用格式: MacDermaid, C. M., Hall, K. W., DeVane, R. H., Klein, M. L., & Fiorin, G. (2020). Coexistence of Lipid Phases Stabilizes Interstitial Water in the Outer Layer of Mammalian Skin. Biophysical Journal, 118(7), 1588–1601. https://doi.org/10.1016/j.bpj.2020.01.044 摘要哺乳动物皮肤最外层——角质层(SC)中的脂质基质，作为决定亲水性和亲脂性渗透途径的关键，已被多种生物物理技术研究。尽管对其微观结构的共识日益形成，但目前还没有一个分子分辨率的模型能同时解释所有化学物质的渗透性。本研究利用分子动力学(MD)模拟，对一种模型皮肤脂质混合物进行了自组装研究。我们发现，在较高湿度下，形成的层状相通过将多余的水分配到尺寸和空间分布受控的孤立水滴中来维持其稳定性。这些水滴可能融合在一起形成层内水通道，从而为亲水性物质的渗透提供一条路径。这些结果调和了关于皮肤外层结构的相互矛盾的数据，并拓宽了基于分子的方法在提高局部用药产品安全性和推进透皮给药方面的应用范围。核心结论皮肤角质层脂质在自组装过程中可以形成多种相共存的复杂结构，包括类似短周期相(SPP)的双层、类似长周期相(LPP)的厚层状结构以及反相胶束状的间质水滴。在较高湿度下，多余的水并不会破坏层状结构，而是被脂质头基包裹，在疏水核心中形成稳定、尺寸受控的纳米级水滴。这些孤立的水滴可以通过融合形成瞬时的水通道，这为亲水性大分子提供了一条此前未被充分认识的渗透路径，从而解释了为何其实测渗透率远高于理论预测值。模拟表明，形成水通道需要克服较高的能量势垒（约33-43 kcal/mol），这意味着在生理条件下它是一个稀有事件，但在外界因素（如促渗剂、超声波）的干预下可能被显著促进。背景皮肤作为我们身体的第一道防线，其核心屏障功能由最外层的角质层 (Stratum Corneum, SC) 承担。角质层的”砖墙-灰浆”结构中，由神经酰胺(CER)、胆固醇(CHOL)和游离脂肪酸(FFA)组成的脂质”灰浆”是阻止外界物质入侵和内部水分流失的关键。理解物质如何穿过这道屏障，对于透皮给药和化妆品安全评估至关重要。长期以来，一个巨大的谜团困扰着皮肤科学领域：为什么实验测得的某些亲水性大分子的皮肤渗透率，比基于均一脂质双层模型预测的理论值高出几个数量级？传统的模型认为，渗透主要通过脂质的疏水区域，这对亲水性物质极为不利。为了解释这一矛盾，科学家们提出了一个大胆的假设：在致密的脂质基质中，可能存在着某种亲水性孔道或水通道，为这些分子提供了”秘密通道”。然而，这种假设缺乏直接的分子级别的证据。这些通道是否存在？如果存在，它们是如何形成和维持的？它们的尺寸、分布和稳定性如何？这些问题都悬而未决。同时，实验观察到了皮肤脂质复杂的相行为，包括短周期相 (SPP) 和长周期相 (LPP) 的共存，甚至还有反相六方相和反相胶束相等非层状结构。如何将这些复杂的结构与亲水性渗透路径联系起来，是理解皮肤屏障功能的关键瓶颈。关键科学问题本研究旨在通过多尺度分子动力学模拟，从原子和近原子（粗粒化）层面回答以下核心问题：脂质相行为的复杂性：在模拟中，一个包含长链神经酰胺（特别是LPP形成所必需的CER[EOS]）的皮肤脂质混合物，在自组装过程中会形成什么样的稳定或亚稳态结构？它能否同时再现SPP和LPP的特征？水的角色与定位：当系统暴露于较高湿度环境时，多余的水分子是如何被容纳在高度疏水的脂质基质中的？它们是均匀分散，还是会自发聚集形成特定的结构？ “水通道”的形成机制：传说中的“亲水性渗透路径”在分子层面上的真实面貌是什么？它们是预先存在的静态孔道，还是动态形成的瞬时结构？其形成的热力学和动力学过程是怎样的？结构与功能的统一：能否构建一个统一的模型，既能解释亲脂性小分子通过有序脂质区域的渗透（溶解-扩散机制），又能解释亲水性大分子通过某种特殊路径的高效渗透？创新点首次模拟了间质水滴的自发形成：通过长时间的粗粒化MD模拟，首次在分子层面上展示了在皮肤脂质层状结构内部，多余的水分子会自发聚集，形成由脂质头基包裹的、稳定的反相胶束状水滴。统一了两种渗透路径：提出了一个优雅的统一模型，即皮肤屏障是一个多相共存体系。致密有序的层状区域（SPP和LPP）构成了对亲脂性分子的主要屏障，而其中嵌入的亚稳态间质水滴/水通道则为亲水性分子提供了渗透路径。定量分析了水通道的形成能垒：通过理论模型和模拟数据，定量估算了水滴拉伸融合形成水通道所需的自由能（约33-43 kcal/mol），解释了为什么这种通道在生理条件下是稀有事件，但可能被促渗剂等外部手段触发。多尺度模拟的成功应用：巧妙地结合了粗粒化模拟（用于观察微秒级的自组装和相行为等大尺度现象）和全原子模拟（用于精确计算渗透能垒和验证局部结构），展示了多尺度方法在解决复杂生物物理问题中的强大威力。研究内容方法详述本研究采用了一种多尺度的计算策略，以在不同的时间和空间尺度上捕捉皮肤脂质的复杂行为。力场选择的深层考量粗粒化(CG)模拟：软件与力场：使用 LAMMPS 软件，力场参数基于 SDK模型 (Shinoda-DeVane-Klein模型)。这个模型的核心思想是将3-4个重原子合并为一个”珠子(bead)”，大幅减少计算量。时间尺度优势：CG模拟能够达到微秒甚至几十微秒的时间尺度，这对于观察脂质自组装、相分离等慢过程至关重要。相比之下，全原子模拟通常只能达到纳秒到几微秒。关键限制：CG水模型缺少偶极矩，这意味着它不能准确描述氢键网络和电荷相互作用。因此，所有CG模拟仅适用于低pH条件（FFA完全质子化，不带电荷）。这是一个重要的简化假设。力场参数化：SI中详细说明了酰胺基团和质子化羧基的参数是如何从实验液体性质（如密度、汽化热）推导出来的，确保了模型的物理准确性。全原子(AA)模拟：软件与力场：使用 NAMD 软件，力场为生物膜研究的金标准 CHARMM36 (用于脂质)和 CGENFF (用于小分子)，水模型为经典的 TIP3P。精度优势：AA模拟提供了最高的分子细节，能够准确计算氢键、静电相互作用等精细效应，这对于计算渗透自由能至关重要。互补验证：作者在AA和CG两个层次上都模拟了相同的双层膜体系，发现两者的膜厚度、脂质分布等关键性质高度一致（图S2-S5），这验证了CG模型的可靠性。模拟体系的生理相关性脂质组成：四组分混合物：摩尔比为 1:1:2:2 的 CER[NS]/CER[EOS]/CHOL/FFA。这个比例是基于实验测得的人类角质层脂质组成的简化模型。为什么选择CER[EOS]？CER[EOS]是一种超长链神经酰胺（C30饱和链+C18不饱和亚油酸链），它对于形成 LPP (13 nm厚的长周期相)至关重要。实验表明，缺少CER[EOS]的混合物很难形成LPP。 FFA的代表性：山萮酸(C22:0)的链长恰好位于SC中FFA链长分布的峰值，是一个合理的”平均”代表。简化的代价：真实SC含有上百种不同的脂质，本研究的四组分模型忽略了这种化学复杂性，这可能影响对水滴形成和稳定性的精细调控。初始构象的无偏性： CG自组装的哲学：CG模拟从完全随机混合开始（脂质和水分子在空间中随机分布），让系统在力的驱动下自发组装。这避免了人为预设结构可能带来的偏见，确保最终结构是热力学驱动的结果。 AA模拟的务实选择：由于AA模拟的时间尺度限制，从随机构象自组装成双层膜需要过长的时间。因此，AA模拟从预先构建的、已经平衡的双层膜开始，这是一个务实的折中。关键分析技术的原理自组装模拟：时间尺度：CG模拟持续 5-25 微秒。为什么需要这么长？因为脂质分子的扩散、翻转、相分离等过程都是缓慢的，需要足够长的时间才能达到平衡或亚稳态。观察目标：不仅观察最终的宏观结构（如层状、六方相、反相胶束），还追踪形成过程中的动力学细节（如水滴的成核与生长，图3E）。渗透性计算 (PMF)： ABF方法：PMF描述的是小分子在膜中不同位置的自由能。作者使用自适应偏置力 (ABF)方法，通过实时施加一个抵消系统内力的偏置力，使小分子能够更高效地在膜中”自由”移动，大幅加速采样。窗口采样：将膜的厚度方向（z轴，约4 nm）划分成40个重叠的窗口，每个窗口宽0.4 nm。这种重叠设计确保了在拼接各窗口数据时的平滑过渡。ABF的优势在于无需事先知道自由能曲面的形状，且让分子在窗口内自由扩散而非被约束在某个点附近。从PMF到渗透系数：PMF的峰值对应渗透能垒，扩散系数描述分子在膜中的移动速度。结合两者，通过公式(1)计算出渗透系数 $k_P$，可以直接与实验测量的皮肤渗透率对比。水滴/水通道的识别：聚类分析原理：对轨迹中的每一帧，计算所有水分子（或CG水珠）之间的距离。如果两个水分子距离小于阈值（CG为0.66 nm，AA为0.35 nm，这些阈值来自水的径向分布函数的第一个极小值），它们就被标记为”相邻”，属于同一个簇。水滴的定义：含有10个以上CG水珠（即30个以上水分子）的簇被定义为”水滴”。小于这个阈值的簇被认为是”自由”水或瞬时涨落，不算稳定的水滴。动态追踪：通过比较连续帧中水分子的簇归属，可以追踪水分子在水滴、水层和自由态之间的交换事件，这揭示了水滴的动态稳定性（表4、表5）。结果与分析 1. SPP双层模型：有序与无序的界面首先，作者构建并模拟了一个简化的SPP模型，该模型由CER[EOS], CER[NS], 胆固醇和FFA组成。图1：皮肤脂质模型双层的结构与渗透性。 (A-D) 全原子模拟快照，分别展示了四种主要脂质成分：CER[EOS] (灰色)、CER[NS] (蓝色)、胆固醇 (粉色) 和山萮酸 (青色)，氢原子已隐藏；每个子图右侧显示单个分子的结构及其粗粒化表示示意图。(E) 双层膜的电子密度分布（黑线）和末端甲基的密度分布（蓝线），橙色线标记有序-无序区域的边界位置。(F) 计算得到的皮肤渗透系数 kP（蓝色菱形）与 Potts-Guy 经验公式估计值（红色圆圈）对实验值的对比；方块标记为甘露醇的数据。log(kP) 的均方根误差分别为 0.73（计算值）和 0.72（经验值）。双层膜的”三明治”结构结构特征：长时间的全原子模拟（1.5 μs）揭示了一个令人惊讶的非均质结构：外层（固态有序区）：两侧是高度有序的”固态”外层（类似于凝胶相脂质），主要由CER和FFA的饱和碳链构成。这些长链像紧密排列的”栅栏”，链间的范德华力极强，侧向扩散缓慢（<0.2 nm²/μs）。核心（液态无序区）：膜中心是一个流动性很强的”液态”无序核心（类似于液晶相），主要由CER[EOS]的不饱和亚油酸尾链（C18:2）和少量胆固醇组成。不饱和双键导致链扭结，无法紧密排列，形成高度流动的区域。关键界面：有序-无序的界面位于距离膜中心约1.25 nm处（由电子密度曲线的拐点定义，图1E）。这个位置恰好对应饱和链末端甲基的分布峰。为什么会形成这种结构？这源于CER[EOS]的独特化学结构：它的C30饱和链很长，倾向于伸展并参与外层的有序排列；但它的C18不饱和亚油酸链（通过酯键连接）则”讨厌”有序环境，倾向于卷曲在膜中心。这种分子内的”矛盾”创造了宏观上的相分离。小编锐评：有CER[EOS]是不是就不能用SPP了。。渗透能垒的真正位置亲脂性渗透的精确预测：计算方法：作者计算了8种亲脂性小分子（辛醇-水分配系数 $K_{ow}$ 从0.2到5000）的PMF曲线（图S8）。每个分子都显示出单一的自由能峰，位于z ≈ 1.25 nm，恰好对应有序-无序界面。能垒的物理意义：小分子要从水相进入膜，首先遇到的是外层有序区，这里链紧密排列，小分子很容易”溶解”进去（PMF下降）。但当它试图进入中心无序区时，需要拨开周围紧密排列的饱和链，这需要克服熵力能垒——这就是主要的渗透障碍。扩散系数的位置依赖性：作者测量了5种亲脂性小分子在膜中不同位置的局部扩散系数 $D(z)$（图S8）。虽然 $D(z)$ 在膜中略有下降（水层中为1-3 nm²/ns，膜中心降至0.7-1.4 nm²/ns），但变化幅度远小于PMF的变化（几个 $k_BT$）。这说明能垒主要是热力学 (熵)效应，而非动力学 (扩散)限制。更重要的是，扩散系数与分子量的关系符合经典的Potts-Guy经验公式（$\log D = A - 0.0061 \times \mathrm{MW}$），验证了本文简化渗透模型的合理性。与实验的惊人一致：通过拟合公式(2)，计算的渗透系数与人体皮肤实验值的相关系数 $r^2 = 0.89$（图1F）。这证实了SPP模型+有序-无序界面确实能够定量描述亲脂性分子的渗透。甘露醇悖论：巨大的偏差：对于强亲水性分子甘露醇，模型预测的渗透系数为 $1.6 \times 10^{-7}$ cm/h，而实验值为 $3.7 \times 10^{-5}$ cm/h——低估了230倍！不是模型失败，而是路径不同：这个偏差与其他基于均质脂质双层的计算结果一致。它强烈暗示：亲水性分子根本不走脂质双层这条路，而是利用某种我们尚未在模型中捕捉到的”秘密通道”。这为后续发现间质水滴/水通道埋下了伏笔。 2. 加热诱导的相变：水滴与水通道的雏形实验设计的巧思为了加速结构转变并探索亚稳态结构，作者设计了一项巧妙的”加热-退火“全原子模拟，模拟了实验室制备皮肤脂质样品的常用热处理过程：初始结构：构建了一个由四层水合双层膜堆叠而成的大体系（16×16×32 nm³或24×24×32 nm³），代表了高度有序的多层层状相（图2A）。加热阶段：将系统加热至95℃并维持0.25 μs。为什么是95℃？这个温度远高于大多数神经酰胺的熔点（约60-85℃），足以打破脂质链间的范德华力，使分子获得足够的动能进行大尺度重排。为什么用全原子？虽然CG模拟更快，但作者希望保留氢键等精细相互作用，以准确捕捉水分子在脂质重排过程中的行为。退火阶段：迅速冷却回30℃（生理温度）并弛豫1.8 μs，观察系统会”冻结”在什么样的亚稳态结构中。半融合：膜融合的”半成品” 图2：经受加热的皮肤脂质双层达到半融合状态，间质水被限制在水滴或通道中。 (A) 初始多层堆叠结构。(B) 5:1水/脂比的系统在退火后形成包含连续水通道的半融合结构。(C) 2:1水/脂比的系统则形成包含孤立水滴的结构。(D) 水滴和通道的空间分布。什么是半融合？半融合 (hemifusion) 是膜融合过程的中间态：相邻双层膜的外层发生融合，形成了连续的脂质单层；但内层仍然保持独立 (图2B-C)。这是膜融合研究中的经典结构，常见于病毒入侵等过程。半融合的形成机制：加热使脂质链”熔化”，膜变得柔软且易弯曲。相邻双层膜在热涨落驱动下在多个位置发生局部接触。接触点处的外层脂质”流”到一起，形成半融合区域。 SI图S10-S12的时间演化显示，去质子化的FFA (COO⁻) 通过 Na⁺ 离子桥接，显著促进了膜间粘附。这揭示了一个重要机制：pH和离子强度可以调控皮肤屏障的相行为。水的命运：含水量决定结构高含水量 (5:1水/脂比)：水形成了连续的通道 (图2B)。物理图像：半融合区域形成了类似”反相六方相”的结构，其中脂质头基朝内排列，形成管状通道，水在管中流动。这是稳定的吗？由于水含量过高，这种结构在生理条件下可能不稳定，但它证明了皮肤脂质有形成水通道的内在倾向。生理含水量 (2:1水/脂比)：水被包裹在脂质核心中，形成了孤立的水滴 (图2C-D)。关键发现：原本位于双层之间的界面水层在半融合过程中被”挤压”和重新分配。一部分水被”困”在脂质核心中，被脂质头基包裹，形成反相胶束状水滴。水滴的形态：图2D显示，这些水滴呈球形，直径约1-2 nm，散布在脂质基质中。它们的大小和分布与后续自组装模拟的结果高度一致（图3）。启示：任何能够引起膜局部结构剧烈重排的事件（热、机械应力、化学物质）都有可能将界面水”包裹”到疏水核心中，从而创造出亲水性渗透路径的雏形。这为理解超声波、微针等物理促渗方法提供了分子机制。 3. 自组装模拟：LPP厚度与间质水滴的自发形成模拟策略：从混沌到有序为了探索更接近真实LPP的结构，作者设计了长时间的CG自组装模拟。关键的创新在于初始构象的选择：三明治起始结构：顶部和底部各有一个预组装的脂质单层（头基朝外），中间夹着 15 nm 厚的完全随机混合的脂质和水（图3A，视频S1）。设计意图：预组装的单层作为模板，模拟真实SC中角质细胞表面结合的脂质层，引导中心区域的脂质向其靠拢。中心的随机区域让系统有充分的自由度去探索不同的相结构（层状、六方、胶束等）。水缓冲层（外侧）允许体系在各向异性压力耦合下自由调整形状，避免周期性边界条件的人为限制。两个对照实验：脱水模型（模拟III）：对中心±6 nm范围内的水分子施加排斥势，阻止水进入脂质核心，模拟低湿度条件。水合模型（模拟I、II）：允许水自由扩散，模拟正常生理湿度。小编锐评：这个就算是强行给里面塞水呗，但不知道真实形成的能垒如何水的存在改变了一切图3：自组装的~13 nm层状结构，包含或不含间质水滴。 (A) 初始随机构象。(B) “脱水”模型最终形成的均一厚度的层状结构。(C) “水合”模型形成的厚度不均的层状结构。(D) (C)中水滴的放大图。(E) 水滴数量和半径随时间的演化。(F, G) 两次独立模拟中水滴的最终平面分布。(H) 由多个单元复制得到的多层结构。脱水模型的结果（图3B）：脂质在0.5-2 μs内逐渐从中心迁移到表面，厚度从15 nm收缩到 13 nm，恰好与实验测得的LPP厚度一致。最终形成的是均一、对称的层状结构，脂质头基集中在±6 nm处（图4，虚线）。这是理想的LPP吗？厚度对了，但内部结构过于简单——缺少实验观察到的±2 nm处的内层头基峰。水合模型的惊人发现（图3C-D）：最终结构呈现厚度不均：厚区约11 nm，薄区约6 nm（类似SPP）。关键观察：在厚区内部，水分子自发聚集形成了 20个左右的球形水滴（图3D），直径约2.6 nm（半径1.3 nm）。水滴的本质：这些不是随机涨落，而是反相胶束——脂质头基朝内，包裹着水核，疏水尾链朝外，与周围的有序脂质链接触（图5A）。水滴形成的动力学：成核、生长与平衡成核与生长过程（图3E）： 0-0.5微秒（成核期）：水滴数量快速增加，从0增至约20个。机制是经典的成核与生长：随机分布的水分子通过扩散相遇，形成小簇（”核”），小簇继续捕获附近的水分子而长大。 0.5-5微秒（平衡期）：水滴数量基本稳定，半径逐渐收敛到 1.3 nm。这表明系统已经达到了一个亚稳态平衡。普适性验证：SI中三组不同条件的模拟（2:1水/脂AA、5:1水/脂AA、10:1水/脂CG）的水滴尺寸分布峰值都在1.3 nm（图S19），证明这个尺寸不是偶然，而是由热力学稳定性决定的普适特征。水滴的空间分布（图3F-G）：准六方格子：两次独立模拟中，水滴在层状平面上的分布都呈现局部的六方堆积，但缺乏长程有序。滴间距离：相邻水滴间隔约3-5 nm，恰好是一个SPP双层膜的厚度。这意味着水滴之间被薄的脂质壁分隔，这些壁与SPP的结构类似。脂质分布的秘密图4：13 nm层状结构中各种脂质的分布。横坐标”Lamellar normal”是垂直于层状平面的坐标，0点代表层状结构的中心。曲线显示四种脂质（A: CER[EOS], B: CER[NS], C: 胆固醇, D: 山萮酸）的头基数量密度在”脱水”（虚线）和”水合”（点线）模型中的分布。外层峰 (±6 nm)：两个模型都有，对应外层脂质的头基。内层峰 (-2到+2 nm)：只有水合模型有！这些是包裹水滴的脂质头基。物理意义：水滴的存在迫使脂质头基向内弯曲，形成了一个全新的脂质-水界面。这正是反相胶束的特征。与LPP的联系：实验的中子衍射数据也显示±2 nm处有头基分布峰（虽然强度较弱）。本研究首次在分子层面揭示：这些内层峰可能来自包裹间质水滴的脂质头基！脂质的选择性富集： FFA富集在中心 (图4D)：它的单链结构和小头基使其更适合形成反相结构。胆固醇略富集在距中心约4 nm处 (图4C)：位于外层有序区和内层无序水滴区的交界处，可能起”缓冲”作用。神经酰胺主导外层 (图4A-B)：它们的大头基和双链结构更适合形成平坦的双层。 4. 水滴的稳定性与形成通道的能量学理论模型：界面张力 vs 弯曲弹性这些在CG模拟中发现的水滴是否真的稳定？为什么半径总是收敛到1.3 nm？作者构建了一个精巧的连续介质力学模型，将复杂的分子相互作用简化为两个宏观参数：自由能公式（Helfrich模型）： \[F(S) = \int_S \left[ \gamma + \frac{K_c}{2}(c - c_0)^2 \right] \mathrm{d}A_S\] 界面张力 $\gamma$：水-脂界面的表面能，类似于水滴在空气中的表面张力。作者使用 1-辛醇/水界面张力 γ ≈ 8.5 mN/m 作为估计（因为脂质尾链的疏水性与长链醇类似）。每增加1 nm²的水-脂界面，系统就要”付出”约8.5×10⁻²¹ J（约5 kcal/mol）的能量代价。这个项驱使水滴尽可能小以减少表面积。弯曲模量 $K_c$：脂质层抵抗弯曲的能力。通过计算SPP双层膜的面积压缩模量 ($K_A$ = 273±35 mN/m)，再用聚合物刷模型估算出 $K_c$ = 9.5±1.2 kcal/mol。这个项惩罚过度弯曲，驱使水滴朝着某个”舒适”的曲率半径（即自发曲率半径 $r_0$）生长。自发曲率 $c_0$：脂质”喜欢”的曲率。作者根据之前从皮肤渗透实验数据反推的水通道半径分布（峰值2.7 nm），取 $r_0$ = 2.7 nm。图5：水滴在层状核心中是亚稳态的。 (A, B) CG和AA模拟快照。(C) 不同模型计算的膜厚度。(D) 水滴能量随半径变化的理论曲线。(E) 大水滴收缩速率与能量梯度的关系。(F) 水滴变形为圆柱形（通道）的能量图。 1.3 nm：热力学稳定性的”甜蜜点” 能量曲线 (图5D)：对于球形水滴，$F(r)$ 在 $r^*$ = 1.3 nm 处有一个局部极小值（亚稳态）。物理解释：在小于1.3 nm时，界面张力占主导，水滴倾向于”长大”以降低单位水分子的表面能；在大于1.3 nm时，弯曲能惩罚变强（曲率偏离 $c_0$ 太多），水滴倾向于”缩小”。两者的平衡点就是1.3 nm。与模拟的完美契合：这个理论预测值与CG自组装、AA加热退火、以及多个独立CG运行的水滴半径观测值完全一致 (图5C)。动力学验证：大水滴会缩小 (图5E) 作者人为构建了含有更大水滴的体系（半径1.4-2.0 nm），然后模拟它们的演化。观察：所有大于1.3 nm的水滴都自发收缩，收缩速率 ($\mathrm{d}r/\mathrm{d}t$) 与理论能量梯度 ($\mathrm{d}F/\mathrm{d}r$) 成线性关系 (图5E)。时间尺度：收缩的时间常数为75-100 μs——这比水分子在水滴和水层间的交换时间（约1 ns）慢了75000倍！律速步骤（Rate-limiting step）：不是水分子的扩散，而是包裹水滴的脂质头基的重排。脂质分子要”松开手”，让水滴缩小，需要克服分子间的氢键和范德华力，这是一个缓慢的过程。这再次证明水滴是被脂质骨架稳定的结构，而非简单的水团聚集。通道形成：可能，但稀有圆柱形通道的能量图 (图5F)：作者计算了水滴拉伸成圆柱形”胶囊”（半径 $r$，长度 $L$）的自由能 $F(r, L)$。关键发现：要让一个半径1.3 nm的水滴拉伸成长度6 nm的通道（足以连接相邻水滴），需要克服 33-43 kcal/mol 的能量势垒（蓝色区域）。如果允许体积变化（即从外部水层”吸”更多水进来），能垒降至 33 kcal/mol；如果体积固定（恒定水滴大小），能垒为 43 kcal/mol。这个能垒有多高？在室温下（30°C），热涨落的典型能量是 $k_BT$ ≈ 0.6 kcal/mol。要靠纯热涨落越过33 kcal/mol的能垒，概率为 $\exp(-33/0.6)$ ≈ $10^{-24}$——几乎不可能。这解释了为什么在平衡态下，模拟中观察到的都是孤立水滴，而非连续通道。但并非不可逾越：促渗剂的作用：乙醇、油酸等促渗剂能够降低界面张力或改变弯曲模量，从而降低能垒。例如，若 γ 降低30%，能垒可能降至20 kcal/mol，使通道形成概率提高约 $10^7$ 倍。机械力的助力：超声波（频率20 kHz，周期50 μs）的振动周期与水滴-水滴水交换时间（40 μs，表5）相当。振动可以通过周期性压缩脂质层，反复将水滴推近，增加融合概率。根据原文估算，超声波提供的能量密度（>3 J/cm²）远超单个水滴通道化所需能量（约 $10^{-4}$ J/cm²），足以促成大量通道形成。层间相互作用：水滴融合的另一途径图6：脂质层状结构的相对运动促进水滴融合。当模拟一个包含两层、布满水滴的层状结构时，层间的相对滑动会压缩水滴的分布空间，导致一些小水滴融合形成更大的水滴。SI中的3D反相胶束相演化显示，在不到10 μs内，初始的8个孤立水滴中有6个融合成片层状域。实验设计：复制图3的单层模拟快照两次，堆叠成两层，观察多层系统中的水滴动力学（模拟VI）。观察：层间相对滑动压缩了水滴的二维分布空间，使原本分散的水滴被”挤到一起”。 1 μs内，水层厚度趋于均匀化（适应不规则的脂质表面波动）。 5 μs后，水滴数量从初始的38个减少到30个，中位半径仍稳定在1.3 nm (图6C)。融合机制：当两个水滴被挤到距离 <1 nm 时，它们之间的薄脂质壁被”挤破”，水滴合并。合并后的大水滴随后通过释放水分子（到外层或其他水滴）缓慢收缩回1.3 nm。生理意义：真实SC中，角质细胞表面的起伏、外界机械应力（如皮肤拉伸）都可能导致层间相对运动，从而动态地促进水滴融合和通道形成。这提供了一个不依赖促渗剂的、内源性的亲水渗透路径调节机制。 5. 多相共存模型：统一的屏障功能图景图7：皮肤脂质基质中不同相结构的示意图。 (A) 层状-SPP（双层）：致密有序的双层膜结构，主要由饱和链脂质构成。(B) 层状/反相六方相（通道）：在高水合条件下形成的连续水通道，脂质头基朝内排列。(C) 层状/反相胶束相（水滴）：在生理水合条件下形成的孤立水滴，被脂质头基包裹在疏水核心中。(D) 层状（无序核心）：含有流动性强的液晶相核心的双层结构。(E) 层状-LPP（有序核心）：厚层状结构，具有更有序的核心区域。本研究的核心贡献在于揭示了皮肤脂质基质并非单一均质的疏水屏障，而是多种相结构动态共存的复杂体系：主体结构：致密的层状相（SPP和LPP）提供了对亲脂性分子的主要屏障功能。亲水缺陷：在层状基质中镶嵌的间质水滴和瞬时水通道为亲水性分子提供了替代渗透路径。动态平衡：这些结构并非静态，而是在热力学驱动下不断调整，响应环境湿度、温度和外部干预（如促渗剂）的变化。这一统一模型首次在分子层面解释了为何亲水性大分子的实测渗透率远高于基于均质脂质双层模型的预测值，为理解皮肤屏障功能和开发透皮给药策略提供了坚实的理论基础。 Q&A Q1: 这项研究提出的“间质水滴”模型，与之前关于皮肤屏障的“砖墙-灰浆”模型是什么关系？ A1: 这个模型不是要推翻“砖墙-灰浆”模型，而是对其核心——“灰浆”（脂质基质）——进行了前所未有的精细化描绘。传统模型：将脂质“灰浆”视为一个均一的、连续的疏水层。本文模型：揭示了“灰浆”本身是非均一的、多相共存的。它主体上是一个致密的疏水屏障（层状脂质），但内部镶嵌着离散的、亚稳态的亲水性“微缺陷”（即间质水滴）。这个模型更动态，也更真实地反映了皮肤作为一种生物材料，需要在提供屏障功能的同时，保持一定的可塑性和对环境（如湿度）的响应能力。 Q2: 为什么粗粒化(CG)模拟能够观察到自组装和水滴形成，而全原子(AA)模拟不能？ A2: 关键在于时间尺度和计算成本。 CG模拟：通过简化原子表示（多个原子合成一个“珠子”），大大减少了计算量，使得模拟可以达到微秒(µs)甚至更长的时间尺度。脂质的自组装、相分离和水滴的成核与生长，这些都是缓慢的、需要大范围分子重排的过程，只有在微秒级的时间尺度上才能充分发生。 AA模拟：提供了最高的精度，但计算成本极其高昂，通常只能模拟纳秒(ns)到几微秒的尺度。在这个时间尺度上，系统往往来不及发生大规模的自组装，只能观察到基于初始构象的局部弛豫和性质。因此，本文巧妙地使用CG模拟来探索宏观的相行为，然后用AA模拟来精确计算特定构象下的物理性质（如渗透能垒）。 Q3: 文中提到加热模拟导致了“半融合(hemifusion)”，这个过程对于理解水通道的形成有什么启示？ A3: “半融合”是指两个相邻的脂质双层膜的外层发生融合，而内层仍然保持独立。在这个过程中，原本分隔两个双层的水层被“挤压”和重新分配。模拟显示，这些被挤压的水在脂质核心中形成了通道或水滴。这提供了一个重要的启示：任何能够引起膜局部结构剧烈重排的事件（无论是热、机械应力还是化学物质），都有可能将界面水“包裹”到疏水核心中，从而创造出亲水性路径的雏形。这为理解超声波、微针等物理促渗方法为何能增强亲水性药物渗透提供了可能的分子机制。关键结论与批判性总结潜在影响统一了皮肤渗透理论：首次提出了一个能够同时解释亲脂性和亲水性物质渗透路径的统一分子模型，解决了长期以来理论预测与实验观察之间的矛盾。为药物递送提供新靶点：揭示了间质水滴/水通道是亲水性大分子药物渗透的潜在”高速公路”。这意味着，未来开发新型透皮促渗剂的策略可以从”破坏整个屏障”转向特异性地稳定或诱导这些水通道的形成，从而实现更高效、更安全的药物递送。推动了计算皮肤科学的发展：展示了多尺度模拟在研究复杂生物屏障中的巨大潜力，为皮肤科学领域从宏观现象描述转向微观机制探究提供了强大的计算工具。研究局限性简化的脂质模型：尽管比以往的模型复杂，但本研究使用的仍然是一个简化的四组分混合物。真实角质层中上百种不同链长和头基的脂质所带来的化学复杂性，可能会对水滴的形成和稳定性产生更精细的调控。粗粒化力场的精度：CG模拟的结果依赖于力场参数的准确性。虽然本研究使用的SDK模型已被广泛验证，但它在描述某些特定的相互作用（如氢键）时仍然存在近似，可能会影响对水滴界面结构的精确描述。未考虑蛋白质和角质细胞：模型忽略了角质细胞包膜上共价结合的脂质以及角蛋白等蛋白质成分，这些都可能作为“锚定点”或模板，影响脂质的局部组织和水通道的形成。未来方向模拟扩展方向促渗剂的作用机制：利用该模型，可以直接在模拟中加入乙醇、油酸等经典的化学促渗剂，观察它们是如何影响水滴的形成、融合以及通道的稳定性的。预测：促渗剂可能通过降低界面张力 $\gamma$ 或改变弯曲模量 $K_c$，将水通道形成的能垒从33-43 kcal/mol降至20 kcal/mol左右，使通道形成概率提高约 $10^7$ 倍。疾病状态的模拟：通过改变脂质组成（例如，减少长链神经酰胺的比例）来模拟特应性皮炎等皮肤病状态，研究其屏障功能受损是否与间质水滴的异常增多或融合有关。可实验验证的预测间质水滴的直接观测：使用改进的冷冻电镜（cryo-TEM/cryo-EM）技术，在高湿度处理的皮肤脂质样品中寻找 ~1.3 nm 的水滴结构已有部分cryo-EM图像显示了类似的纳米级水滴特征，但分辨率有待提高预测：在生理湿度下，应观察到直径2.6 nm（半径1.3 nm）的球形水滴，密度约为5-10个/100 nm² 湿度依赖的相变研究：在不同相对湿度（RH = 30%, 60%, 90%）下测量皮肤脂质样品的小角X射线散射（SAXS）预测相变序列：低湿度（30% RH）：均一LPP相，只有13 nm的主衍射峰中等湿度（60% RH）：LPP + 弱衍射峰（来自水滴引起的周期性扰动）高湿度（90% RH）：连续相变，出现反相六方相特征峰（水通道）物理促渗方法的机制验证：超声波频率匹配：模拟预测20 kHz超声波（周期50 μs）与水滴-水层交换时间（40 μs）接近，可能通过”共振”促进水滴融合实验设计：比较不同频率（10 kHz, 20 kHz, 40 kHz）超声波对亲水性药物渗透率的影响，验证是否存在最优频率温和促渗策略：开发特异性稳定或诱导水通道的新型促渗剂，只为亲水性药物开”门”，而不破坏整体屏障功能注：详细的公式推导、方法学细节和补充图表分析请参见附录文档。

Specific Sytems · 2025-10-20

附录：核心公式与理论推导

附录：核心公式与理论推导本文档是《皮肤屏障的”水之道”：分子模拟揭示脂质相共存如何稳定间质水》的技术附录，包含详细的公式推导、方法学细节和补充图表分析。一、ABF（见上一篇）二、渗透系数的计算方法详解本文中，渗透系数（$k_p$）的计算基于非均匀溶解-扩散模型，并结合经验公式进行校准。 2.1 基于自由能和扩散系数的经典模型理论上，渗透系数的倒数，即 resistance（$R$），可以通过对膜内各处的 local resistance 进行积分得到： \[\frac{1}{k_p} = R = \int \frac{\exp(\Delta G(z) / k_B T)}{D(z)} \mathrm{d}z\] 这个公式的物理意义是，总的穿膜 resistance 是膜内每一点的 local resistance 之和。Local resistance 由两部分决定： $\exp(\Delta G(z) / k_B T)$：这部分代表”溶解“的难度。$\Delta G(z)$ 是分子在膜内$z$位置相对于在水中的自由能（即PMF）。这个值越大，分子越不愿意待在这个位置，相当于溶解度越低，resistance 越大。 $1/D(z)$：这部分代表”扩散“的难度。$D(z)$ 是分子在膜内$z$位置的局部扩散系数。扩散越慢，resistance 越大。 2.2 本文采用的简化与经验校准模型由于直接计算$D(z)$的复杂性和不确定性，作者采用了一种更巧妙的简化模型。他们发现，对于所研究的亲脂性小分子，其在膜内的平均扩散系数 $D$ 主要与分子量（MW）有关，且与经典的Potts-Guy经验公式（$D \sim \exp(-0.0061 \times \mathrm{MW})$）高度一致。因此，他们将渗透过程简化为由一个关键能垒控制的过程。 \[k_P = \frac{D}{\lambda_0} P_{liq}\] 2.3 公式的通俗解释这个公式可以这样理解：一个分子的渗透系数 $k_P$ 由三个因素共同决定： $D$（它能跑多快）：这是分子的平均扩散系数，主要由其大小决定。 $\lambda_0$（它要跑多远）：这是一个有效路径长度。它不只是膜的厚度，还考虑了分子在膜内迂回曲折的路径，因此通常比膜厚度大得多。这是一个需要通过实验数据来校准的经验参数。 $P_{liq}$（它进入”赛道”的概率）：这是最关键的创新点。作者假设，渗透并非在膜的任何地方都能发生，而是主要通过流动性更强的液态无序核心区。因此，$P_{liq}$ 代表了分子从有序区成功进入这个无序”赛道”的概率。这个概率可以通过分子穿过有序-无序界面所需的自由能垒 $\Delta G_{o/d}$ 来计算： \[P_{liq} = \exp(-\Delta G_{o/d} / k_B T)\] 最终，作者通过对一系列已知渗透性的分子进行MD模拟，计算它们的 $\Delta G_{o/d}$ 和 $D$，然后与实验的 $k_P$ 值进行线性回归，最终拟合得到了经验参数 $\lambda_0 \approx 59 \mu m$，从而建立了一个完整的预测模型。三、加热-退火模拟的详细过程 3.1 模拟的目的加热-退火模拟是一种经典的计算方法，用于探索系统的亚稳态结构。在实验中，合成皮肤脂质样品时经常需要加热来加速脂质混合和相转变。因此，作者通过模拟这一过程来研究在高湿度条件下，水分子如何重新组织。 3.2 初始结构的构建作者首先构建了一个由四层水合双层膜堆叠而成的大体系。具体步骤如下：单个双层膜的准备：使用前面提到的1:1:2:2 CER[NS]/CER[EOS]/CHOL/FFA组成，构建一个平衡的水合双层膜（如图1所示的SPP模型）。垂直堆叠：将这个双层膜沿着膜法线方向（Z轴）复制4次，形成4层双层膜的堆叠结构。每两层膜之间有一个水层分隔。体系尺寸：小体系：16 × 16 × 32 nm³ 大体系：24 × 24 × 32 nm³ 水/脂比：模拟了两种含水量： 5:1 水/脂比（较高湿度） 2:1 水/脂比（生理性湿度） pH条件：模拟了两种pH：低pH：所有游离脂肪酸（FFA）都质子化中性pH：50%的FFA质子化，50%去质子化 3.3 加热阶段（95°C，0.25 μs）温度升高：将体系从30°C升温至95°C。这个温度远高于大多数神经酰胺的熔点（通常在60-90°C）。为什么选择95°C：打破有序脂质链的堆积增加脂质分子的动能和流动性促进不同双层膜之间的接触和融合加速水分子的重新分配时间尺度：0.25 μs（250 ns）足够让脂质发生大规模重排，但不至于完全破坏膜结构。观察到的现象：相邻双层膜在多个接触点发生半融合（hemifusion）外层脂质单层融合，但内层仍保持独立原本分隔双层膜的水层被”挤压” 3.4 退火阶段（30°C，1.8 μs）温度降低：将体系从95°C缓慢冷却回30°C（生理温度）。为什么需要退火：让系统从高温的无序状态”凝固”到某个亚稳态结构观察水分子在冷却过程中如何重新组织模拟实验中样品制备后的冷却过程时间尺度：1.8 μs是一个相当长的弛豫时间，足以让脂质重新排列成稳定的构象。最终结构：高含水量（5:1）：形成连续的水通道，贯穿整个脂质基质低含水量（2:1）：形成孤立的水滴，被脂质头基包裹在疏水核心中 3.5 为什么不形成标准的LPP 在退火后的结构中，虽然观察到了类似LPP的一些特征（如CER[EOS]的伸展构象），但整体上保留了显著的双层膜痕迹，没有完全转变为均一的13 nm厚的LPP结构。原因如下：时间尺度限制：即使1.8 μs的模拟在计算上已经非常昂贵，但对于脂质的大规模重组（特别是长链神经酰胺的重排）来说，可能仍然太短。缺乏层间模板：在真实的角质层中，角质细胞表面的共价结合脂质可能作为”模板”，引导脂质组装成LPP。模拟中缺少这种模板效应。半融合是亚稳态：半融合状态本身就是一个能量局部极小值，系统可能”卡”在这个状态，需要更长时间或额外的驱动力才能进一步演化。 3.6 水滴与水通道的形成机制关键洞察：在加热过程中，当相邻双层膜发生半融合时，原本位于膜间的水层被”困”在了融合的脂质核心中。退火后：水含量高：水分子足够多，可以形成连续的柱状通道水含量低：水分子被分散成多个孤立的球形水滴这个结果表明，任何能引起膜局部结构剧烈重排的事件（热、机械应力、化学促渗剂）都可能将界面水”包裹”到疏水核心中，从而创造亲水性渗透路径。四、水滴自由能模型的详细推导 4.1 模型的物理基础文中提到：The free energy of the surface S of a water droplet was modeled as the sum of the interfacial tension with the lipid phase and the elastic bending energy of the surrounding lipid layer. 这个模型基于两个能量贡献：界面张力能：水-脂质界面的存在需要能量（$\gamma$），类似于水滴在空气中的表面张力。弯曲弹性能：包裹水滴的脂质头基需要弯曲，偏离其自然的曲率，这需要额外的能量。 4.2 完整的自由能公式 \[F(S) = \int_S \left[ \gamma + \frac{K_c}{2} (c - c_0)^2 \right] \mathrm{d}A_S\] 其中： $\gamma$：水-脂界面张力（单位：mN/m 或 kcal/mol/nm²）本文使用水-辛醇界面张力作为近似：$\gamma \approx 8.5 \pm 2$ mN/m $K_c$：脂质的弯曲模量（单位：kcal/mol）通过SPP双层膜的面积压缩模量计算：$K_A = 273 \pm 35$ mN/m 使用聚合物刷模型转换：$K_c = 9.5 \pm 1.2$ kcal/mol $c = r_x^{-1} + r_y^{-1}$：总曲率，$r_x$ 和 $r_y$ 是两个主曲率半径对于球形水滴：$c = 2/r$ 对于圆柱形：$c = 1/r$（沿柱轴方向曲率为0） $c_0 = r_0^{-1}$：脂质头基的自发曲率（spontaneous curvature）从实验推导：$r_0 \approx 2.7$ nm 这是脂质头基在高湿度下”最舒服”的弯曲程度 $\mathrm{d}A_S$：表面积微元 4.3 球形水滴的自由能对于半径为 $r$ 的球形水滴：表面积：$S = 4\pi r^2$ 曲率：$c = 2/r$ 代入公式： \[F(r) = 4\pi r^2 \left[ \gamma + \frac{K_c}{2} \left(\frac{2}{r} - \frac{1}{r_0}\right)^2 \right]\] 展开： \[F(r) = 4\pi \gamma r^2 + 2\pi K_c \left[ 4 - \frac{4r}{r_0} + \frac{r^2}{r_0^2} \right]\] 4.4 寻找能量最小值对 $r$ 求导并令其为零： \[\frac{\mathrm{d}F}{\mathrm{d}r} = 8\pi \gamma r + 2\pi K_c \left[ -\frac{4}{r_0} + \frac{2r}{r_0^2} \right] = 0\] 整理得到最稳定半径 $r^*$ 满足： \[\gamma r + \frac{K_c}{4} \left( \frac{r}{r_0^2} - \frac{2}{r_0} \right) = 0\] 代入数值（$\gamma = 8.5$ mN/m，$K_c = 9.5$ kcal/mol，$r_0 = 2.7$ nm），求解得： \[r^* \approx 1.3 \text{ nm}\] 这与模拟中观察到的水滴平衡半径完美吻合！ 4.5 物理意义 $r < r^*$：水滴太小，界面张力占主导，系统倾向于通过吸收更多水分子来增大半径，降低单位面积的界面能。 $r = r^*$：达到平衡，界面张力与弯曲能的竞争达到最优。 $r > r^*$：水滴过大，脂质头基被迫弯曲成比 $r_0$ 更大的曲率，弯曲能惩罚很大，系统倾向于释放水分子来缩小半径。 4.6 圆柱形通道的能量对于半径 $r$、长度 $L$ 的圆柱形通道：表面积：$S = 2\pi rL + 2\pi r^2$（侧面 + 两个端盖）侧面曲率：$c = 1/r$ 端盖曲率：$c = 2/r$ 总自由能： \[F(r, L) = 2\pi rL \left[ \gamma + \frac{K_c}{2}\left(\frac{1}{r} - \frac{1}{r_0}\right)^2 \right] + 2\pi r^2 \left[ \gamma + \frac{K_c}{2}\left(\frac{2}{r} - \frac{1}{r_0}\right)^2 \right]\] 4.7 形成通道的能垒假设从一个 $r = r^* = 1.3$ nm 的球形水滴出发，保持半径不变，拉伸成长度 $L = 6$ nm（足以连接到邻近水滴）的圆柱：初始能量：$F(r^*, L=0) \approx 0$（定义为参考点）最终能量：$F(r^*, L=6 \text{ nm})$ 计算得到： \[\Delta F \approx 43 \text{ kcal/mol}\] 如果允许体积变化（即从周围吸收更多水），最优路径的能垒稍低： \[\Delta F \approx 33 \text{ kcal/mol}\] 4.8 能垒的意义稀有事件：在 $k_BT \approx 0.6$ kcal/mol（30°C）时，玻尔兹曼因子： \[P \sim \exp(-33/0.6) \sim 10^{-24}\] 这意味着在平衡条件下，水通道形成是极其罕见的事件。可促进性：但这个能垒不是不可逾越的。外部干预（如促渗剂、超声波、机械应力）可以提供额外的能量或降低能垒，显著提高通道形成的概率。五、粗粒化力场参数化细节 5.1 SDK方法的9-6 Lennard-Jones参数本研究中使用的粗粒化力场基于SDK（Shinoda-DeVane-Klein）方法，采用9-6 Lennard-Jones势能函数而非传统的12-6形式。这种选择能够更好地描述软物质体系的相互作用。为了描述神经酰胺和游离脂肪酸的头基，作者从小分子的热力学数据（密度、表面张力、水合自由能）推导了新的力场参数：核心参数表： CG粒子类型1 CG粒子类型2 LJ ε（kcal/mol） LJ σ（Å） N（酰胺NH） N 0.2430 4.0506 O（羰基C=O） O 0.3233 3.7880 N O 0.5393 3.6246 N W（水） 0.9000 4.6100 O W 0.6690 4.2166 COOH COOH 0.6500 3.0000 COOH W 0.7627 4.5418 其中： N：酰胺NH基团（神经酰胺的鞘氨醇骨架） O：羰基C=O（神经酰胺的酰胺键） W：一个CG水粒子代表3个真实水分子 COOH：羧酸基团（游离脂肪酸头基） 5.2 参数化策略小分子模型化合物：甲酰胺（NH₂CHO）和N-甲基甲酰胺（CH₃NHCHO）：用于代表神经酰胺的酰胺头基丁酸（CH₃(CH₂)₂COOH）：用于代表游离脂肪酸的羧基拟合目标：对角相互作用（同类型粒子）：拟合纯物质的密度和表面张力与水的相互作用：拟合实验水合自由能非对角相互作用：使用几何平均组合规则 pH条件限制：由于CG水模型缺少偶极矩，无法稳定COO⁻等带电头基所有CG模拟仅适用于低pH条件（FFA完全质子化）开源资源：完整力场参数：https://github.com/CG-it/ffdb-sdk 模拟输入文件生成工具（CG-it）：https://github.com/CG-it/CG-it 兼容LAMMPS软件六、六方有序性分析 6.1 六方有序参数的定义六方有序性（$ \psi_6 $）是描述脂质尾链在膜平面上二维排列规整程度的参数，定义为： \[\psi_6 = \frac{1}{N_{neighbors}} \sum_{j=1}^{N_{neighbors}} e^{i6\theta_j}\] 其中 $\theta_j$ 是第 $j$ 个最近邻原子相对于中心原子的角度。物理意义： **$ \psi_6 = 1$**：完美的六方晶格（固态有序，gel相） **$ \psi_6 = 0$**：完全无序（液态无序，liquid-disordered相） **$0 < \psi_6 < 1$**：液-固共存或液晶相 6.2 胆固醇的流动化作用通过计算不同胆固醇含量下的六方有序参数，揭示了胆固醇对脂质膜流动性的影响：胆固醇含量 AA模拟 CG模拟相态 0% 0.75 0.55 固态有序gel 30% 0.48 0.50 固-液共存 50% 0.42 0.40 液态无序Ld 物理意义：纯神经酰胺：尾链高度平行排列，形成”固态”域，链间范德华力极强加入30%胆固醇：打断神经酰胺之间的紧密堆积，引入流动性，出现固-液共存 50% CHOL：接近完全液态，与SPP核心的无序区域一致 6.3 与实验观察的联系这一分析与实验观察到的相行为高度吻合： SPP的外层区域：主要由神经酰胺和FFA组成，$ \psi_6 \approx 0.7$（高度有序） SPP的核心区域：富含胆固醇和不饱和亚油酸链，$ \psi_6 \approx 0.4$（液态无序）胆固醇的双重作用：在低浓度时（<20%）：增加膜的紧密度（”凝聚效应”）在高浓度时（>30%）：增加流动性（”流动化效应”）这种有序-无序的相分离正是SPP双层膜形成”三明治”结构的微观机制。

Specific Sytems · 2025-10-10

角质层脂质基质的动态结构缺陷与屏障功能分子机制

Specific Sytems · 2025-10-08

揭秘酒精促渗：分子模拟揭示乙醇如何打开皮肤屏障

揭秘”酒精促渗”：分子模拟揭示乙醇如何”打开”皮肤屏障本文信息标题: 乙醇增强皮肤渗透效应的分子机制：一项分子动力学研究作者: Rakesh Gupta, Yogesh Badhe, Beena Rai, Samir Mitragotri 发表时间: 2020年3月16日单位: 塔塔研究开发与设计中心 (印度)，哈佛大学 (美国) 引用格式: Gupta, R., Badhe, Y., Rai, B., & Mitragotri, S. (2020). Molecular mechanism of the skin permeation enhancing effect of ethanol: a molecular dynamics study. RSC Advances, 10(21), 12234–12248. https://doi.org/10.1039/d0ra01692f 摘要乙醇被广泛用于各种药物和化妆品配方中，以增强活性成分的皮肤渗透。尽管众所周知乙醇能够渗入皮肤并增强极性和非极性分子的渗透，但其增强皮肤渗透性的确切机制尚未完全明了。目前已提出的机制包括：从角质层（SC）中提取脂质、使SC脂质双层流化、改变SC蛋白质构象以及增强药物在SC脂质中的溶解度。本研究中，我们对由神经酰胺、胆固醇和游离脂肪酸等摩尔混合物组成的SC脂质双层，在不同浓度的乙醇水溶液存在下进行了分子动力学（MD）模拟。结果发现，乙醇通过双重作用增强双层膜的渗透性：（a）提取皮肤脂质和（b）增强脂质链的迁移性。乙醇的促渗效应源于其与皮肤脂质头基原子形成氢键的卓越能力。此外，我们使用伞形采样模拟研究了从脂质双层中提取神经酰胺（CER）和游离脂肪酸（FFA）的自由能。结果发现，在所有乙醇浓度下，提取CER的自由能远高于FFA，表明与FFA相比，CER更难被提取。最后，我们展示了在乙醇存在下，苯甲酸药物分子穿过皮肤脂质双层的过程。研究发现，乙醇在几微秒内选择性地靶向并提取皮肤脂质双层中的FFA。随后，乙醇渗透到脂质层内部，并创造出药物分子可以轻易穿过的通道。我们的观察结果（包括无约束模拟和伞形采样模拟）与文献中报道的实验结果一致。核心结论乙醇通过两种协同机制增强皮肤渗透：选择性地提取脂质（主要是游离脂肪酸FFA）和增加脂质链的流动性。乙醇与脂质头基（特别是神经酰胺CER和FFA）形成氢键的能力是其发挥作用的关键，这种竞争性氢键破坏了脂质间的紧密堆积。相比神经酰胺（CER），游离脂肪酸（FFA）更容易被乙醇从角质层脂质膜中提取出来，自由能计算和无约束模拟都证实了这一点。乙醇在提取部分脂质后，会渗透到膜的疏水核心，并形成临时性的”通道”，为药物分子（如苯甲酸）的穿透提供了路径。背景将活性成分有效递送到皮肤深层乃至全身，是透皮给药和化妆品领域的核心挑战。我们皮肤的最外层，即角质层（Stratum Corneum, SC），是这一过程的主要障碍。角质层厚度仅有10-20微米，其结构常被比作”砖墙-灰浆“模型：角质细胞是”砖块”，而填充其间的脂质基质则是”灰浆”。这个由神经酰胺（CER）、胆固醇（CHOL）和游离脂肪酸（FFA）精密堆积而成的脂质基质，构成了阻止外界物质（尤其是水溶性和大分子物质）入侵的主要防线。为了克服这一屏障，化学促渗剂（Chemical Penetration Enhancers, CPEs）的应用变得至关重要。在众多CPEs中，乙醇因其高效、安全且应用广泛而备受关注。从日常的消毒洗手液到高端的透皮贴剂，乙醇无处不在。实验已经反复证实，乙醇能够显著提高多种活性分子的皮肤渗透率。然而，“乙醇如何做到这一点”的分子机制却一直存在争议。学术界提出了多种假说：它是否像溶剂一样“溶解”并提取出角质层中的脂质，从而“拆解”这堵墙？还是它只是“混入”脂质中，使其变得更加流化和无序，从而让药物分子更容易“挤”过去？亦或是它改变了角质层中蛋白质的构象？这些机制可能并非相互排斥，而是在不同浓度下协同作用。由于实验手段难以在原子和分子水平上直接观察这一动态过程，我们对乙醇作用的理解仍然是零散和不完整的。关键科学问题本文旨在利用全原子分子动力学（MD）模拟，在分子水平上系统性地、定量地回答以下核心科学问题：乙醇浓度效应：不同浓度的乙醇水溶液（从0到100%）是如何逐步影响角质层脂质双层膜的宏观结构和稳定性的？是否存在一个”阈值”浓度，在此之上膜的破坏会急剧加速？作用机制的区分：乙醇促渗的主要机制究竟是脂质提取还是膜结构流化？或者两者皆有？它们各自在不同浓度下的贡献是怎样的？作用的靶点选择性：在神经酰胺、胆固醇和游离脂肪酸这三种主要脂质中，乙醇是否对某一种有优先作用？如果是，为什么？这种选择性作用背后的热力学驱动力是什么？药物渗透通路：在乙醇作用下，药物分子（本文以苯甲酸为例）是如何穿过原本致密的脂质屏障的？乙醇是仅仅增加了膜的流动性，还是主动地在膜中开辟了新的”通道“？创新点系统性的浓度研究：首次通过长时间（微秒级）的MD模拟，系统地研究了从0到100%全浓度范围的乙醇对角质层脂质模型的影响，提供了连续变化的动态图像。机制的定量区分：结合无约束模拟（观察自发过程）和增强采样模拟（计算自由能），从结构和能量两个维度定量地区分了”脂质提取”和”膜流化”两种机制，并揭示了它们之间的协同关系。靶点选择性的热力学证据：通过计算提取不同脂质（CER vs. FFA）的自由能（PMF），首次从理论上定量证明了乙醇优先提取游离脂肪酸（FFA）的热力学倾向性，并解释了其原因。药物渗透路径的可视化：通过引入药物分子（苯甲酸）的模拟，直观地展示了乙醇在提取脂质后，如何渗透进入膜核心并形成瞬时通道，从而促进药物穿透的全过程。研究内容方法详述本研究采用了一套结合无约束模拟和增强采样的多层次MD模拟策略，以全面探究乙醇的作用机制。 1. 模型构建皮肤脂质双层模型：采用先前研究中已验证的等摩尔比CER-NS:CHOL:FFA三组分模型。其中，神经酰胺使用CER-NS（N-二十四烷酰基鞘氨醇），游离脂肪酸使用木蜡酸（C24:0）。这是一个广泛用于模拟角质层短周期相（SPP）的经典模型。溶剂环境：构建了8个不同乙醇摩尔分数（$x$，指乙醇在乙醇-水溶剂中的摩尔分数）的环境，浓度范围从$x=0.1$到$x=1.0$。表1：不同模拟体系中乙醇和水分子的数量乙醇摩尔分数 (x) 水分子数乙醇分子数 0.1 4608 512 0.2 4096 1024 0.3 3584 1536 0.4 3072 2048 0.5 2560 2560 0.6 2048 3072 0.8 1024 4096 1.0 0 5120 药物分子：选择苯甲酸（benzoic acid）作为模型药物，用于最终的渗透模拟。 2. 模拟参数与流程软件与力场：所有模拟均使用 GROMACS 软件进行。力场采用 GROMOS 和 Berger 的混合力场，其中脂质尾链的亚甲基基团被处理为联合原子。水分子使用 SPC 模型。这是一个在脂质模拟中被广泛验证的力场组合。无约束模拟（Unrestrained Simulation）：将预平衡的脂质双层置于不同浓度的乙醇-水盒子中。进行能量最小化，随后在NVT系综下进行5 ns的溶剂弛豫（脂质位置约束）。逐步撤销约束，在NVT下再平衡5 ns。在NPT系综下（305 K, 1 bar）进行20 ns的无约束平衡。最后进行长达 1.0 μs 的生产模拟。温度和压力分别由 Nosé-Hoover 和 Parrinello-Rahman 算法控制。伞形采样模拟（Umbrella Sampling）：用于计算提取单个脂质分子（CER或FFA）的自由能曲线（PMF）。通过慢速（0.02 nm/ps）恒速拉伸，从平衡构象中沿Z轴（膜法线方向）将一个脂质分子拉出膜，每隔0.2 nm保存一个构象作为伞形采样的窗口。对每个窗口的构象进行5 ns的平衡和 20 ns 的生产模拟，并使用WHAM方法构建最终的PMF曲线。为确保统计的可靠性，每个浓度下都从4个不同的初始XY位置拉伸2个分子，共进行8次独立的系列模拟。结果与分析乙醇浓度对膜结构的宏观影响通过对1 μs的无约束模拟轨迹进行分析，作者观察到了三个与乙醇浓度相关的显著现象。图1：不同乙醇浓度对双层膜结构的影响。快照取自1.0 μs模拟结束时。为清晰起见，图中未显示水和乙醇分子。CER、CHOL和FFA分别以橙色、绿色和蓝色显示。低浓度区 ($x < 0.2$): 脂质双层基本保持完整，只有极少数脂质（主要是FFA）被乙醇扰动。中浓度区 ($0.2 < x < 0.6$): 膜结构受到显著干扰。大量脂质被从双层中”拔”出并溶解到乙醇-水溶剂中。这一效应在FFA上比在CER上更为明显。高浓度区 ($x > 0.6$): 双层结构开始瓦解，变形为非层状结构，大量脂质被提取。这一“脂质提取”的现象与多种实验研究结果高度一致。乙醇选择性地提取游离脂肪酸 (FFA) 为了定量描述脂质提取过程，作者统计了在模拟过程中离开双层膜的CER和FFA分子的数量。图2：离开脂质双层的脂质数量。（a）FFA和（b）CER随模拟时间的变化。（c）不同乙醇浓度下，从双层膜中提取的脂质总数。作者在本文中定义了两种”离开”状态：一是”暂时离开双层（came out of the lipid bilayer）“，包括了所有部分或全部脱离膜但可能重新插入的事件；二是”被提取（extracted）“，特指那些完全脱离膜并进入体相溶剂的事件。结果清晰地表明： FFA更易被提取：在所有浓度下，被提取的FFA数量都远多于CER。在$x=0.2$的较低浓度下，就已经有显著数量的FFA被提取，而CER几乎没有。浓度依赖性：随着乙醇浓度的增加，FFA和CER的提取数量都随之上升，但FFA的提取量增长更快。这一定量结果首次揭示了乙醇对FFA具有明显的靶向选择性。乙醇渗透与膜内部结构变化乙醇不仅在膜表面“作案”，还会渗透到膜的内部。图3：不同组分沿膜法线方向的密度分布。该图展示了模拟最后200 ns的平均密度分布。（a）乙醇，（b）水，（c）FFA，（d）CER。乙醇的渗透：当乙醇浓度$x > 0.1$时，其密度分布图在膜中心（d=0 nm）出现明显的峰，表明乙醇已经穿透头基区域，进入了疏水核心。水的协同渗透：乙醇在进入膜内部时，会”携带”一部分水分子一同进入，这解释了为何乙醇能增强水溶性药物的渗透。脂质密度的降低：随着乙醇浓度的增加，FFA和CER的密度峰值显著下降，尤其是在$x \ge 0.8$时，FFA的密度峰几乎消失，表明其已大量脱离膜结构。而胆固醇（CHOL）在所有浓度下都未被提取，稳定地保留在膜中。乙醇导致膜内部流动性增加（流化）除了提取脂质，乙醇还通过影响脂质链的有序性来发挥作用。作者计算了脂质尾链的有序度参数（$S_z$）。$S_z=1$表示链完全伸直且垂直于膜平面，值越低代表越无序、流动性越高。公式的通俗解释有序度参数 $S_z$ 的计算公式为： \[S_z = \frac{1}{2} (3 \langle \cos^2\theta \rangle - 1)\] 其中，$\theta$ 是脂质链中特定碳原子骨架向量（通常由 $C_{n-1}$ 到 $C_{n+1}$ 的向量定义）与膜法线方向（Z轴）的夹角，$\langle \dots \rangle$ 表示对时间和分子系综的平均。这个公式衡量了脂质链相对于膜法线的排列规整程度。图4：CER和FFA链的有序度参数。（a-c）考虑了所有脂质分子的平均有序度。（d-f）只考虑仍留在双层膜内部的脂质的有序度。整体有序度下降：如图4a-c所示，随着乙醇浓度增加，所有脂质链的整体有序度都显著下降。这一下降部分是由于被提取到溶剂中的脂质变得完全无序所致。膜内部的流化：更关键的是图4d-f的结果。即使只分析那些仍然留在膜内部的脂质，它们的有序度也随着乙醇浓度的增加而降低。这证明了乙醇的渗透确实导致了膜核心的流化，增加了脂质链的运动能力。氢键网络：作用机制的核心乙醇的促渗能力根植于其形成氢键的能力。它通过与脂质头基竞争形成氢键，破坏了原本稳定的脂质间氢键网络。图5：脂质与溶剂间形成的氢键数量。 CER-乙醇 & FFA-乙醇氢键：随着乙醇浓度增加，这两种氢键的数量急剧上升。这表明乙醇分子主动与脂质头基结合。 CER-CER氢键：在所有浓度下，CER之间的氢键数量保持相对稳定。这强大的内聚力使得CER分子更难被单个”拔出”。 CER-FFA氢键：随着乙醇的介入，CER与FFA之间的氢键数量不断减少，直至消失。结论是：乙醇通过形成新的“脂质-乙醇”氢键，打破了原有的“脂质-脂质”和“脂质-水”氢键平衡。由于FFA自身的氢键网络较弱，它更容易被乙醇“俘获”并从膜中带走。自由能计算：定量证实FFA更易被提取为了从热力学上证明乙醇更容易提取FFA，作者使用伞形采样计算了将CER和FFA从膜中拉到溶剂里所需的自由能（PMF）。图6：提取CER和FFA的自由能。（a）伞形采样模拟快照。（b）不同乙醇浓度下，提取CER和FFA所需的总自由能垒。自由能垒：如图6b所示，在所有乙醇浓度下，提取FFA的自由能垒（红色曲线）都显著低于提取CER的自由能垒（黑色曲线）。例如，在$x=0.8$时，提取FFA仅需约$35 kJ/mol$，而提取CER则需要约$60 kJ/mol$。结论：这一结果为”乙醇选择性靶向FFA“提供了坚实的理论依据。提取FFA在热力学上更有利。图7：局部环境对提取自由能的影响。该图展示了被约束的脂质（CER或FFA）周围是CER（构型1）还是FFA/CHOL（构型2）时，其提取自由能的差异。结果表明，无论对于CER还是FFA，当它被其他CER分子包围时，其提取能垒都更高。这进一步证实了CER-CER之间强大的相互作用是维持膜稳定性的关键。图8：从已变形的膜中提取脂质的自由能。该图计算了在高浓度乙醇（$x=0.6$）作用下已经变形的膜中提取CER和FFA的自由能。结果显示，从变形膜中提取CER和FFA的能垒（分别为$39.25$和$25.16 kJ/mol$）远低于从完整膜中提取的能垒。这说明，一旦乙醇开始破坏膜结构，进一步的脂质提取过程会变得更加容易，形成一个正反馈循环。药物渗透机制的可视化最后，作者在一个含有乙醇（$x=0.6$）的体系中加入了苯甲酸药物分子，模拟了其渗透过程。图9：乙醇存在下药物渗透的时间演化快照。左侧为包含溶剂的侧视图，右侧为仅显示溶剂的侧视图。图10：药物渗透过程中各组分的密度分布演化。模拟过程清晰地展示了一个两步机制：第一阶段：脂质提取 (主要是 0 - 0.6 μs) FFA（自由脂肪酸）被显著提取：请看右上角的 FFA 图。在初始阶段（黑线），FFA在膜中有两个清晰的密度峰，表明它稳定存在于双层膜结构中。进入中间阶段（红线），这两个峰的高度急剧下降。这直接说明FFA分子正在大量地从它们原本所在的位置离开，即被从膜中提取出来。到了后期（绿线），FFA的峰几乎完全消失，证明提取过程非常彻底。 CER（神经酰胺）和 CHOL（胆固醇）相对稳定：再看左上角的 CER 图和中上方的 CHOL 图。在从黑线到红线的时间段内，它们的密度峰虽然也有所降低和变宽（表明膜的有序性在下降），但远没有FFA下降得那么剧烈。这说明，在模拟的早期和中期，乙醇的作用是有选择性的，它优先攻击并移除了结构中相对薄弱的FFA成分。第二阶段：通道形成与药物渗透 (主要是 0.3 - 1.0 μs) 乙醇（ETH）渗透并填充膜核心：请看中下方的 ETH 图。在初始阶段（黑线），乙醇主要富集在膜的表面（大约 d=7 nm 和 d=13 nm 处），但已经有少量开始进入膜的疏水核心（中心区域 d≈10 nm）。随着FFA被提取（红线），膜核心区域的乙醇密度开始显著增加。到了后期（绿线），膜核心区域完全被高浓度的乙醇填充，形成了一个贯穿膜的、富含乙醇的环境。这就是所谓的“通道”。药物（BEZ，苯甲酸）随之渗透：现在看最关键的左下角 BEZ 图。在初始阶段（黑线），药物分子几乎完全在膜的外部，膜核心区域的密度接近于零，说明膜的屏障功能完好。进入中间阶段（红线），恰好在FFA被大量提取、乙醇开始深入渗透的同一时期，我们可以看到药物分子开始出现在膜的核心区域。到了后期（绿线），药物分子在整个膜内（包括核心区域）的密度都已显著提高，表明药物已经成功穿透或正在穿透双层膜。水（Water）的协同渗透：右下角的 Water 图也证实了屏障的破坏。初始时（黑线），疏水核心几乎完全无水。随着乙醇通道的形成（红线到绿线），水分子的密度在核心区域也明显增加，说明膜变得更具亲水性，通透性大大增强。 Q&A Q1: 本研究为什么选择GROMOS力场而不是更现代的CHARMM36力场？ A1: 作者在方法部分提到，他们的模型借鉴了之前的研究，而那些研究主要基于GROMOS和Berger力场的组合。在计算化学领域，为了与历史数据进行比较并保持一致性，研究人员有时会继续使用经过充分验证的”旧”力场。虽然CHARMM36在许多方面可能更精确，但GROMOS联合原子力场在计算效率上更高，这对于进行微秒级的长时间模拟以及探索多种不同浓度体系来说是一个重要优势。 Q2: 伞形采样计算出的自由能垒仍然很高（>10 RT），为什么无约束模拟中还能观察到脂质自发脱离？ A2: 这是一个很好的问题，揭示了两种模拟方法的区别。伞形采样计算的是将一个脂质分子沿预设路径（Z轴）垂直拉出完整膜的自由能，这是一个高度受控的过程，遇到的阻力最大。而在长时间的无约束模拟中，乙醇的作用是协同的、多点的。多个乙醇分子同时作用于膜的不同位置，导致膜局部变形、弯曲、产生孔洞。脂质分子并非垂直”拔出”，而是可能沿着这些缺陷以更迂回、能量垒更低的路径”蠕动”出来。因此，无约束模拟观察到的自发过程，其路径不同于伞形采样，对应的能垒也更低。 Q3: 研究发现胆固醇（CHOL）在所有浓度下都未被提取，这背后的物理原因是什么？ A3: 这主要归因于胆固醇的分子结构和在膜中的定位。分子刚性：胆固醇拥有一个刚性的甾环结构，与神经酰胺和脂肪酸的柔性链不同，它像一个”刚性板”深深插入到疏水核心中，提供了主要的结构支撑。缺少强氢键位点：胆固醇只有一个-OH头基，其氢键能力远弱于拥有多个氢键供体和受体的神经酰胺，也弱于脂肪酸的羧基。这使得乙醇难以通过竞争性氢键来”捕获”它。疏水作用：胆固醇的整体疏水性极强，将其从疏水核心”拔”到水性环境中在能量上非常不利。这三点共同作用，使得胆固醇成为了角质层脂质膜中最稳定的”锚定”组分。 Q4: CER分子基本上相当于两条脂肪酸链被一个头基连在一起，它比单个FFA更难被提取出来不是很显然的吗？这个结论的深层意义是什么？ A4: 这个观察表面上直观，但其深层意义远不止”体积大”这么简单。解释如下：共价键的约束：最重要的一点是，CER的两条链是被共价键连接的。这意味着乙醇无法像对待FFA那样，只抓住一个头基就将一条独立的链”钓”出来。它必须克服将整个V形的、体积更大的分子从紧密堆积的邻居中拔出的巨大能垒和空间位阻。这不仅是两个FFA的简单加和，而是指数级的难度增加。更强的氢键网络：CER的头基（包含酰胺键和多个羟基）比FFA的单个羧基能形成更多、更强的氢键。如图5所示，CER-CER之间的氢键网络在乙醇存在下依然非常稳定。要提取一个CER分子，意味着需要同时断裂它与周围多个CER邻居形成的强大氢键网络，这个能量代价远高于断裂FFA与邻居之间较弱的相互作用。特定的堆积模式：在角质层模型中，CER的V形结构与CHOL和FFA形成了高度特异性的、犬牙交错的致密堆积。提取一个CER分子会破坏一大片区域的有序结构，而提取一个线性的FFA分子造成的局部扰动则小得多。因此，这个结论的深层意义在于，它揭示了角质层屏障的稳定性主要来源于神经酰胺分子自身的结构特征（双链共价连接）以及由它主导的强大氢键网络，而不仅仅是简单的疏水堆积。 Q5: 这项研究对化妆品或透皮制剂的配方设计有什么直接的指导意义？ A5: 这项研究为配方设计提供了两点关键的分子见解：（1）靶向性：它明确指出乙醇主要通过提取游离脂肪酸来破坏屏障。这意味着，如果一个配方中包含能与神经酰胺或胆固醇强相互作用的成分，可能会在不严重破坏屏障完整性的前提下，实现更温和的促渗。（2）通道机制：研究表明乙醇形成的”通道”是药物渗透的关键。这意味着促渗剂的作用不仅仅是增加”溶解度”，更是创造物理上的”通路”。因此，在设计促渗剂时，可以考虑那些既能与脂质头基作用，又能短暂驻留在疏水核心以形成瞬时通道的分子。关键结论与批判性总结潜在影响机制的澄清：为”乙醇作为化学促渗剂”这一经典现象提供了迄今最详尽、定量的分子机制图像，澄清了长期以来关于”脂质提取”与”膜流化”的争论，指出两者是协同作用的。靶点药物设计：揭示了游离脂肪酸（FFA）是乙醇作用的主要靶点，为未来设计更具选择性、更温和、副作用更小的化学促渗剂提供了新的思路。计算方法学：展示了如何结合长时间无约束模拟和增强采样模拟来系统性地研究复杂多组分体系，为计算药剂学和化妆品科学领域提供了优秀的研究范例。研究局限性模型简化：尽管模型包含了三大类脂质，但它仍然是一个简化模型。真实的角质层脂质包含多种不同链长的神经酰胺和脂肪酸，这种化学多样性的缺失可能会影响结果的普适性。忽略蛋白质：模型完全忽略了角质层中的角蛋白等蛋白质成分。乙醇也可能通过与蛋白质相互作用来改变其构象，从而影响屏障功能，这一机制在本研究中未被探讨。力场限制：研究使用了GROMOS联合原子力场，虽然计算效率高，但在某些细节（如氢键的精确描述）上可能不如全原子力场精确。未来方向更复杂的模型：未来的模拟可以引入更多种类的神经酰胺和脂肪酸，构建更接近真实皮肤化学组成的模型，以验证当前结论的稳健性。多组分促渗剂：研究乙醇与其他促渗剂（如丙二醇、油酸）的协同作用机制，这在实际配方中更为常见。皮肤病理模型：通过调整脂质比例（如减少神经酰胺含量）来模拟特应性皮炎等疾病状态下的皮肤屏障，研究乙醇对其影响是否与健康皮肤存在差异。小编锐评经典研究范式：本文采用的”无约束长时模拟 + 增强采样自由能计算“是研究分子相互作用机制的黄金组合。对于科研新手来说，这是一个非常值得学习和借鉴的技术流程。图表呈现：文章的逻辑清晰，但部分图的配色（如Fig. 1和Fig. 9）在今天看来略显陈旧，美观度和信息传达效率有提升空间。此外，个别图（如Fig. 2）的定量信息需要结合补充材料才能完全理解，图注本身可以更详尽一些。现象与数据的统一：必须先在构象上观察到显著的、可重复的现象，再去计算各种指标来定量描述它，否则单纯的数字计算很可能只是”投机取巧”或统计噪音。

Specific Sytems · 2025-10-07

温柔还是粗暴？揭秘两种常见表面活性剂（SDS/SLES）如何破坏你的皮肤屏障

“温柔”还是”粗暴”？揭秘两种常见表面活性剂（SDS/SLES）如何破坏你的皮肤屏障本文信息标题: 阴离子表面活性剂对角质层脂质模型膜水渗透性的影响作者: Sang-Wook Lee, Kwadwo E. Tettey, Yury Yarovoy, and Daeyeon Lee 发表时间: 2013年12月20日单位: 宾夕法尼亚大学化学与生物分子工程系 (美国)，联合利华研发中心 (美国) 引用格式: Lee, S.-W., Tettey, K. E., Yarovoy, Y., & Lee, D. (2014). Effects of Anionic Surfactants on the Water Permeability of a Model Stratum Corneum Lipid Membrane. Langmuir, 30(1), 220–226. https://doi.org/10.1021/la403138a 摘要皮肤最外层的角质层（Stratum Corneum, SC）呈“砖墙-砂浆”结构，其中多层脂质双层（砂浆）包裹着扁平的死细胞（砖块），构成了水分和其它物质运输的主要屏障。尽管表面活性剂等外源物质会影响角质层的理化性质，但关于常见表面活性剂如何损害SC脂质膜的锁水功能，我们仍知之甚少。本研究利用石英晶体微天平（QCM-D）技术，探究了两种常见的阴离子表面活性剂——十二烷基硫酸钠（SDS）和月桂醇聚醚硫酸酯钠（SLES）对角质层脂质模型膜水渗透性的影响。当处理浓度达到或超过临界胶束浓度（CMC）时，表面活性剂会吸收到膜中，导致脂质膜质量增加。同时，傅里叶变换红外光谱（FT-IR）证实，表面活性剂的渗入伴随着部分脂质的溶出。有趣的是，尽管纯SDS的吸水性远低于纯SLES，但经SDS处理的脂质膜吸水量却显著增加，与SLES处理的膜相当。研究揭示了两种截然不同的作用机制：SDS处理后，脂质膜的链构象有序性降低，膜变得更“软”，从而导致水吸附和扩散性增加；相反，SLES处理后，脂质膜的构象有序性和硬度反而增加，其吸水能力的提升主要归因于SLES分子本身的强吸湿性。背景我们的皮肤是抵御外界环境的第一道防线，其屏障功能主要由最外层的角质层（Stratum Corneum, SC）承担。角质层被形象地描述为一种“砖墙-砂浆”（brick-and-mortar）结构：其中，“砖块”是已死亡的、扁平化的角质细胞，“砂浆”则是由神经酰胺、游离脂肪酸和胆固醇等组成的细胞间脂质层。这些紧密堆叠的脂质层是控制水分流失和吸收的关键，决定了皮肤的保湿能力和健康状态。在日常生活中，我们的皮肤不可避免地会接触到各种外源物质，尤其是来自洁面、沐浴露、洗发水等清洁产品中的表面活性剂。这类产品为了达到有效的清洁和发泡效果，广泛使用阴离子表面活性剂，如十二烷基硫酸钠（SDS）和月桂醇聚醚硫酸酯钠（SLES）。然而，已有研究表明，这些表面活性剂可能损害角质层的屏障功能，例如引起角质层溶胀、弹性模量下降，甚至使其分解。尽管我们知道表面活性剂会对皮肤屏障产生影响，但其作用的分子机制，特别是它们如何具体地改变脂质层内部的结构，并最终影响水分子的“穿行”能力（即水渗透性），仍有许多未知之处。理解SDS和SLES这两种结构相似但性质有别的分子如何与皮肤脂质相互作用，对于开发更温和、更有效的个人护理产品至关重要。关键科学问题本研究旨在回答的核心科学问题是：两种广泛使用的阴离子表面活性剂SDS和SLES，是如何通过不同的分子机制影响并损害皮肤角质层脂质屏障的水分通透性的？具体而言，研究聚焦于以下几个方面： SDS和SLES是如何与脂质膜相互作用的？是简单吸附还是会渗入膜内，并导致原有脂质成分的流失？这两种表面活性剂对脂质膜的水分扩散系数（Diffusivity, D）和水溶解度（Solubility, S）有何不同影响，最终如何改变总的水渗透性（Permeability, P）？在分子水平上，它们是如何改变脂质膜的力学性能（如硬度）和内部脂质链的排列有序性的？这些结构变化与功能改变之间存在怎样的关联？创新点直接对比，机制区分：首次在同一实验体系下，直接比较了SDS和SLES这两种最常见的阴离子表面活性剂对模拟皮肤脂质屏障的影响，并揭示了它们截然不同的作用机制。技术联用，多维解析：巧妙地将QCM-D（用于实时监测质量和力学性质变化）与FT-IR光谱（用于分析化学成分和分子构象）相结合，从宏观功能（水渗透性）到微观结构（脂质链有序性），建立了清晰的“结构-性质”关联。颠覆性发现：研究发现，虽然两种表面活性剂都增强了水的渗透性，但其内在机理完全不同。SDS通过“搞乱”脂质排列、使屏障变“软”来实现；而 SLES则在使脂质排列更“规整”、屏障变“硬”的同时，依靠自身强大的吸水能力来增加膜的含水量。研究内容核心方法：“模拟皮肤”与“分子天平” 为了在可控的条件下研究表面活性剂与皮肤的作用，研究人员首先构建了一个“模拟皮肤屏障”。模型角质层脂质膜（Model SC Lipid Membrane）：使用神经酰胺（CER）、棕榈酸（FFA）和胆固醇（CHOL）按1:1:1的摩尔比混合制备。这个配比接近人体皮肤角质层中的生理比例，是该领域广泛使用的标准模型。石英晶体微天平（QCM-D）：这是一种极其灵敏的“天平”，可以实时监测沉积在其表面的薄膜质量和粘弹性质（如硬度/剪切模量）的微小变化。通过控制环境湿度，研究人员可以精确测量脂质膜吸收了多少水分，以及吸水后膜的硬度变化。傅里叶变换红外光谱（FT-IR）：这种技术通过分析分子对红外光的吸收来识别化学基团和推断分子的排列状态。在本研究中，它被用来确认表面活性剂是否进入了脂质膜，以及膜内脂质链的排列是变得更有序还是更无序。实验流程总览 graph TD subgraph direction LR subgraph "1. 模型制备" A("制备模拟SC 脂质膜") -- "喷涂于QCM传感器 和FT-IR窗口" --> B("形成均匀脂质薄膜") end subgraph "2. 表面活性剂处理" B -- "浸入不同浓度的 SDS或SLES溶液" --> C("处理后的脂质膜") end subgraph "3. 多维度分析" C -- "QCM-D分析" --> D("测量： - 表面活性剂吸收量 - 不同湿度下的吸水量(S) - 水扩散动力学(D) - 膜的剪切模量(硬度)") C -- "FT-IR分析" --> E("测量： - 化学成分变化 - 脂质链构象有序性") end subgraph "4. 建立构效关系" D -- "&" --> F("揭示渗透性改变(P=D·S) 背后的分子机制") E -- "&" --> F end end 结果与分析 1. 表面活性剂的“入侵”与“交换” 图1：(a) 用去离子水和不同浓度SDS处理后，干燥脂质膜的相对质量。(b) 用不同浓度SLES处理后，干燥脂质膜的相对质量。(c) 干燥脂质膜的相对质量作为归一化表面活性剂浓度（浓度/CMC）的函数。$m_{0,dry}$ 和 $m_{treated,dry}$ 分别代表初始制备和经表面活性剂处理后脂质膜的干燥质量。研究首先通过QCM-D监测了脂质膜与表面活性剂作用后的质量变化，揭示了一个与浓度密切相关的双重过程：低于CMC时，脂质被“萃取”：当表面活性剂浓度低于其临界胶束浓度（CMC）时，脂质膜的质量发生了轻微但明确的下降。具体来说，在0.12倍CMC的SDS和0.43倍CMC的SLES溶液中，质量分别下降了 $7.5 \pm 2.9%$ 和 $6.2 \pm 1.4%$。这表明，低浓度的表面活性剂单体主要扮演了“溶剂”的角色，从膜中“拽走”了一部分脂质分子。高于CMC时，表活剂“入侵”：当浓度达到或超过CMC时，情况发生逆转，膜的质量开始显著增加。在约1.15倍CMC时，SDS和SLES处理分别导致了 $15.9 \pm 2.9%$ 和 $2.2 \pm 2.9%$ 的质量增加。这强有力地证明了，当表面活性剂形成胶束后，它们具备了大规模“入侵”并整合到脂质膜内部的能力，其“入侵”的质量远超被“萃取”的脂质质量。图2：用(a) SDS和(b) SLES处理后，模型SC脂质膜的FT-IR光谱图。图中也包含了未处理的脂质膜以及纯表面活性剂的光谱作为对比。 FT-IR光谱分析为上述质量变化提供了分子层面的证据。成分变化：在高于CMC的浓度处理后，样品光谱中清晰地出现了来自SDS和SLES的特征吸收峰（位于 $1200-1300 \text{cm}^{-1}$ 的S-O不对称伸缩振动峰），直接证实了它们的“入侵”。与此同时，代表棕榈酸（约 $1700 \text{cm}^{-1}$ 的C=O伸缩振动）和神经酰胺（约 $1650 \text{cm}^{-1}$ 的酰胺I带）的吸收峰强度均观察到轻微下降。这证实了“入侵”与“萃取”是同时发生的过程。优先萃取：通过比较棕榈酸与神经酰胺特征峰的面积比（R），研究发现处理后的R值减小，表明两种表面活性剂都倾向于优先去除分子量更小的棕榈酸。 2. 皮肤屏障“漏水”了吗？——水渗透性分析渗透性（Permeability, P）由扩散系数（Diffusivity, D）和溶解度（Solubility, S）共同决定，即 P = D * S。其中，D反映水分子穿过膜的速度，S反映膜能容纳多少水分。图3：经SDS和SLES处理后，SC模型脂质膜的(a) 水扩散系数、(b) 水溶解度以及(c) 水渗透性，作为归一化表面活性剂浓度的函数。注：1 Barrer = $10^{-10} [\text{cm}^3(\text{STP}) \cdot \text{cm}] / [\text{cm}^2 \cdot \text{s} \cdot \text{cmHg}]$。溶解度(S)相似增加：如图3b所示，经两种表面活性剂处理后，膜的水溶解度都表现出几乎相同的急剧增加趋势。在高浓度下，溶解度增加了4-5倍，说明表面活性剂的加入显著提升了原本疏水的脂质膜的亲水性和储水能力。扩散系数(D)差异巨大：如图3a所示，真正的差异体现在水分子的扩散速度上。SDS处理导致水扩散系数急剧飙升，而SLES处理组的增幅则要平缓得多。渗透性(P)由扩散系数主导：由于扩散系数的巨大差异，最终导致总的水渗透性（图3c）表现出显著不同。尽管在低浓度下SLES的影响稍大，但随着浓度升高，SDS处理的脂质膜表现出远高于SLES处理膜的水渗透性，意味着其对皮肤屏障的破坏作用（就“漏水”而言）更为严重。 3. 屏障是变“软”了还是变“硬”了？——力学性质分析为何SDS和SLES对水扩散速度的影响差异如此之大？研究人员通过QCM-D分析了膜的剪切模量（G），即硬度，这直接反映了膜的结构完整性和致密性。图4：经表面活性剂处理的SC模型脂质膜在(a) 0% RH（干燥）和(b) 100% RH（湿润）下的归一化剪切模量。注：(a)图的参考态是未经处理的干燥膜的剪切模量；(b)图的参考态是各自经表面活性剂处理后的干燥膜的剪切模量。$G_{0,dry}$、$G_{treated,dry}$ 和 $G_{treated,hydrated}$ 分别代表：初始（未处理）干燥膜、处理后干燥膜、处理后湿润膜的剪切模量。结果揭示了两种表面活性剂截然相反的力学效应： SDS使膜变“软”：如图4a所示，在干燥状态下，随着SDS浓度的增加，脂质膜的剪切模量单调下降，说明SDS破坏了膜的内部结构，使其变得更松散、更柔软。 SLES使膜变“硬”：令人惊讶的是，SLES处理后，膜的剪切模量反而增加，并趋于一个平台值，表明膜的结构变得更坚固、更致密。吸水后变化：如图4b所示，在湿润状态下，水分子作为增塑剂使所有膜都变软。然而，SDS处理的膜软化程度远超SLES处理的膜，其剪切模量急剧下降至非常低的水平，进一步证实了其结构的严重受损。 4. 分子层面的“混乱”与“秩序”——揭示机制根源力学性质的迥异表现指向了分子层面的根本差异。FT-IR对脂质链中C-H₂伸缩振动峰位（约 $2917 \text{cm}^{-1}$ 和 $2849 \text{cm}^{-1}$）的分析最终揭开了谜底。这些峰的频率是脂质链构象有序性的灵敏探针：频率越高，代表链排列越无序（流动性越好）；频率越低，代表链排列越有序（排列越紧密）。图5：C-H₂不对称伸缩振动峰和对称伸缩振动峰的FT-IR波数位移。 SDS导致“混乱”：如图5所示，SDS处理后，两个C-H₂伸缩振动峰的频率均向高波数方向移动（升高）。这明确地表明，SDS分子的插入破坏了脂质链原有的紧密有序排列，使整个体系变得更加无序和松散，如同从“固态”向“液态”转变。这种分子层面的“混乱”完美地解释了为何膜会变软，以及为何水分子能更快地在其中扩散。 SLES导致“秩序”：与此相反，SLES处理后，两个峰的频率均向低波数方向移动（降低）。这表明，SLES的加入反而促进了脂质链的构象有序性，使其排列得更加规整和紧密。这种有序化解释了为何膜会变硬。研究者推测，这可能是因为SLES分子中额外的乙氧基（EO）使其头部基团更大、亲水性更强，难以像SDS那样深入并扰乱脂质核心，反而可能在脂质层间起到一种“锚定”或“桥接”的作用，促进了局部结构的有序化。 Q&A Q1: 为什么SLES能让脂质膜变得更硬、更有序，但最终还是增加了水的渗透性，破坏了屏障？ A1: 这是本研究最有趣的核心发现。SLES破坏屏障的逻辑与我们通常认为的“结构破坏导致功能丧失”不同。它对水渗透性的提升主要不依赖于增加扩散速度（D），而是通过极大地增加水的溶解度（S）来实现的。SLES分子本身比SDS更亲水（由于乙氧基的存在），当它整合到脂质膜中，就把整个膜变成了一块更吸水的“海绵”。尽管这块“海绵”的骨架（脂质链）可能变得更规整、更硬，但由于其内部能容纳的水分总量（S）急剧增加，根据渗透性公式 P = D * S，总的水渗透量（P）依然显著上升。 Q2: 研究提到在低于CMC时，表面活性剂反而导致膜质量下降，这说明了什么？ A2: 这说明在低浓度下，表面活性剂的单个分子（单体）占主导，它们的主要作用是从脂质膜表面“溶解”或“萃取”走一部分脂质分子，导致质量轻微下降。直到浓度升高到CMC以上，表面活性剂开始形成胶束，这些胶束聚集体才有足够的能力“攻击”并整合到脂质膜内部，导致质量的显著增加。这揭示了表面活性剂与皮肤作用存在一个关键的浓度阈值，即CMC。 Q3: 为什么说“胶束”而不是“单个分子”是破坏屏障的关键？这对我们日常使用清洁产品有什么启示？ A3: 研究结果强烈暗示，只有当表面活性剂浓度足够高、形成胶束后，才能大规模地渗入并改变脂质膜的结构和性质。单个的表面活性剂分子可能只能造成表面的轻微扰动。这对日常生活的启示是，清洁产品中表面活性剂的浓度和配方至关重要。使用高浓度、强刺激性的产品，或者在皮肤上停留时间过长，都可能导致表面活性剂浓度超过CMC，从而对皮肤屏障造成更深层的损害。 Q4: SDS和SLES只有一个乙氧基的区别，为何作用机制差异如此之大？这对产品开发有什么指导意义？ A4: 这一个乙氧基的微小结构差异，导致了分子尺寸、亲水性和空间构象的显著不同。SDS是线性小分子，更容易楔入脂质链之间，像“小撬棍”一样把原本整齐的排列撬乱。而SLES因为头部更大、更亲水，难以深入到疏水的脂质核心，其作用更偏向于在脂质层间或表面发挥作用，反而可能通过分子间作用力使局部结构更有序。这对产品开发的指导意义在于，通过精细调节表面活性剂的分子结构（如改变乙氧基数量、头部基团或碳链长度），可以精确调控其与皮肤的相互作用模式，从而在保证清洁力的同时，最大限度地降低对皮肤屏障的损害，开发出更“温和”的产品。关键结论与批判性总结本研究通过精巧的实验设计，清晰地揭示了两种常见阴离子表面活性剂SDS和SLES对皮肤脂质屏障的不同破坏机制。 SDS 是一种结构“扰乱剂”。它通过渗入脂质膜并破坏其内部脂质链的有序排列，导致膜结构变得松散、柔软，从而极大地增加了水分子的扩散速度，导致屏障功能受损。 SLES 则更像是一种“吸湿性增强剂”。它虽然也渗入膜中，但反而使脂质链排列更有序、膜结构更坚固；其破坏屏障的主要途径是利用自身强大的亲水性，显著提高脂质膜的含水量（溶解度），从而增加总的水渗透量。批判性总结：这项工作为理解表面活性剂与皮肤的相互作用提供了深刻的分子见解。然而，值得注意的是，本研究使用的是一个简化的体外模型，它仅包含角质层中的三种核心脂质，而真实皮肤还包含复杂的角质细胞、蛋白质以及更多种类的脂质。因此，这些发现在真实皮肤中的表现可能更为复杂。尽管如此，该研究建立的“结构-功能”分析方法和揭示的分子机制，为评估和开发对皮肤屏障更友好的新一代表面活性剂和个人护理产品配方提供了重要的理论基础和研究范式。

Specific Sytems · 2025-10-07

树枝状大分子纳米粒表面与膜相互作用机理

树枝状大分子/纳米粒表面π体系与膜相互作用机理表面含芳香π体系的纳米粒子在与磷脂双层接触时，可通过多种弱相互作用介导结合和穿透，包括π–π堆积、CH/π（芳香环与脂肪链CH键的相互作用）、阳离子–π作用以及疏水π作用等。研究表明，带电子云的芳香环能与膜中脂质的脂肪链或头部形成特殊稳定接触。例如，Cheng等发现在蛋白质中，磷脂酰胆碱(PC)头部的胆碱阳离子可通过形成”阳离子–π盒”与芳香残基（如酪氨酸）π平面发生强烈吸引：”the PC choline cation interaction with amino acid π systems forms the PC-specific site“。类似地，带氨基的磷脂酰乙醇胺(PE)或磷脂酰丝氨酸(PS)头部的铵离子也可与芳香π体系产生电荷–π相互作用；这些作用帮助粒子在膜表面定位。在膜疏水区，纳米粒子的芳香环可以与脂质烷基链的碳氢键形成CH–π或普通的范德华疏水作用。Efimova等研究的阳离子吡啶苯基树枝状聚合物中指出，含π键的苯基单元通过疏水作用插入脂肪链区：”hydrophobic interactions of phenylene units with the hydrocarbon tails of lipids were observed“，导致脂质双层形成缺陷。此外，π–π堆积往往发生在纳米粒子自身的芳香链之间或与另一芳香表面之间。例如，电子丰富的苯环与电子缺乏的全氟苯环有相反的电荷分布，相对的π四极矩使它们形成强稳定的π–π堆积：”the equal but opposite quadrupole moments of benzene and its highly fluorinated aromatic analogs allow… stabilizing π–π stacking interactions“。总之，各类π相互作用共同影响粒子与膜界面的结合强度、定位和动力学。 π体系电子属性对膜作用的影响芳香基团的电子属性（富电子或缺电子）显著调节其与膜相互作用的模式。以Jordanova等人研究的两种喹啉（纳夫啶酰胺）树枝状聚合物为例：未取代的N,N-二甲基氨基-喹啉酰胺树枝体(Dab)（电子给予）深入并夹入了不饱和脂肪链的扭曲部位，使脂质尾部排序增强，而其3-溴衍生物Dab-Br（电子吸引）则主要留在脂质头部，通过静电与磷酸基作用。具体地说，作者报告：”Dab incorporates in the kink formed by POPC unsaturated tails… Dab-Br interacts electrostatically with the phosphate of phosphatidylcholine“。这表明电子丰富的π体系易插入膜疏水区，而带强吸电子基团的芳香环则倾向于停留在亲水头区，依赖静电结合。另一方面，芳香环的氟取代可彻底反转其电荷分布：蒙科维奇等指出，苯环密集的π电子云使其中心带负电，而全氟苯的π云被吸电子氟拉扯呈正电；两者形成互补四极矩，从而极易发生π–π叠加。全氟芳香族结构同时高度疏水，表现出类似”类疏水效应”的超疏水性，这意味着全氟芳香修饰的纳米粒表面对脂肪链区域具有更强的亲和力。因此，电子给出/吸引基团的引入不仅改变π–π和静电相互作用，还显著调控膜穿透和扰动能力。可见，通过化学修饰调节π体系的电子特性，是控制纳米粒膜结合方式的关键策略。磷脂分子直接互作机理及模拟/实验证据多项实验和模拟研究直接揭示了π基团与磷脂头部及尾部的相互机制。例如，阳离子吡啶苯基树枝体与含胆固醇的阴性脂质体研究发现：带高离子度外围（如D3^50+、D2^29+）的树枝体通过纯静电作用吸附于脂质体表面，这种结合可被盐洗脱，且不进入疏水层、对膜无破坏作用。相反，次生带负载（D2^15+）的树枝体在参与静电结合的同时，其内部苯基环还深入脂质尾部区与烷基链相互作用，形成难以逆转的缺陷。更极端的是小代（D1^6+），其高度疏水刚性结构直接破坏了膜结构，使脂质体崩解。这些结果强调了分子层面不同相互作用的协同效应。类似地，模拟研究也印证了π体系作用：All-atom MD显示，纯疏水的芳香聚合物纳米点（polydot）能自发穿透DPPC膜，而表面带羧基负电的polydot则被阻留在膜面。具体地，”不带电的芳香族polydot自发渗透膜，而羧基化的polydot需要外力才能进入膜内”。此外，石墨烯氧化物（GO）等二维π体系也与磷脂头区通过静电吸附，与尾区通过范德华力结合。一项Langmuir单层研究发现，GO同时插入DPPC的脂肪链、头部及水相中，其结合既有静电又有分散作用（类似CH/π与疏水作用）。综合来看，这些建模与实验结果从多角度验证了π相互作用在粒子–膜结合和扰动中的关键角色。电子效应调控的实验与模拟支持除上述具体实例外，还有不少研究通过改变π系统电子性质来测试膜相互作用的变化。例如，弗氟富化策略常用于调节π表面的极性和疏水性。蒙科维奇等的综述指出，全氟芳香体系的超疏水特征可以明显增加与脂质尾部的亲和，暗示类似改性可增强穿膜能力。实验上，对比带有不同电子属性取代基的树枝体也证实了这一点：富电子纳夫啶系树枝体导致脂肪链排列有序，而缺电子衍生物则主要作用于头部。另外，对于肽/蛋白体系，使用氟化芳香氨基酸替代技术可以区分c-π与膜插入效应，佐证了π电子密度对结合模式的影响。总体而言，既有的模拟和实验数据一致表明：通过引入电子给出/吸引基团改变π平面的极性与疏水性，确实会调控纳米粒与膜相互作用的强度和性质。其他纳米粒示例虽然上述例子主要涉及树枝状聚合物，但类似机制也见于其他芳香表面纳米粒。例如，以DPPC为模型脂质，酯芳烃聚合物(polydots)插入研究表明，无论纳米粒大小如何，其表面疏水度决定了跨膜能力。图1示例中展示了DPPC分子和聚对苯乙炔(polydot)结构，对应模拟中中性polydot穿透膜层，而阴离子端基化polydot留在膜表面。此外，类似石墨烯、纳米颗粒或有机微球等，只要表面含芳香π体系，同样可通过上述π相互作用机制调节膜结合。综上所述，不论是树枝体还是其他纳米粒，修饰不同π体系（电子云密度或取代基）均能显著影响其与磷脂分子的相互作用模式和生物界面行为。表面刚性疏水结构对膜相互作用的影响疏水”锚定”作用：研究指出，金刚烷等刚性脂环可作为脂质双层膜的”锚”。例如，Štimac等提出了”adamantane as an ‘anchor’ in the lipid bilayer“的概念，实验证实将金刚烷锚基引入脂质体后可牢固插入双层膜。类似地，带有疏水金刚烷基团的氨基脲化合物被包封在磷脂胆固醇脂质体中，其与膜的相互作用”could be ascribed mainly to the adamantane moiety“，提示金刚烷基团是驱动插入脂双层的主要因素。因此，引入刚性疏水环烃显著增强粒子与疏水膜内核的亲和力，促进吸附和插入。与此相对，未修饰或强正电荷表面的树枝状大分子往往只能通过静电吸附于膜表面而不易穿透。膜结构扰动与通透性：疏水芳香环或烯烃基团可引发双层膜缺陷和通透性改变。Efimova等系统研究发现，当树枝状大分子外围带有一定量的疏水苯基单元时，苯基与脂质烷基链发生疏水相互作用，导致双层出现不可逆缺陷。例如，对应混合性树枝体 (D₂₁₅⁺) 在磷脂体中形成双层缺陷；而高度疏水且空间刚性的G1树枝体 (D₁₆⁺) 则”caused significant destruction of liposomal membranes“。相反，完全带电的树枝体 (D₃₅₀⁺、D₂₂₉⁺) 仅通过静电吸附在膜表面，不穿透内层，也不破坏膜结构。在脂质体模型中，带有疏水金刚烷基团的胍盐化合物使膜通透率略增（诱导约15%的荧光染料泄漏），但其结合疏水尾插入膜内核后并未引起剧烈破坏。相反，一旦外源疏水域在膜内形成有序域（如四氢萘或脂链聚集），可促进脂质重组。Verma等发现，表面具有有序排列的交替疏/亲水基团的纳米颗粒能”penetrate the plasma membrane without bilayer disruption“，而随机分布的则主要被内体捕获。这说明表面刚性序列化排列有利于非内吞通道穿膜。膜蛋白/脂质重排效应：高分子–膜相互作用可诱导膜成分重排。文献指出，大分子结合膜后常伴随脂质或膜蛋白的聚集，促进脂质跨膜迁移并提高膜离子通透性。例如，AFM 实验证实，嵌入脂双层的金刚烷-肽链自发聚集成”域”（domain），将活性取代基（如糖基）暴露于膜外。这一”域”聚集机制表明，刚性疏水基团一面插入膜内，一面让亲水/活性团显示在外，可介导膜-膜间或膜蛋白识别、囊泡聚集，而无需破坏膜完整性。细胞摄取效率与途径摄取效率提高：引入疏水刚性基团通常能增强纳米粒子的细胞内化效率。树枝状大分子修饰大量疏水苯基或脂链后，整体疏水性提高，有利于跨膜扩散或内吞。例如，一项研究发现含ClPhIQ苯基配体的G4 PAMAM树枝体，其脂溶性显著上升，从而“allows for the dendrimeric molecule to pass into the cell”。相反，末端带亲水胺基的树枝体氨基质子化后很难穿透疏水膜。此外，多阳离子金刚烷基分支树枝体（HYDRAmers）在巨噬细胞和上皮细胞中表现出极高的摄取率，说明刚性疏水骨架有利于细胞吸收。内吞途径选择性：不同修饰可改变纳米粒子进入细胞的途径。Russier等报道，多阳离子金刚烷基树枝体的一/二代在不同细胞中主要通过不同途径内化：第一代主要经由clathrin介导内吞和巨胞饮，而第二代对这些通路抑制剂的敏感性明显降低。这提示，修饰基团的类型和构型可调控主要内吞途径。另有研究表明，若粒子表面排列有序，可实现部分能量无关的直接穿膜（见上文）。总体来看，正电荷和疏水性增强的粒子往往进入内体/溶酶体途径，而高度有序或超疏水表面则可能绕过传统内吞通路直接进入胞质。分子作用机理疏水相互作用：刚性疏水基团（环烃、芳香或烯烃）通过疏水嵌入膜内核，提高粒子–膜结合。例如，上述胍盐化合物表明其脂链”could interact with the lipid bilayer with hydrophobic interactions as well, and not only with electrostatic interactions“。同样，苯环单元与脂双链的强疏水相互作用可导致双层缺陷。因此，疏水相互作用是插入和膜扰动的主要驱动力。空间刚性诱导插入：刚性基团（如金刚烷笼）通过固定空间构型增强穿膜。金刚烷的笼状结构和高立体阻力使其在膜内形成稳定锚点。这种刚性使得带金刚烷的分子在膜内形成紧密”域”，难以散逸，同时将亲水部分推向膜外。与之类似，具有芳香环的刚性树枝体在插入膜时稳定性更高，可形成难逆转的膜缺陷。聚集行为：表面刚性疏水基团还可诱导纳米粒子自身和膜组分的聚集。如前述，胍盐金刚烷分子在载于脂质体后，促使互补载脂体粘附并形成多室结构。Verma等观察到的条纹状纳米粒子穿膜现象也暗示粒子可聚集形成有利于穿膜的排列。这种聚集与有序排列可改变局部膜曲率或张力，从而促进渗透。膜蛋白协同作用：虽然文献对膜蛋白特异性较少报道，但已有研究表明聚合物–膜相互作用可伴随膜蛋白的重排。例如，一些树枝体结合膜时可引起膜上蛋白和脂质的聚集。这可能意味着修饰表面基团还能影响纳米粒子与膜蛋白受体的相互作用，进而改变内吞和信号传导过程。综上所述，表面修饰的刚性脂环、芳香环或烯基通过增强疏水性和刚性，明显调控了纳米粒子与细胞膜的相互作用：它们作为膜内核的”锚”，促进纳米粒子插入和聚集，从而诱导双层膜缺陷或增强膜通透性；同时，这些修饰基团显著影响细胞摄取效率和途径，如金刚烷基树枝体可高效进入细胞并根据代数和官能团性质选择不同的内吞机制。这些发现为设计具有特定膜-粒子界面行为的表面工程纳米载体提供了指导：通过合理引入刚性疏水基团和调控其空间排列，可以实现对粒子吸附、穿膜和细胞内化路径的精确控制。

Specific Sytems · 2025-10-07

破解金属蛋白相互作用密码：新型12-6-4力场参数精准模拟金属-咪唑复合物

破解金属蛋白相互作用密码：新型12-6-4力场参数精准模拟金属-咪唑复合物本文信息标题：模拟金属-咪唑复合物 (Simulating Metal-Imidazole Complexes) 作者：Zhen Li, Subhamoy Bhowmik, Luca Sagresti, Giuseppe Brancato, Madelyn Smith, David E. Benson, Pengfei Li, Kenneth M. Merz, Jr.* 发表时间：2024年7月31日单位：密歇根州立大学（美国）、比萨高等师范学校（意大利）、洛约拉大学芝加哥分校（美国）、卡尔文大学（美国）引用格式：Li, Z., Bhowmik, S., Sagresti, L., Brancato, G., Smith, M., Benson, D. E., Li, P., & Merz, K. M., Jr. (2024). Simulating Metal-Imidazole Complexes. Journal of Chemical Theory and Computation, 20, 6706-6716. https://doi.org/10.1021/acs.jctc.4c00581 摘要金属蛋白中最常见的配位模式之一是金属离子与组氨酸咪唑侧链的相互作用。虽然之前建立的咪唑-M(II)参数通过简单调节配位原子的极化率，展示了12-6-4 Lennard-Jones(LJ)型非键模型的灵活性和可靠性，但这些参数尚未应用于多咪唑复合物体系。为了填补这一空白，我们系统地模拟了五种在金属蛋白中常见的金属离子（Co(II)、Cu(II)、Mn(II)、Ni(II)和Zn(II)）与多个咪唑分子（1-6个）形成的复合物。通过大量采样（每个PMF窗口40 ns）构建自由能关联谱（使用OPC水模型和AMBER标准HID咪唑电荷模型），并与DFT计算的平衡距离进行比较，开发了一套新的参数集，专注于多咪唑复合物的能量和几何特征。获得的自由能谱与实验结合自由能和DFT计算距离一致。为了验证我们的模型，我们展示了可以封闭第一溶剂化壳层中含有多达六个咪唑分子的金属-咪唑复合物的热力学循环。背景金属离子在蛋白质中发挥着至关重要的作用，维持着从呼吸过程到蛋白水解等细菌、植物和动物的基本功能。特定金属离子的缺失可能导致致命的缺陷，如癌变、严重营养不良，最终导致死亡。超过25%的蛋白质含有金属离子，这些离子可以发挥结构或催化作用，并且是设计新型药物制剂的靶标。为了克服这一挑战，开发了12-6-4 LJ模型，通过添加C4项来解释离子诱导偶极相互作用。离子诱导偶极相互作用与r^-4成正比，其中r是两个粒子之间的距离。研究发现，12-6-4模型可以成功地同时重现各种金属离子在不同水模型中的实验HFE和IOD。关键科学问题如何开发一套可靠的力场参数来准确描述金属离子与多个咪唑配体之间的相互作用？现有的咪唑-金属参数主要针对单个咪唑分子进行优化，当体系中存在多个咪唑配体时，这些参数的准确性和可移植性仍存在疑问。创新点扩展采样策略：首次采用每个PMF窗口40 ns的大量采样，相比传统的4 ns采样，能够捕获到关键的π-堆积中间态多咪唑体系参数化：系统地开发了适用于1-6个咪唑分子配位的金属离子力场参数热力学循环验证：通过封闭热力学循环验证参数的自洽性和可靠性发现阳离子-π堆积效应：首次在PMF计算中观察到金属离子与咪唑分子的阳离子-π堆积构象核心方法：12-6-4势函数模型本研究使用12-6-4非键模型结合AMBER力场： \[U(r_{ij}) = \frac{C_{12}}{r_{ij}^{12}} - \frac{C_6}{r_{ij}^6} - \frac{C_4}{r_{ij}^4} + \frac{eQ_iQ_j}{r_{ij}}\] 这个公式描述了金属离子与配体原子之间的相互作用能。第一项代表短程排斥，第二项是范德华吸引，关键的第三项捕获了离子诱导偶极相互作用，最后一项是标准的库仑静电相互作用。主要结果通过扩展采样参数化，成功开发了11种金属离子（Ag(I)、Ca(II)、Cd(II)、Co(II)、Cu(I)、Cu(II)、Fe(II)、Mg(II)、Mn(II)、Ni(II)、Zn(II)）的新力场参数，能够准确重现实验结合自由能，热力学循环平均绝对误差仅为0.61 kcal/mol。

Specific Sytems · 2025-10-07

【cell】淀粉样纤维的结构并非一成不变，而是动态演化的生命体

【cell】淀粉样纤维的结构并非一成不变，而是动态演化的”生命体” 本文信息标题: 淀粉样蛋白组装过程中纤维多态性的结构演化作者: Martin Wilkinson, Yong Xu, Dev Thacker, Sheena E. Radford, Neil A. Ranson 等发表时间: 2023年12月21日单位: 利兹大学 (University of Leeds)，英国引用格式: Wilkinson, M., Xu, Y., Thacker, D., Taylor, A. I. P., Fisher, D. G., Gallardo, R. U., Radford, S. E., & Ranson, N. A. (2023). Structural evolution of fibril polymorphs during amyloid assembly. Cell, 186(26), 5798–5811.e7. https://doi.org/10.1016/j.cell.2023.11.025 数据与代码: CryoEM数据集: EMPIAR: 11714, 11715, 11716, 11717 CryoEM电镜图: EMDB: 15696, 15728, 15729, 15730, 15731, 15753, 15754, 15755, 15756 原子坐标: PDB: 8AWT, 8AZ0, 8AZ1, 8AZ2, 8AZ3, 8AZ4, 8AZ5, 8AZ6, 8AZ7 原始数据: University of Leeds Data Repository: https://doi.org/10.5518/1230 摘要冷冻电子显微镜（cryo-EM）为我们理解包括疾病相关蛋白在内的淀粉样纤维结构提供了前所未有的视角。然而，这些已解析的结构通常代表了漫长组装过程的终点产物，它们与组装早期的纤维之间的关系仍然未知。因此，在组装过程中是否会形成具有不同结构和潜在不同病理特性的纤维，一直是一个悬而未决的问题。本研究利用cryo-EM技术，在体外解析了一种与疾病相关的人胰岛淀粉样多肽（IAPP-S20G）在纤维化过程不同时间点的纤维结构。惊人的是，在迟滞期、增长期和平台期形成的纤维具有截然不同的结构，随着纤维化进程的推进，新的构象不断出现，而另一些则会消失。对野生型hIAPP的时间序列研究也显示了类似的纤维结构随时间变化的现象，表明这是IAPP淀粉样蛋白组装的一个普遍特性。这项关于瞬时存在的纤维结构的发现，对于理解淀粉样蛋白的组装机制具有重要意义，并可能为揭示疾病中淀粉样蛋白的演进过程提供新的见解。背景淀粉样纤维的形成，被誉为“蛋白质折叠的阴暗面”，是众多人类重大疾病的共同病理标志，包括阿尔茨海默病（AD）、帕金森病（PD）以及2型糖尿病（T2D）。这些疾病的特征是，原本可溶的功能性蛋白质错误折叠，并自发聚集成不溶性的、富含标志性“交叉β-折叠”（cross-β）结构的纤维状沉积物。这一过程通常遵循一个经典的“成核-生长”动力学模型，表现为典型的S型曲线，包含反应初期的迟滞期（lag phase）、纤维快速增长的增长期（growth phase）和反应达到平衡的平台期（plateau phase）。近年来，随着冷冻电镜（cryo-EM）技术的革命性突破，科学家们解析了大量高分辨率的淀粉样纤维结构。这些研究揭示了一个惊人的事实：同一条多肽链可以折叠成多种不同的三维结构，这种现象被称为结构多态性（polymorphism）。这表明淀粉样蛋白的聚集并非简单的线性过程，而是在一个崎岖的能量景观上，通过复杂的分子事件级联发生的。不同的多态性结构（或称为“株”，strains）可能具有不同的生物毒性和传播能力，这被认为是解释同一种蛋白却能导致不同临床表型疾病（如α-突触核蛋白在PD和多系统萎缩症中的不同表现）的分子基础。然而，当前几乎所有已报道的淀粉样纤维高分辨率结构，无论是从患者脑组织中提取的（ex vivo），还是在实验室中重组的（in vitro），都只捕捉了单个时间点的快照，这个时间点通常代表了疾病的终末期或体外反应的终点。这留下了一个巨大的知识空白：在漫长的聚集过程中，纤维的结构是否始终如一？或者，是否存在一些只在特定阶段出现的、瞬时存在的中间态纤维结构？这些早期的、可能转瞬即逝的结构，是否可能具有独特的、甚至更强的生物学危害性，却因为在终点时消失而被我们长期忽略？解答这些问题对于从根本上理解淀粉样蛋白的形成机制和疾病进展至关重要。关键科学问题本研究旨在解决淀粉样蛋白领域一个长期存在且至关重要的核心问题：淀粉样纤维的结构多态性在聚集反应的整个时间进程中是恒定的，还是会随着时间动态演化？具体来说，研究团队试图通过高分辨率的结构生物学手段，直接“目睹”并回答以下几个层层递进的问题：在聚集反应的迟滞期、增长期和平台期，优势的纤维结构是否相同？是否存在一些只在特定阶段（尤其是早期）出现的瞬时纤维物种，它们在反应后期会消失或被其他结构取代？如果纤维结构确实在演化，那么这种演化遵循什么样的规律？是否存在从一种结构到另一种结构的结构谱系（structural lineages）？驱动这种结构演化的 underlying 物理化学和动力学机制是什么？是动力学控制（谁长得快谁就占优）还是热力学控制（谁最稳定谁就占优）在主导不同阶段的演化？创新点首次实现多时间点结构解析：首次通过高分辨率冷冻电镜技术，在同一聚集反应的不同时间点（迟滞期、增长期、平台期）对淀粉样纤维进行结构解析，将研究从静态终点推向了动态过程。直接证实动态演化：提供了直接的、原子分辨率的证据，证明了淀粉样纤维多态性是动态演化的，颠覆了过去将纤维视为静态终产物的传统观念。发现多种瞬时与全新结构：在IAPP-S20G的聚集过程中，总共解析了七种不同的纤维多态体结构，其中五种是全新的，并发现了一些仅在早期或中期存在的瞬时结构。提出结构演化模型：基于详实的结构和动力学数据，提出了一个整合了动力学控制和热力学驱动的纤维结构演化模型，为理解不同阶段优势多态体的转变提供了合理的机制解释。研究内容核心方法：多时间点冷冻电镜结构解析为了捕捉淀粉样纤维在组装过程中的动态变化，研究团队设计了一套严谨的实验流程。他们以与早发型2型糖尿病相关的IAPP-S20G突变体为模型，在体外进行静态孵育，模拟其自发聚集过程。时间点采样：基于硫黄素T（ThT）荧光（一种检测淀粉样纤维的常用染料）和高效液相色谱（HPLC）对反应进程的监测，研究人员精心挑选了三个代表性的时间点进行采样： 3周（迟滞期后期）：此时ThT信号很低，但已有少量可沉淀的纤维形成。 6周（增长期中段）：ThT信号快速上升，是纤维大量形成和增殖的阶段。 22周（平台期）：ThT信号达到饱和，反应进入表观上的稳态。结构解析流程：对每个时间点的样品，研究团队都进行了冷冻电镜数据采集和复杂的图像处理分析。 graph TD subgraph "实验流程" direction LR A("IAPP-S20G 单体溶液") --> B("静态孵育 (室温，pH 6.8)"); B --> C1("3周采样 (迟滞期)"); B --> C2("6周采样 (增长期)"); B --> C3("22周采样 (平台期)"); end subgraph "数据处理流程" direction LR D("冷冻制样 & Cryo-EM数据采集") --> E("2D分类 (识别不同形态的纤维)"); E --> F("3D分类 (分离不同多态体)"); F --> G("高分辨率 三维重构"); G --> H("原子模型搭建 与精修"); end C1 --> D; C2 --> D; C3 --> D; 通过对数百万个纤维片段图像进行分类和重构，他们得以在原子分辨率水平上解析出每个时间点存在的主要纤维结构。实验结果与分析：一场动态的结构演化“接力赛” 研究结果戏剧性地揭示了IAPP-S20G纤维群体的结构组成在不同阶段发生了深刻的演变，如同场上选手不断更替的接力赛。图1：淀粉样纤维多态性组装的可能模型。 (A-B) 先前研究解析的野生型hIAPP和IAPP-S20G纤维结构。(C-D) 两种理论模型：(C) 平行组装模型，不同多态体同时独立生长；(D) 序贯组装模型，一种多态体可能催化另一种的形成。下方的示意图表明，宏观的ThT生长曲线（品红色）可能掩盖了单个多态体（红色和蓝色）复杂的、截然不同的组装过程。图2：IAPP-S20G纤维群体随时间的初步表征。 (A) ThT荧光（红色）和上清液中剩余单体浓度（蓝色）的时间进程图，标示了迟滞期、增长期和平台期。有趣的是，早期聚集体对ThT的响应较弱。(B) 代表性的负染电镜图像显示了3周、6周和22周时纤维形态的多样性。(C) 负染电镜图像中测量的纤维交叉周期距离分布热图，显示了不同时间点纤维形态的演变。早期（2-3周）的纤维大多是无扭曲的。迟滞期（3周）：瞬时先驱者的出现在反应的早期阶段，电镜下观察到的大部分纤维（约68%）是没有规则扭曲的直线状纤维，其结构无法通过常规的螺旋重构方法解析。然而，在剩余约32%的有规则结构的纤维中，研究人员解析出了一种全新的、从未报道过的结构。 2PFP结构：这是一种由两条原纤维（2PF）构成的纤维，每条肽链折叠成独特的P形（P-fold），因此被命名为2PFP。结构特征：它的交叉周期约为21 nm，与野生型（WT）IAPP纤维（约25 nm）相似。更有趣的是，尽管整体折叠不同，2PFP与WT IAPP纤维在残基15-28区域共享相似的主链构象，并且具有保守的原纤维间相互作用界面。图3：不同组装阶段存在不同的IAPP-S20G纤维群体。 (A) 3周、6周和22周的代表性冷冻电镜图像。(B) 每个时间点数据集的2D分类平均图，按交叉周期距离对不同的多态体进行颜色编码。(C) 精选的2D分类平均图，展示了初步识别出的不同规则纤维形式及其交叉周期。图4：Cryo-EM结构解析揭示了在组装的不同阶段，多种IAPP-S20G纤维多态体的差异性分布。 (A, E, H) 3周、6周和22周数据集中所有纤维片段的多态体分布饼图。(B, F, I) 每个多态体最终电镜密度图的切片视图。(C, G, K) 每个数据集中解析出的各多态体核心和表面视图。(D) 3周的2PFP结构（深绿）与WT IAPP的2PFS结构（浅绿）叠加，显示了它们共享的保守核心（蓝/红高亮）和相互作用界面。(J) 22周的2PFL电镜图中，清晰可见一个有序的水分子通道（红球）。这个2PFP结构是本次演化大戏的“开场角色”，但它也是一个瞬时存在的“先驱者”。增长期（6周）：多态性的大爆发到了反应的增长期，纤维的景象发生了翻天覆地的变化。 2PFP的消失：在6周的样品中，迟滞期出现的2PFP结构几乎完全消失（占比<1%）。六种新结构登场：取而代之的是一个高度复杂的混合体，研究人员从中成功解析出了四种高分辨率结构，并识别出另外两种稀有结构。这些结构可以被归类为两个主要的结构谱系（lineage）： C-谱系：基于一个共同的、由C形折叠（C-fold）肽链构成的双原纤维核心（2PFC）。这个核心可以进一步吸附新的肽链，形成三原纤维的3PFCU和四原纤维的4PFCU。其中，2PFC和3PFCU是先前研究在终点样品中发现的结构，而4PFCU是本次发现的新结构。 L-谱系：基于一个由L形折叠（L-fold）肽链构成的双原纤维核心（2PFL）。L-fold与早期的P-fold在结构上最为相似。此外，还存在一个由2PFL核心和另外两条肽链组成的四原纤维结构4PFLU。图5：纤维化时间进程中观察到的不同IAPP-S20G纤维结构和亚基折叠。 (A) 解析出的七种独特IAPP-S20G纤维结构，按其核心分为P-谱系、L-谱系和C-谱系。(B) 五种不同的亚基折叠构象：P-fold, L-fold, C-fold, U-fold, 和 J-fold。(C) 五种折叠在保守区域的叠加。(D) 2PFL和2PFP的叠加，显示了它们虽然共享一个相似的链构象，但第二条链的堆叠方式完全不同，形成了不同的纤维架构。(E, F) L-谱系和C-谱系内部各成员的叠加，显示它们共享一个保守的2PF核心。在这一阶段，2PFC和2PFL是两种最主要的结构，各占约30%，而由它们衍生出的更大结构（3PF和4PF）占比较低。平台期（22周）：向更大、更稳定的结构成熟当反应进入平台期，纤维群体的多样性再次降低，显示出一种“优胜劣汰”的成熟过程。瞬时物种的淘汰：增长期出现的2PFC和3PFCU结构完全消失。优势物种的富集：L-谱系的2PFL和4PFLU的比例显著增加，分别达到43%和19%，成为绝对的优势物种。C-谱系中只有最大的4PFCU得以保留（15%）。新结构的发现：由于4PFLU的富集，研究人员得以解析其高分辨率结构。此外，还发现了一个占比仅2%的、结构更为独特的四原纤维结构4PFLJ，其外部两条肽链呈现一种全新的J形折叠（J-fold）。图6：IAPP-S20G纤维多态体在组装时间进程中的结构成熟总结。 (A) 各多态体在不同时间点的分布百分比，背景为ThT荧光曲线。(B) 各亚基折叠类型在不同时间点的分布。(C) 负染电镜测量的交叉周期分布，显示纤维整体上变得更“长”（交叉周期更大）。(D) 不同尺寸（2PF, 3PF, 4PF）纤维的分布，显示了从2PF向4PF的转变。(E) 基于结构计算的每层纤维的平均自由能（ΔG°/layer），显示了随着时间推移，纤维整体变得更稳定。(F) 各谱系在不同时间点的演化示意图。总的来看，整个聚集过程呈现出一个清晰的演化趋势：从早期形成的、较小的（2PF）、动力学上优先的瞬时结构，演变为中期的多样化结构混合体，最终成熟为尺寸更大（4PF）、热力学上更稳定的少数优势结构。结果逻辑与机制推演为了解释这种复杂的结构演化现象，研究者提出了一个基于动态变化的动力学景观的模型。图7：IAPP-S20G多态体演进的卡通总结与提出的不同组装阶段动力学景观机制。 (A) 结合了结构信息的ThT曲线，展示了不同阶段的物种比例。(B) 基于结构和出现顺序提出的潜在组装路径示意图。该模型假设了亚基的逐步吸附（accretion）机制，即在已形成的2PF核心上添加新的肽链形成3PF和4PF结构。(C) 不同组装阶段的示意性能量景观图。在迟滞期，能量景观可能比较简单，2PFP是动力学上最容易形成的低谷。进入增长期，随着纤维表面的出现，由二次成核主导的路径被激活，能量景观变得复杂，出现了多个能量相近的低谷（C-谱系和L-谱系）。在平台期，反应趋于平衡，体系缓慢地向能量更低的、更稳定的4PF结构演化。 graph LR subgraph "迟滞期 (Lag Phase)" direction LR Monomer("单体 (高浓度)") --"初级成核 (动力学控制)"--> Untwisted("无扭曲纤维 (结构未知, 68%)"); Monomer --"初级成核 (动力学控制)"--> P_2PFP("2PFP (P-fold, 32%) **瞬时先驱**"); end subgraph "增长期 (Growth Phase)" direction LR FibrilSurface("纤维表面 (低单体浓度)") --"二次成核 (动力学/热力学竞争)"--> L_Lineage("L-谱系 2PFL (30%) 4PFLU (4%)"); FibrilSurface --"二次成核 (动力学/热力学竞争)"--> C_Lineage("C-谱系 2PFC (30%) 3PFCU (10%) 4PFCU (7%)"); end subgraph "平台期 (Plateau Phase)" direction LR Equilibrium("长时间孵育 (热力学驱动)") --> Final_L("L-谱系主导 2PFL (43%) 4PFLU (19%) 4PFLJ (2%)"); Equilibrium --> Final_C("C-谱系残留 4PFCU (15%)"); end P_2PFP --"消失"--> FibrilSurface; L_Lineage --"成熟/富集"--> Final_L; C_Lineage --"部分消失，部分富集"--> Final_C; 这个模型的核心思想是，驱动纤维形成的微观机制在不同阶段是不同的。在迟滞期，单体浓度高，纤维浓度低，初级成核占主导，这有利于形成那些成核势垒最低、形成速度最快的结构（如2PFP）。进入增长期后，大量纤维表面出现，二次成核（在已有纤维表面催化新纤维的形成）成为主导，其速率比初级成核快了$10^8$倍。这开启了通往C-谱系和L-谱系的新路径，它们可能在二次成核上更具优势，从而迅速取代了2PFP。最后，在漫长的平台期，随着单体被大量消耗，反应接近平衡，热力学稳定性成为主导因素，体系缓慢地向能量更低的、由更多亚基组成的4PF结构演化。 Q&A Q1: 为什么早期的纤维（迟滞期）不怎么与ThT荧光染料结合？ A1: 这强烈暗示了早期纤维与后期纤维在结构上的根本不同。ThT染料的荧光来自于它嵌入到成熟淀粉样纤维的交叉β-折叠结构中的特定沟槽。迟滞期大量存在的无扭曲纤维和独特的2PFP结构，可能缺乏这种适合ThT紧密结合的构象，导致荧光信号很弱。这提醒我们，单独依赖ThT可能无法准确监测淀粉样蛋白聚集的全过程，尤其会低估早期物种的形成。 Q2: 文中提出的“C-谱系”和“L-谱系”是如何定义的？它们之间可以相互转化吗？ A2: 这两个谱系是根据构成其双原纤维（2PF）核心的肽链折叠方式来定义的。C-谱系的核心是两条C形折叠的肽链（2PFC），而L-谱系的核心是两条L形折叠的肽链（2PFL）。本文的叠加分析显示，每个谱系内部的更大结构（3PF和4PF）都是在共享的2PF核心上通过“吸附”新的肽链形成的。研究没有提供L-谱系和C-谱系之间直接相互转化的证据，它们似乎是在增长期通过二次成核平行出现的两条演化路径。 Q3: 为什么在反应后期，纤维会趋向于形成更大（更多原纤维）的结构？ A3: 这背后是热力学的驱动力。研究团队通过计算发现，虽然构成不同纤维的单个肽链折叠（P-fold, L-fold, C-fold等）在每个残基的平均稳定性上相差无几（约$-0.8\ \mathrm{kcal/mol}$），但由更多肽链组成的纤维（如4PF）在每一层结构上的总稳定性要显著高于较小的纤维（2PF）。因此，在反应后期，当体系有足够的时间去探索各种可能性时，它会自发地向能量更低的、更稳定的状态演化，即形成更大的4PF组装体。 Q4: 这项研究对野生型（WT）IAPP也有意义吗？它对理解人类疾病有什么启示？ A4: 是的。研究团队对WT hIAPP也进行了类似的时间序列实验，同样观察到了纤维结构随时间演变的现象，从早期的无定型结构转变为后期更均一的、有特定结构的群体。这表明纤维的动态成熟是一个普遍现象，而不仅仅是S20G突变体的特性。这对疾病研究有重大启示：在疾病的早期阶段，可能存在一些结构独特、毒性不同的瞬时纤维物种。我们目前从晚期患者身上看到的纤维结构可能只是“幸存者”，而真正的“始作俑者”可能早已消失。未来的诊断和治疗策略或许需要考虑这些早期、瞬时的病理结构。关键结论与批判性总结核心结论淀粉样纤维多态性是动态演化的：淀粉样纤维的结构在聚集过程中并非一成不变，而是经历了一个从动力学优先的瞬时物种到热力学稳定的成熟物种的复杂演化过程。瞬时纤维物种的存在：在IAPP-S20G的聚集早期（迟滞期）存在一种独特的2PFP多态体，它在反应进入增长期后几乎完全消失。结构演化的阶段性：迟滞期、增长期和平台期分别由不同结构特征的纤维群体主导，多样性在增长期达到顶峰，在平台期又趋于简化。向更大、更稳定结构的成熟：随着反应的进行，纤维组装体有明显的趋势变得更大（从2PF到4PF）和更稳定，这是由热力学驱动的。机制解释：这种演化可以通过一个动态的能量景观模型来解释，其中初级成核和二次成核在不同阶段扮演主导角色，分别青睐动力学上易于形成和热力学上更稳定的结构。批判性总结潜在影响: 颠覆性认知：这项工作从根本上改变了我们将淀粉样纤维视为静态终点的看法，揭示了其组装过程的动态性和复杂性，为整个领域提供了新的理论框架。疾病机理新视角：提示我们疾病早期可能存在独特的、具有不同病理活性的瞬时纤维物种，这可能对解释疾病的起始和早期进展至关重要。药物研发新思路：为药物开发提供了新的靶点思路。例如，可以设计特异性稳定无毒早期物种或抑制向有毒物种转变的药物，而不是仅仅靶向终末期的纤维。研究局限性: 体外研究：研究是在简化的体外缓冲液系统中进行的，缺乏细胞内复杂的环境因素（如分子伴侣、脂质膜、拥挤效应等），这些因素可能会极大地影响纤维的演化路径。转化机制未知：研究观察到了不同多态体的“此消彼长”，但无法确定其转化的具体分子机制，例如，是一种结构直接重塑为另一种，还是需要先解聚成单体再重新组装。定量分析的挑战：由于淀粉样蛋白聚集反应的随机性和异质性，精确量化不同时间点各多态体的比例仍然是一个技术挑战，文中的百分比是基于大量图像统计的近似值。未来研究方向: 实时追踪：开发能够实时、单分子水平上追踪单个纤维结构演变的技术（如结合特殊荧光探针的高速AFM或冷冻电镜断层成像），以直接观察结构转化过程。生物学相关性：研究不同时间点形成的纤维物种的生物学活性，包括它们的细胞毒性、传播能力（种子活性）以及与细胞成分的相互作用。体内验证：在细胞模型或动物模型中探究淀粉样纤维是否也存在类似的结构成熟过程，这将是验证该发现在生物学上重要性的关键一步。

Specific Sytems · 2025-10-07

解密皮肤渗透的“潜规则”：表面活性剂尾链结构如何调控其与皮肤脂质屏障的相互作用本文信息标题: 表面活性剂疏水链结构对表面活性剂-皮肤脂质模型相互作用的影响作者: Yao Chen, Mingrui Liao, Kun Ma, Zi Wang, Bruno Demé, Jeff Penfold, Jian R Lu, John R. P. Webster, Peixun Li 发表时间: 2021年9月22日单位: 卢瑟福·阿普尔顿实验室ISIS中子源 (英国)，曼彻斯特大学 (英国)，中国石油大学 (中国)，劳厄·朗之万研究所 (法国) 引用格式: Chen, Y., Liao, M., Ma, K., Wang, Z., Demé, B., Penfold, J., Lu, J. R., Webster, J. R. P., & Li, P. (2022). Implications of surfactant hydrophobic chain architecture on the Surfactant-Skin lipid model interaction. Journal of Colloid and Interface Science, 608, 405–415. https://doi.org/10.1016/j.jcis.2021.09.098 摘要尽管表面活性剂已广泛应用于皮肤护理及相关领域，但我们对其如何与角质层（SC）脂质相互作用的认知仍然有限。本研究通过中子衍射和分子动力学（MD）模拟，报道了表面活性剂与SC脂质模型的相互作用，重点考察了表面活性剂分子结构的影响。研究构建了由等摩尔的神经酰胺/胆固醇/脂肪酸与1 mol%的表面活性剂混合而成的模型膜。通过中子散射衬度变化法，获得了膜中水分子和表面活性剂分子的中子散射长度密度（NSLD）分布图；同时，MD模拟清晰地揭示了模型膜水合作用变化的内在机制。研究发现，加入表面活性剂后，膜的短周期相（SPP）重复距离未发生剧烈变化，但显著增强了膜的水合作用，并减少了相分离的结晶胆固醇的数量，且这些效应强烈依赖于表面活性剂的链长、支链和双键。这项工作清晰地展示了表面活性剂的结构如何影响其与SC膜的相互作用，为筛选现有或设计新型的、用于透皮应用的表面活性剂提供了有用的指导。背景皮肤作为人体最大的器官，正成为透皮给药系统（Transdermal Drug Delivery）的重要靶标。相比于传统的口服或注射，透皮给药具有无创、可自主用药、能长时间持续释放等优点。然而，其最大的挑战在于皮肤角质层（Stratum Corneum, SC）的强大屏障功能，它像一道坚固的“城墙”，阻止了绝大多数外来分子的入侵，从而严格限制了可用于透皮给药的药物种类。角质层呈“砖墙-砂浆”结构，其中“砖块”是充满角蛋白的死细胞，“砂浆”则是由神经酰胺（CER）、胆固醇（CHOL）和游离脂肪酸（FFA）等脂质构成的连续、高度有序的层状结构。这个脂质基质是限制物质渗透的决定性因素。因此，通过改变脂质层的堆积方式来增强皮肤渗透性，是开发透皮给药系统的核心策略。表面活性剂，因其独特的两亲性和自组装能力，被广泛用作药物载体和渗透促进剂。然而，表面活性剂是一把“双刃剑”，在增强渗透的同时也可能引起皮肤刺激。为了实现“增效减毒”，我们必须在分子层面深入理解表面活性剂与SC脂质的相互作用机制。SC脂质的层状结构极为复杂，主要包括重复距离约6 nm的短周期相（SPP）和约13 nm的长周期相（LPP）。尽管已有大量研究利用X射线衍射、中子衍射和MD模拟等手段探索了SC脂质的结构，但一个关键问题仍未得到系统解答：表面活性剂分子结构的细微变化，例如疏水尾链的长度、是否存在支链或不饱和键，究竟会如何影响其与SC脂质的相互作用，并最终改变皮肤屏障的功能？回答这个问题，将为理性设计更高效、更安全的皮肤护理产品和透皮递送系统提供关键的理论指导。关键科学问题本研究旨在回答的核心科学问题是：表面活性剂疏水尾链的精细结构差异（链长、支链、不饱和键）究竟如何影响其与模拟皮肤角质层脂质膜的相互作用？具体而言，研究通过对比四种具有相同阳离子头基但不同C16-C18疏水尾链的表面活性剂，聚焦于以下几个子问题：这些表面活性剂的引入，将如何改变SC脂质膜的整体纳米结构（如层状重复距离）？它们如何影响对屏障功能至关重要的膜水合程度？它们如何影响SC脂质关键组分，特别是胆固醇，在膜中的分布和相行为？这些宏观结构和性质变化的背后，其微观分子机制是什么？创新点系统性研究：首次系统地比较了四种具有相同阳离子头基但不同疏水尾链结构（链长、支链、不饱和键）的表面活性剂对模拟皮肤脂质膜的影响，揭示了尾链结构与膜相互作用之间的构效关系。先进技术联用：结合了中子衍射（特别是同位素衬度变化法）和全原子分子动力学模拟，从实验和理论两个层面，以前所未有的分辨率揭示了水分子和表面活性剂在脂质膜中的精确定位和作用机制。揭示了新的作用机制：发现表面活性剂不仅是简单地“扰乱”脂质膜，还能通过促进相分离的结晶胆固醇重新整合到脂质层状结构中，并显著增加膜的水合程度来发挥作用，且这两种效应都强烈依赖于其尾链结构。 graph TD A["低浓度表面活性剂分子 (1mol%)"] --> B["作用一：增强水合"] A --> C["作用二：重排胆固醇"] B --> D["膜边界区域的 水含量和流动性增加"] C --> E["相分离的结晶胆固醇 重新整合入SPP层状结构"] D --> F["综合效应： 皮肤屏障渗透性改变"] E --> F classDef surfactant fill:#e1f5fe classDef mechanism fill:#f3e5f5 classDef effect fill:#e8f5e8 classDef result fill:#fff3e0 class A surfactant class B,C mechanism class D,E effect class F result 研究内容核心理论与实验方法实验体系模拟SC脂质膜：采用等摩尔比的神经酰胺 ($\ce{CER NS (C24)}$)、胆固醇 (CHOL) 和游离脂肪酸 (FFA，$\ce{C22}$和$\ce{C24}$酸等摩尔混合) 构建，该体系能形成与真实皮肤SC结构相似的短周期相 (SPP)。表面活性剂：选用四种阳离子表面活性剂，它们拥有完全相同的亲水头基，但疏水尾链结构各异： $\ce{C16HAB}$：十六烷基双(2-羟乙基)甲基溴化铵（16碳，饱和直链） $\ce{C18HAB}$：十八烷基双(2-羟乙基)甲基溴化铵（18碳，饱和直链） $\ce{OHAB}$：油烯基双(2-羟乙基)甲基溴化铵（18碳，含一个顺式双键） $\ce{IHAB}$：异硬脂基双(2-羟乙基)甲基溴化铵（18碳，含支链）图1：神经酰胺、胆固醇、脂肪酸和表面活性剂的化学结构。实验技术解读：中子衍射与SLD剖面分析（写给模拟工作者）本研究的核心实验技术是中子衍射，对于熟悉MD但不了解散射实验的读者，以下是关键概念的解释：衍射图的横坐标 q：q被称为散射矢量，是倒易空间（reciprocal space）中的坐标，单位是 Å⁻¹。它与实验中的散射角 $\theta$ 和中子波长 $\lambda$ 相关，关系为 $ q = \frac{4\pi \sin\theta}{\lambda} $。可以将其理解为结构在空间中的“频率”。根据布拉格定律，当样品中存在周期性结构（如此处的脂质层状堆积）时，会在特定的 $q_h$ 值处出现尖锐的衍射峰。这些峰的位置与真实空间中的重复距离 d 成反比：$ d = \frac{2\pi h}{q_h} $，其中h是衍射级数。因此，通过测量衍射峰的位置，就能精确计算出脂质双层的厚度。 SLD剖面图的纵坐标 $\rho(x)$：$\rho(x)$是中子散射长度密度（Neutron Scattering Length Density, SLD）。可以将其类比为X射线衍射中的电子密度。每个原子核都有一个固有的、描述其与中子相互作用强弱的参数，称为“散射长度”。SLD就是一个区域内所有原子散射长度的总和除以该区域的体积。SLD剖面图 $\rho(x)$ 就是这个物理量沿着膜法线方向（x轴）的一维分布图。衬度变化法（Contrast Variation）：该方法是中子散射的“独门绝技”。其原理是氢（H）和它的同位素氘（D）的散射长度值差异巨大，甚至是符号相反（H为-3.74 fm, D为+6.67 fm）。通过使用不同比例的重水（$\ce{D2O}$）和普通水（$\ce{H2O}$）来水合样品，就可以系统地改变水分子的SLD值。例如，在8% $\ce{D2O}$ / 92% $\ce{H2O}$的混合溶剂中，水的平均SLD恰好为零，此时水对中子来说是“隐形”的，衍射信号完全来自脂质和表面活性剂。而在100% $\ce{D2O}$中，水的SLD非常高。通过对不同衬度下的SLD剖面图进行差值运算（例如，用100% $\ce{D2O}$的图减去8% $\ce{D2O}$的图），就可以精确地分离出水分子自身的分布，从而确定其在膜中的精确定位。 1 mol%的表面活性剂换算成我们熟悉的浓度单位大概是多少？在样品制备中，所有组分（脂质+表面活性剂）的总浓度是10 mg/mL，即10 g/L。根据文中的摩尔比（1:1:1:0.03），我们可以计算出表面活性剂的质量分数约为0.9%。因此，在用于制备薄膜的初始溶液中，表面活性剂的浓度大约是 10 g/L$\times $0.9%$ \approx 0.09 \ \text{g/L}$。这个浓度远低于这些表面活性剂的临界胶束浓度（CMC，约为0.1-0.8 mM，换算后约0.04-0.36 g/L）。这表明研究的是表面活性剂单体与脂质膜的相互作用，而非胶束的作用，这对于理解产品在低浓度或初始接触阶段对皮肤的影响尤为重要。辅助验证：全原子分子动力学（MD）模拟建模过程：使用CHARMM-GUI工具搭建了包含CER/CHOL/FFA以及两种代表性表面活性剂（$\ce{C16HAB}$和$\ce{IHAB}$）的脂质双层模型，并溶于TIP3P水盒子中，加入$\ce{NaCl}$维持离子强度。力场与软件：模拟采用CHARMM36 (C36) 脂质力场和GROMACS软件。模拟方案：体系经过能量最小化、NVT和NPT系综的平衡后，进行了50 ns的生产性模拟，并对最后5 ns的轨迹进行分析。MD模拟能够提供动态的、原子分辨率的图像，为中子衍射得到的静态、平均的结构信息提供机理上的解释。结果与分析 1. 模拟基线：纯脂质膜的结构验证图S8：(A) CER, CHOL, 木蜡酸(LA)的化学结构。(B) 等摩尔比的CER/CHOL/LA在50 ns模拟结束时的快照。(C) CER头、尾和溶剂的质量密度分布。(D, E) CER, LA, CHOL中特定原子的RDF及相应的水合数函数。在研究表面活性剂的影响前，作者首先通过MD模拟验证了其纯脂质模型（CERPure）的合理性。模拟得到的层状结构厚度（由CER头基峰间距定义）为5.25 nm，与实验测得的5.31 nm高度一致。CER尾链的质量密度分布呈“W”形，证实了与实验结果相符的尾链相互嵌入（interdigitation）的排列方式。这表明所用的MD模型能够可靠地复现实验结构。 2. 表面活性剂对脂质膜整体结构的影响图2：在100% $\ce{D2O}$水合条件下，纯CER/CHOL/FFA膜以及添加了1 mol%不同表面活性剂的混合膜的中子衍射一维图。数字表示SPP层状结构的衍射级数，星号表示胆固醇晶体的衍射峰。中子衍射图谱显示，所有样品都形成了高度有序的层状结构。层间距基本不变：纯脂质膜的SPP重复距离为 $53.4 \pm 0.5$ Å。加入1 mol%的任何一种表面活性剂后，该距离基本保持不变（约 $53.2$ Å）。有序性增强：一个有趣的现象是，加入表面活性剂后，衍射峰（尤其是高阶峰，见图S3）变得更加尖锐明显。这表明表面活性剂的加入反而使脂质膜的层状结构变得更加规整有序。胆固醇峰变化：另一个显著变化是，代表相分离结晶胆固醇的衍射峰（星号所示）强度在加入表面活性剂后有所下降。 3. 核心发现一：尾链结构决定膜的水合程度图3：(A) 纯脂质膜(CERPure)在8% $\ce{D2O}$和100% $\ce{D2O}$水合下的相对SLD剖面图，以及两者的差值曲线（蓝色实线），即水的SLD分布。(B) 不同模型膜中水的相对SLD剖面图。(C) 根据图3B计算出的水SLD剖面的截距和斜率。所有表面活性剂均增强水合：如图3B所示，与纯脂质膜（黑线）相比，所有添加了表面活性剂的膜，其边界区域（X ≈ ±27 Å，对应脂质头基位置）的水SLD信号都显著增强。这表明表面活性剂的亲水头基吸引了更多的水分子，导致膜整体的水合程度增加。水合程度与尾链结构相关：如图3C所示，不同表面活性剂增强水合的能力不同。通过比较边界处的水SLD峰高（截距）和梯度（斜率），发现水合作用的强度顺序为： $\ce{C16HAB}$ > $\ce{IHAB}$ > $\ce{C18HAB}$ > $\ce{OHAB}$ > 纯脂质膜。这个顺序与表面活性剂尾链的亲水性/疏水性密切相关。剂量依赖性：图S7（水SLD剖面图对比CERPure, CER$\ce{OHAB}$-1%和CER$\ce{OHAB}$-2%）进一步证实了这种水合增强效应。将$\ce{OHAB}$的浓度从1 mol%增加到2 mol%，膜边界的水SLD峰变得更高，表明水合作用的增强与表面活性剂的浓度呈正相关。 4. 核心发现二：表面活性剂促进胆固醇重排图4：(A) 不同模型膜在8% D₂O水合下的相对SLD剖面图。(B) 混合膜与纯脂质膜在8% D₂O下的SLD差值图，反映了表面活性剂和重排脂质的SLD分布变化。(C) 不同模型膜中胆固醇晶体衍射峰的强度比较。表面活性剂的定位：在8% $\ce{D2O}$的衬度下，水的信号被“屏蔽”。如图4A和4B所示，加入表面活性剂后，膜边界区域的SLD增加，而中心区域的SLD降低。这证实了表面活性剂的分子取向：亲水头基位于膜边界的水/脂界面，疏水尾链伸入膜中心的疏水核。胆固醇的重排：最关键的发现来自图4C。纯脂质膜中存在明显的结晶胆固醇衍射峰。加入表面活性剂后，该峰的强度显著下降，且下降程度与表面活性剂种类有关，顺序为： IHAB > $\ce{C16HAB}$ > $\ce{C18HAB}$ > OHAB。这表明，表面活性剂能够促进原本相分离出来的结晶胆固醇，重新溶解并整合到SPP的层状结构中。其中，支链的IHAB效果最好，这可能是因为其较大的尾链体积能更有效地在脂质层中为胆固醇“腾出空间”。 5. 分子机制的动态模拟验证图5：(A-C) 含$\ce{C16HAB}$的混合膜的MD模拟结果，包括快照、质量密度分布和径向分布函数(RDF)。(D-F) 含$\ce{IHAB}$的混合膜的MD模拟结果。 MD模拟为上述实验发现提供了微观图像。分子排布：模拟快照和质量密度分布图（图5B, 5E）清晰地显示，表面活性剂（红色和蓝色）的头基确实位于CER头基（灰色）外侧，更靠近水层（绿色），与中子衍射结果完美吻合。水合机制：通过计算径向分布函数（RDF），模拟揭示了水合变化的细节。图S9（LA与表面活性剂头基的RDF）显示，表面活性剂的阳离子头基会与脂肪酸的阴离子头基发生强烈的静电吸引。这种离子对的形成会“挤走”原本与脂肪酸头基结合的水分子（见表S4，LA的第一水合层水分子数从3.24下降到3.07或2.96）。然而，由于表面活性剂自身的头基（特别是两个羟乙基）具有强大的水合能力（第一水合层水分子数高达27个左右），其吸引的水分子远超脂肪酸失去的水分子，因此宏观上表现为膜整体水合程度的显著增加。 6. 总结：双重作用机制模型示意图1：模型SC中SPP双层结构的示意图。(a) 不含表面活性剂的纯SC膜，同时存在SPP相和CHOL相。(b) 表面活性剂-脂质混合模型膜，结晶CHOL分子迁移到SPP中，双层膜的水合作用增强。综合所有结果，作者提出了表面活性剂作为渗透促进剂的双重作用机制。它并非简单地通过“搞乱”脂质层来增强渗透。一方面，它通过自身强大的水合能力，显著增加了SC脂质膜极性区域的含水量和流动性；另一方面，它还能促进原本以结晶形式存在的、对屏障功能不利的相分离胆固醇重新整合入有序的层状结构中。这两种看似矛盾（增加流动性 vs 增加有序组分）的作用共同决定了最终对皮肤渗透性的影响。 Q&A Q1: 为什么添加表面活性剂后，脂质膜的层状结构反而变得更“有序”（衍射峰更尖锐）？这与我们通常认为表面活性剂会“扰乱”膜的直觉相悖。 A1: 这是一个非常好的观察。这种“反直觉”的现象可能有两个原因：首先，本研究中表面活性剂的浓度非常低（1 mol%），可能不足以造成宏观上的无序化。其次，更重要的原因是表面活性剂促进了相分离的结晶胆固醇重新整合到SPP层状结构中。胆固醇本身是维持脂质层有序性和致密性的关键分子，当更多的胆固醇被有序地插入到神经酰胺和脂肪酸之间时，整个层状结构的规整性（long-range order）可能会得到提升，从而导致衍射峰变得更尖锐。这揭示了表面活性剂在低浓度下可能扮演着“结构优化剂”而非“破坏者”的复杂角色。 Q2: MD模拟结果显示，加入表面活性剂后，脂肪酸（LA）周围的水分子变少了，但这与实验观察到的整体水合增加似乎矛盾，如何解释？ A2: 这个看似矛盾的现象恰好揭示了相互作用的复杂性。MD模拟可以“看”到更精细的局部变化。脂肪酸（LA）的羧基头基带负电，而表面活性剂的头基带正电，两者之间会形成强烈的静电吸引。这种离子对的形成会“挤走”原本与脂肪酸头基通过氢键结合的水分子，导致LA的局部水合下降。然而，从整个体系来看，一个表面活性剂分子（特别是其头基上的两个羟乙基）自身所能吸引和结合的水分子数量，远远超过了一个脂肪酸头基失去的水分子数量。因此，局部的“脱水”和更强的全局“增水”效应同时发生，最终宏观表现为膜整体水合程度的显著增加，这与中子衍射的实验结果是完全一致的。关键结论与批判性总结核心结论低浓度（1 mol%）的阳离子表面活性剂并不会破坏SC脂质模型膜（SPP）的整体层状结构，反而会使其更有序。所有测试的表面活性剂都显著增加了模型膜的水合程度，其效果与疏水尾链的结构密切相关，亲水性越强（如链越短、有支链）的尾链导致的水合作用越强。表面活性剂能够促进相分离的结晶胆固醇重新整合入SPP层状结构中，其中空间位阻较大的支链表面活性剂（$\ce{IHAB}$）效果最为显著。 MD模拟揭示，表面活性剂的亲水头基位于水/脂界面，疏水尾链伸入膜核心，其强大的水合能力是导致膜整体水合增加的主要原因。潜在影响为理解表面活性剂与皮肤屏障的相互作用提供了分子层面的新视角，揭示了其作为渗透促进剂的“双重作用”机制（增强水合+重排胆固醇）。为化妆品和透皮给药系统的配方设计提供了重要的理论指导，表明可以通过精细调控表面活性剂的分子结构来定制其对皮肤屏障的功能影响。存在的局限性研究采用了简化的SC脂质模型（仅SPP），未能包含更复杂的LPP结构以及角质层中的蛋白质等其他组分。仅研究了阳离子表面活性剂，结论是否适用于阴离子或非离子表面活性剂尚不明确。研究主要在平衡态下进行，未能完全反映真实皮肤上产品使用过程中的动态相互作用。未来研究方向将研究扩展到包含LPP的更复杂的脂质模型，甚至离体皮肤模型。系统研究其他类型（阴离子、非离子、两性）表面活性剂的结构-效应关系。结合其他实验技术（如红外光谱、NMR等）进一步探究表面活性剂对脂质链构象和动力学的影响。附录 SLD剖面图 $\rho(x)$ 的物理意义 SLD剖面图，即中子散射长度密度（Neutron Scattering Length Density, SLD）剖面图 $\rho(x)$，可以直观地理解为一维的“分子地图”，它展示了沿特定方向（在此研究中是垂直于脂质膜平面的方向，即MD模拟中的z轴）物质分布的情况。基本定义：从物理化学角度看，$\rho(x)$ 代表在位置 x 处单位体积内的中子散射能力。您可以将其类比为X射线衍射中的“电子密度图”。每个原子核都有一个固有的中子散射长度（scattering length），$\rho(x)$ 就是在x位置一个微小体积元内所有原子核散射长度的总和除以该体积元。如何解读：通过分析$\rho(x)$曲线的形状，我们可以推断出不同分子基团在膜中的空间排布：峰（Peak）：$\rho(x)$值高的区域，意味着该处富含中子散射能力强的原子。在本研究中，由于重水（$\ce{D2O}$）的氘（D）原子具有很高的正散射长度，因此SLD的峰值通常对应于水分子富集的区域，也就是亲水性的脂质/表面活性剂头基所在的界面处。谷（Trough）：$\rho(x)$值低的区域，意味着该处富含中子散射能力弱或为负值的原子。氢（H）的散射长度为负值，因此SLD的谷值通常对应于富含C-H键的疏水性烷基链区域，即膜的中心。平台（Plateau）：相对平坦的区域表明该处的物质分布较为均匀。对于MD研究者的意义：SLD剖面图是从中子衍射实验数据（存在于倒易空间）通过傅里叶变换得到的真实空间图像。它提供了一个与您的MD模拟中质量密度分布（mass density profile）或原子数密度分布（number density profile）直接对应的实验验证结果。通过对比实验SLD剖面图和模拟密度分布图，可以验证您的模拟体系是否准确地复现了真实的分子排布。 SLD剖面截距 (Intercept) 的物理意义在这篇论文的语境中，“截距”（Intercept）是一个用于量化水合程度的参数。具体定义：作者将“截距”定义为水分子的SLD剖面图在单位晶胞最边界处（X = ±27 Å）的$\rho(x)$值。这个位置对应于脂质头基与体相水层接触最充分的界面。物理意义：因此，截距的物理意义是水/脂界面处的最大水分子密度，它直接反映了模型膜表面的最大水合程度。截距值越大，意味着在膜的边界处聚集了更多的$\ce{D2O}$分子，表明该膜体系的亲水性越强，水合能力也越强。在图3C中，作者通过比较不同体系的截距大小，直接得出了不同表面活性剂增强膜水合能力的强弱顺序。 SLD剖面斜率 (Slope) 的物理意义与截距类似，“斜率”（Slope）也是一个量化水合特征的参数。具体定义：作者将“斜率”定义为水分子SLD剖面图在亲水头基区域（从 X = 20 Å 到 27 Å）的曲线梯度。这个区域代表了从水/脂界面向膜疏水核心过渡的地带。物理意义：斜率的物理意义是亲水头基区域的水密度梯度。它描述了水分子密度从膜表面向内渗透时下降的快慢程度。斜率绝对值越大（曲线越陡峭），表示水分子密度从界面处向内急剧下降。这通常意味着水分子被紧密地束缚在最外层的亲水头基周围，形成一个界限分明、比较致密的水合层。斜率绝对值越小（曲线越平缓），表示水分子密度向内下降得比较缓慢，水合层可能更为弥散（diffuse），或者水分子能够渗透到头基区域更深的位置。在本文中，作者将更大的斜率和更大的截距共同作为膜水合作用增强的标志，即表面活性剂的加入不仅吸引了更多的水分子（高截距），还使这些水分子在界面处形成了密度更高、梯度更陡峭的水合层（大斜率）。

Specific Sytems

电荷少，效果好？解密疏水作用如何助力高效基因递送本文信息标题: Role of Charge Density of Polycations in DNA Complexation and Condensation 作者: Jianxiang Huang, Yangwei Jiang, Dong Zhang, Jingyuan Li, Youqing Shen, Ruhong Zhou 单位: 浙江大学生命科学学院定量生物学中心引用格式: Huang, J., Jiang, Y., Zhang, D., Li, J., Shen, Y., & Zhou, R. (2025). Role of Charge Density of Polycations in DNA Complexation and Condensation. Biomolecules, 15(7), 983. https://doi.org/10.3390/biom15070983 摘要聚阳离子基因载体在基因递送领域已被广泛研究，其电荷密度在凝聚核酸中扮演着关键角色。最近，我们合成了两种具有不同电荷密度的聚阳离子：聚(2-(二甲氨基)乙基甲基丙烯酸酯)（表示为A100）和一种由2-(四氢亚甲基亚氨基)乙基甲基丙烯酸酯与2-(二异丙氨基)乙基甲基丙烯酸酯以3:1进料比共聚的聚合物（表示为B75D25）。尽管B75D25基载体的电荷密度较低，但其展现出比A100基载体更高的转染效率，这启发了一个假说：疏水相互作用，而不仅仅是高电荷密度，增强了DNA的复合与基因递送。本研究旨在通过分子动力学（MD）模拟研究DNA与B75D25和A100的复合过程，以探究这些差异背后的分子机制。我们的模拟显示，DNA被B75D25相当均匀地覆盖，并且这种复合不仅由与DNA的静电吸引驱动，更重要的是由B75D25之间的疏水相互作用驱动。相反，由于A100之间强烈的静电排斥，只有一小部分A100能与DNA结合。我们的结果揭示了疏水相互作用对低电荷密度B75D25与DNA复合的贡献。这些结果表明，高电荷密度可能并非DNA凝聚和高效基因递送的必要条件。背景基因治疗，通过将治疗性核酸（如DNA）递送到目标细胞以纠正遗传缺陷，正逐渐成为一种前景广阔的革命性医疗策略。然而，脆弱的核酸分子无法独自“闯荡”复杂的体内环境，它们需要被包裹在载体中，以保护其免受降解，并帮助其穿透细胞膜的壁垒。目前，临床上使用的基因疗法多依赖于病毒载体，但其高昂的成本、有限的装载能力、潜在的免疫原性和致癌风险，极大地限制了其广泛应用。因此，开发更安全、更经济的非病毒载体成为了该领域的关键。其中，聚阳离子是一类极具潜力的非病毒载体。它们是带有正电荷的长链聚合物，能够通过静电吸引力与带负电的DNA结合，并将其“压缩”成纳米级别的致密颗粒（称为“polyplex”），从而保护DNA并促进其进入细胞。长期以来，该领域的一个核心设计准则是：聚阳离子的电荷密度越高，其与DNA的结合力就越强，形成的颗粒就越致密，基因递送效率也理应越高。这个直观的理论指导了许多载体的设计。关键科学问题然而，近期的实验结果开始挑战这一传统认知。本文作者团队前期合成并测试了两种结构相似但电荷密度差异巨大的聚阳离子：A100（在pH 7时约有50%的单元带正电，高电荷密度）和B75D25（在pH 7时仅有约10%的单元带正电，低电荷密度）。实验结果惊人地发现，低电荷密度的B75D25所介导的基因转染效率，反而显著高于高电荷密度的A100。这一反常现象引出了本研究的核心科学问题：为何在静电吸引力明显更弱的情况下，低电荷密度的B75D25反而能成为更优秀的基因载体？是什么被忽略的关键物理化学作用力在其中扮演了更重要的角色？本研究旨在通过全原子分子动力学模拟，从分子层面深入剖析这两种聚阳离子与DNA相互作用的动态过程，揭示这一反常现象背后的物理机制。创新点挑战传统认知：通过原子级别的模拟证据，有力地挑战了“电荷密度越高越好”的传统基因载体设计准则。揭示关键机制：首次从分子动力学角度，清晰地揭示并量化了聚阳离子间的疏水相互作用在稳定DNA复合物中的主导作用。提供新设计思路：研究结果表明，通过巧妙地平衡疏水性与静电相互作用，可以设计出电荷密度更低、潜在毒性更小且效率更高的非病毒基因载体，为未来的载体设计提供了新的方向。研究内容核心方法：全原子分子动力学模拟为了在原子尺度上“观察”DNA与聚阳离子的相互作用，研究者构建了精细的计算机模拟体系。他们将一段标准的B型DNA（Drew-Dickerson十二聚体）置于水盒子中央，周围环绕着24条聚阳离子链（A100或B75D25），并加入离子以模拟生理盐浓度。随后，利用经典的GROMACS软件进行长达数百纳秒（ns）的分子动力学模拟，追踪每一个原子的运动轨迹。 graph TD subgraph "体系构建" direction LR A["DNA模型 Drew-Dickerson十二聚体"] --> C; B["聚阳离子模型 A100 (高电荷) 或 B75D25 (低电荷)"] --> C; end subgraph "模拟与分析" direction LR CMD模拟 GROMACS软件 数百纳秒轨迹 --> D[("轨迹分析")]; end subgraph "关键分析手段" direction LR D --> E["COM距离 分析整体结合趋势"]; D --> F["接触分析 区分疏水与静电相互作用"]; D --> G["PMF计算 量化相互作用强度"]; end classDef main fill:#e6f2ff,stroke:#007bff,stroke-width:2px; class C,D main; 结果与分析本文的研究思路遵循着“观察反常现象 -> 提出假说 -> 精细化验证 -> 得出结论”的经典科研逻辑，如下图所示： graph TD A["现象 低电荷B75D25完全包裹DNA 高电荷A100仅部分结合"] --> B核心假说 B75D25的优异性能 由链间疏水作用主导， 而非链与DNA间的静电作用; subgraph "假说验证" direction LR B --> C["证据1：接触分析 B75D25链间以疏水接触为主"]; B --> D["证据2：自由能计算 拉开B75D25需克服巨大能量壁垒 （40.6 kcal/mol）"]; end subgraph "结论" direction LR E(主要结论 疏水作用是低电荷载体 形成稳定包裹的关键) --> F(最终推论 平衡疏水与静电是更优的设计策略); end A --> B C & D --> E A --> F classDef observation fill:#e6f2ff,stroke:#007bff,stroke-width:2px; classDef hypothesis fill:#e8fef0,stroke:#28a745,stroke-width:2px; classDef evidence fill:#fff,stroke:#6c757d,stroke-width:2px; classDef conclusion fill:#fff8e1,stroke:#ffc107,stroke-width:2px; class A observation; class B,G hypothesis; class C,D evidence; class E,F conclusion; 1. 反常识的包裹现象：为何“弱者”胜出？模拟结果首先从宏观上复现了实验的怪异现象。对于低电荷密度的B75D25体系，24条聚阳离子链在模拟开始后迅速向DNA靠拢，并在约25 ns内全部聚集在DNA周围，形成了一个厚度可达2.5 nm的、完整且均匀的保护层。相反，对于高电荷密度的A100体系，尽管其与DNA的静电吸引力更强，但由于A100链之间强烈的同种电荷排斥力，平均只有约7条（最多约10条）链能够成功结合到DNA上，其余大部分都被排斥在外，未能形成有效的保护层。补充材料中的数据显示（图S7），B75D25的包裹层在25 ns内就迅速稳定地包含了全部24条聚合物链，而A100的包裹层始终只有不到一半的链参与，定量地证实了这种包裹效率的巨大差异。图2：聚阳离子-DNA的复合过程及体系的最终模拟构象。（a） DNA与聚阳离子之间平均质心（COM）距离随时间的变化。阴影误差带代表平均值的标准误差。（b）从DNA开始的净电荷分布。误差棒代表平均值的标准误差。（c） B75D25/DNA复合物的最终模拟构象，虚线圆标记了电荷中和距离 $R_{0}$ 以内的区域。（d） A100/DNA复合物的最终模拟构象。 2. 揭秘B75D25的“隐藏力量”：疏水相互作用既然静电吸引无法完全解释B75D25的优异包裹能力，研究者将目光投向了另一种重要的作用力：疏水相互作用。通过精细的接触分析，他们发现，在B75D25形成的保护层中，聚阳离子链与链之间的相互作用，主要由非极性原子间的接触（即疏水相互作用）所主导，其接触数量显著高于极性原子间的接触。这表明，B75D25链倾向于彼此“抱团”，形成一个稳定的疏水核心，从而将DNA包裹在内。图3：B75D25聚合物间的疏水相互作用。（a） B75D25的疏水接触表面积随时间的变化。（b） B75D25之间的接触原子对（红色线为极性-极性对，绿色线为非极性-非极性对）。（c） B75D25与DNA之间的疏水接触表面积随时间的变化。（d） B75D25与DNA之间的接触原子对。为了进一步量化这种“抱团”的力量有多强，研究者通过伞形采样模拟计算了将一条B75D25链从复合物中拉出的自由能代价（PMF）。结果显示，拉出一条B75D25链需要克服高达 $40.6\ \mathrm{kcal/mol}$ 的能量壁垒，这是一个非常巨大的数值，强有力地证明了B75D25聚合物之间的疏水聚集是其形成稳定保护层的根本原因。图4：沿着反应坐标（定义为被选择的B75D25链的COM与DNA的COM之间的距离）的平均力势（PMF）。插图显示了用于PMF计算的反应坐标。 3. 重新审视静电相互作用分析同样证实，B75D25的质子化胺基与DNA的磷酸骨架之间确实存在静电吸引和氢键作用。然而，这些相互作用的强度和数量都相对温和。相比之下，A100与DNA形成的静电相互作用虽然更强，但这种强作用力是一把“双刃剑”，它同时也导致了A100链之间更强烈的排斥，最终阻止了它们形成有效的整体包裹。这一电荷密度的差异在补充材料的静电势表面图中（图S2）得到了直观的展示，A100表面呈现出大片的强正电势（蓝色），而B75D25表面则大部分呈中性（白色）。因此，B75D25的成功策略可以总结为：利用温和的静电吸引将自身“锚定”在DNA表面，再依靠强大的链间疏水作用力完成“自组装”，形成稳定外壳。图5：DNA与B75D25聚合物的相互作用。（a） B75D25聚合物的质子化胺氮原子围绕DNA磷酸磷原子的径向分布函数。（b） DNA(P)与B75D25（质子化N）相互作用的代表性快照。（c）接触数的时程演化。（d）氢键数量的时程演化。 Q&A Q1：“疏水接触表面积”具体是指什么？它指的是B75D25链与链之间，还是B75D25与DNA之间的接触？ A1：这是一个非常关键的区别。本文分析了两种疏水接触表面积：一种是B75D25链与链之间的（图3a），另一种是B75D25与DNA之间的（图3c）。结果显示，链与链之间的疏水接触表面积（最终达到约 $180\ \mathrm{nm}^2$）远大于链与DNA之间的（约 $5\ \mathrm{nm}^2$）。您观察得非常正确，DNA的疏水碱基主要位于双螺旋内部，其暴露在表面的主要是亲水的磷酸脱氧核糖骨架。因此，B75D25与DNA的直接疏水作用相对较弱。这恰恰反过来强化了本文的核心论点：驱动B75D25形成稳定多层包裹的主要力量，并非来自与DNA的直接作用，而是来自B75D25链与链之间强大的疏水“抱团”效应。 Q2：B75D25的非极性接触比极性接触多，有没有可能是因为它本身的非极性原子就比极性原子多？作者是否考虑了这一点？ A2：这是一个非常深刻的问题，触及了数据归一化的核心。确实，从化学结构上看，B75D25的疏水单元（TMI）占75%，其非极性碳氢原子在数量上就远多于极性质子化氮原子。…… 小编觉得就应该是说明自己跟自己是疏水，那大部分原子都是非极性的当然是非极性接触。。 B75D25和DNA的结合仍然是静电驱动的，但大量B75D25和DNA的结合是疏水主导。 Q3：为什么后续的几张图（如PMF和RDF分析）主要表征B75D25，而没有对A100进行同样的分析？ A3：这反映了研究的逻辑聚焦。在初步的模拟中，研究已经明确了一个核心现象：B75D25成功形成了稳定的多层包裹，而A100因为强烈的内部排斥而失败了。因此，后续研究的核心科学问题就变成了：“成功者”B75D25究竟是靠什么机制成功的？于是，后续的PMF（测量聚集强度）和RDF（测量静电作用）等精细分析，都是为了深入刻画B75D25的成功机制。对A100进行PMF分析的意义不大，因为它根本没有形成一个可供“拉开”的稳定聚集体。作者在补充材料（图S12）中确实也计算了A100的RDF，并证实了其与DNA存在很强的静电吸引。小编觉得还是可以拉的…… Q4：这项研究对未来设计基因载体有何具体的指导意义？ A4：它提供了一个全新的设计范式。传统的设计思路是尽可能增加聚合物的正电荷。而本研究表明，一个更优的策略是“疏水与静电的协同设计”。未来的基因载体可以设计成这样：1）保留适量的正电荷，足以让载体与核酸发生初始的静电吸引；2）引入可控的疏水基团，利用疏水效应驱动载体分子自组装成稳定的纳米颗粒核心。这种设计不仅可能提高包裹效率和稳定性，还可能因为总体电荷较低而降低细胞毒性。 Q5：高电荷密度的A100与DNA之间存在很强的静电吸引，这个事实如何支撑“链间静电排斥是其失败主因”的结论？ A5：这个逻辑是成立的，它通过排除法得出了结论。首先，补充材料（图S6, S12）的数据证实了A100与DNA的吸引力非常强（甚至强于B75D25）。这就排除了“吸引力不足”是A100包裹失败的原因。既然吸引力足够强，但大部分A100链依然无法靠近DNA，那么必然存在一个更强大的、阻止它们靠近的拮抗力。在水溶液和离子环境中，对于带有大量同种电荷的A100分子链来说，这个力只能是它们彼此之间的静电排斥力。因此，正是因为“与DNA的吸引力很强”这个前提，我们才能更有信心地断定，是“链间的排斥力”阻止了更多A100的结合。也不算支撑，就是排除了一个答案 Q6：研究的核心论点是疏水作用“主导”了B75D25的包裹行为，但图5也显示了稳定的静电和氢键相互作用。我们如何客观评估这两种作用力的相对重要性？ A6：这是一个非常深刻的批判性问题。作者的“疏水主导”论点主要基于两个证据：1）链间的非极性接触数量远超极性接触（图3b）；2）将一条链从聚集体中拉开需要克服巨大的能量壁垒（$40.6\ \mathrm{kcal/mol}$，图4）。然而，正如您所指出的，图5也清晰地显示了B75D25与DNA之间存在着峰值尖锐的径向分布函数（RDF）和持续存在的氢键，这证明静电相互作用同样不可或缺。一个更严谨的解读是：静电吸引是“必要非充分”条件，而疏水作用是“决定性”因素。可以这样理解：静电吸引像是“船锚”，负责将第一批B75D25分子链从溶液中捕获并锚定到DNA表面。没有这个初始步骤，B75D25链将只是在溶液中随机漂浮。然而，仅靠这个“船锚”不足以形成一个稳定厚实的保护层，因为链与链之间仍然存在一定的排斥。此时，强大的链间疏水作用开始扮演主角，它像“万能胶”一样，将已经锚定和新到来的B75D25链紧密地粘合在一起，克服了它们之间的排斥力，最终形成了那个完整的多层包裹结构。因此，静电作用负责“启动”，而疏水作用负责“建成并稳定”。 Q7：研究比较了50%带电的A100和10%带电的B75D25。是否存在一个“最佳电荷密度”的甜点区？ A7：这是一个极好的问题，也是本研究未能直接回答的。本文通过两个极端的例子，雄辩地证明了“越高越好”的理论是错误的，并揭示了疏水作用的重要性。但这确实留下了一个开放性问题：是否存在一个最佳的平衡点？例如，一个25%或30%带电、同时保持疏水性的聚合物，是否会表现出比B75D25更优的性能？本研究的结论强烈暗示了这样一个“甜点区”的存在，即电荷密度既要足够强以启动与DNA的结合，又要足够弱以避免过度的链间排斥。探索这个最佳区间，将是后续研究中一个非常有价值的方向。 Q8：模拟使用的是一段短的、线性的DNA。真实世界中的DNA（如质粒）是环状且超螺旋的，这会对结果产生什么影响？ A8：这个问题触及了模型简化与生物现实之间的差距。使用短链DNA是计算模拟中的常见简化，但真实情况远为复杂。超螺旋的质粒DNA具有更紧凑的结构和更高的局部电荷密度，这可能会增强与聚阳离子的初始静电吸引。然而，其复杂的拓扑结构也可能对聚合物的缠绕和包裹方式提出新的挑战。例如，聚合物链可能被“卡”在DNA的扭结中。此外，本文的模拟也没有考虑DNA末端效应，而补充材料（图S8）中的周期性DNA模拟初步探讨了这一点。总的来说，虽然本研究揭示的基本物理原理（静电vs疏水）很可能同样适用，但这些原理在更复杂的DNA拓扑结构上如何具体表现，仍需进一步的研究。关键结论与批判性总结关键结论本研究通过全原子分子动力学模拟，为“低电荷密度聚阳离子B75D25比高电荷密度聚阳离子A100具有更优的基因转染效率”这一反常实验现象提供了深刻的分子机制解释。研究明确指出，一个成功的基因载体不仅需要与DNA有足够的静电吸引力，聚合物链之间的相互作用也同样至关重要。对于B75D25，强大的链间疏水相互作用是主导力量，它驱动聚合物自发地聚集、包裹在DNA周围，形成了一个稳定且完整的保护层。对于A100，过高的电荷密度导致了强烈的链间静电排斥，这种排斥力超过了其与DNA的吸引力，使得大多数聚合物链无法靠近DNA，最终导致包裹失败。因此，本研究的核心结论是：聚阳离子的包裹能力与其电荷密度并非简单的正比关系。适度的疏水性可以有效补偿较弱的静电吸引，通过链间聚集效应，同样能形成稳定的DNA复合物，并可能因为较弱的结合力而有利于在细胞内更高效地释放DNA，从而实现更优的基因递送。批判性总结潜在影响：这项工作为非病毒基因载体的设计提供了全新的、反传统的设计思路。未来的研究者在设计新型聚阳离子载体时，或许应该将目光从“如何最大化电荷”转向“如何巧妙地平衡静电与疏水相互作用”，这可能为开发出更低毒、更高效的基因治疗工具开辟新的道路。研究局限性：作者在文中也坦诚地指出了本研究的局限性，主要包括分子动力学模拟的时间尺度限制和计算中使用的力场精度可能存在固有偏差。未来展望：为了克服这些局限，未来的研究可以采用粗粒化模拟等方法来探索更长的时间和空间尺度。最重要的是，本研究的计算发现迫切需要进一步的实验验证，例如通过细胞摄取、内涵体逃逸等实验，来证实这种以疏水作用为主导的包裹机制是否真的能转化为最终的体内基因递送优势。

Specific Sytems

Specific Sytems

分子主轴相对膜法向的取向角用于识别膜肽插入状态的S/T/I三态模型与实验证据核心概念：取向角作为膜插入状态的判据在研究膜蛋白、抗菌肽等分子与脂质膜的相互作用时，分子主轴相对膜法向的取向角（tilt angle, θ）是判断其插入状态的核心结构参数。这一指标可通过分子动力学模拟、固态NMR等实验手段定量测定，为理解膜-分子相互作用提供了直接的结构基础。取向角是分子主轴（如α-螺旋轴）与膜法向（z轴）之间的夹角，这一几何参数提供了判断膜插入状态的定量判据： θ≈0°：分子垂直于膜平面，对应典型的跨膜插入态，疏水核心完全埋藏在膜的疏水区域 θ≈90°：分子平行于膜表面，两亲性螺旋的疏水面朝向脂质而极性面朝向水相中间角度：代表部分插入、倾斜跨膜等倾斜态，反映了膜-分子相互作用的多样性和复杂性 S/T/I三态模型：从定义到分类三态的经典定义（$\ce{^2H}$-NMR方法学） Strandberg等人通过$\ce{^2H}$-NMR系统分析了PGLa在膜中的取向和动力学，首次建立了S/T/I三态分类体系，并通过涨落分析验证了这一分类的物理合理性。三种取向态的定义状态全称倾斜角τ 方位角ρ 物理意义 S-state Surface（表面态） 60–120° 变化螺旋平行于膜表面 T-state Tilted（倾斜态） 30–60°或120–150° ~110–120° 螺旋倾斜插入膜内 I-state Inserted（插入态） 0–30°或150–180° ~90–100° 螺旋垂直跨膜形成孔道该示意图清晰展示了三种典型取向及其功能含义： S-state中螺旋平行于膜表面（τ≈90°），疏水面朝向脂质双层而亲水面朝向水相，体现表面吸附特征 T-state以一定角度（τ≈45°）倾斜插入膜内，是表面吸附向跨膜插入过渡的关键中间态 I-state近乎垂直于膜平面（τ≈0-10°），疏水核心完全埋藏在膜内，对应跨膜插入与成孔三种状态的几何差异对应功能差异，体现从表面结合到倾斜插入再到跨膜成孔的渐进过程研究动机：为什么$\ce{^2H}$-NMR能“看穿”分子的运动？想象一下，你想知道一根漂浮在水面上的木头是静止的还是在微微晃动。如果只拍一张照片（静态测量），你只能看到它此刻的角度；但如果录一段视频（动态测量），你就能知道它的晃动幅度有多大。 $\ce{^2H}$-NMR就是这样一种“能录制分子晃动”的技术。传统的观点认为NMR只能给出平均结构，但Strandberg团队发现：只要精细分析谱线形状，就能同时得到两个信息：平均角度：分子大部分时间待在什么位置晃动幅度：分子围绕这个位置晃了多大角度这种方法的威力在于：不仅能区分S/T/I三种状态，还能通过晃动幅度的差异来验证这种分类是否物理合理。核心逻辑：从一张图里提取三个参数 $\ce{^2H}$-NMR测的是氘原子（$\ce{^{2}H}$）的核四极分裂，这个分裂值直接取决于C-D键相对磁场的取向。对于$\alpha$-螺旋上的Ala-d3标记，每个残基的分裂值可以写成： [\Delta \nu_q = \frac{3}{2} \frac{e^2 q Q}{h} \left( 3\cos^2\beta - 1 \right)] 其中$\beta$是C-D键与磁场的夹角，背后对应两个关键几何量：倾斜角$\tau$为螺旋轴与膜法向的夹角，直接决定插入深度与跨膜程度；方位角$\rho$为螺旋绕自身轴的旋转角，决定哪一侧面朝向膜内或水相。分子晃动会把分裂值“平均化”，晃动越大分裂越小，因此可从谱线强度同时反推出平均角度（$\tau_0$, $\rho_0$）和晃动幅度（$\sigma_\tau$, $\sigma_\rho$）。图2给出倾斜角$\tau$与方位角$\rho$的几何定义：$\tau$描述螺旋轴与膜法向的夹角，$\rho$描述螺旋绕自身轴的旋转角。两者共同决定“是否插入”和“朝向哪一侧”，是区分三态的几何基础。倾斜角τ的数学表达 [\tau = \arccos(\vec{h} \cdot \vec{n})] 其中$\vec{h}$是螺旋轴向量，$\vec{n}$是膜法向单位向量。 PGLa的三态：一张图讲清抗菌肽如何“作案” Strandberg团队选择了PGLa这个经典的抗菌肽作为研究对象。为什么选它？因为PGLa在不同条件下会表现出三种截然不同的取向，这正是建立“三态模型”的完美材料。表1：PGLa的三种取向状态状态全称条件结构特征角度参数晃动幅度物理图像 S-state Surface（表面态）低浓度（肽:脂=1:200）单体平躺膜表面 $\tau = 97°$, $\rho = 117°$ $\sigma_\tau = 17°$, $\sigma_\rho = 19°$ 人趴在草地上，被表面吸附限制，晃动中等 T-state Tilted（倾斜态）中浓度（肽:脂=1:50）二聚体倾斜插入 $\tau = 121°$, $\rho = 111°$ $\sigma_\tau = 11°$, $\sigma_\rho = 20°$ 两人手拉手斜插土里，二聚体约束让晃动减小 I-state Inserted（插入态）与magainin-2协同（肽:肽=1:1）寡聚体跨膜成孔 $\tau = 157°$, $\rho = 97°$（等效$\tau = 23°$） $\sigma_\tau = 8°$, $\sigma_\rho = 20°$ 多人围圈钻透土层，刚性约束让晃动最小这三个状态不仅角度不同，晃动幅度也呈系统性递减：晃动幅度从17°降到11°再到8°，与“单体→二聚体→寡聚体”的物理图像高度一致单体自由度最大，二聚体受限明显，寡聚体最有序，这一变化体现动力学约束的递增这说明三态分类并非人为划分，而是有清晰物理差别的真实状态对照实验：WALP23的“自由爵士” 为了证明PGLa的规律不是偶然，Strandberg团队测量了WALP23这个疏水跨膜肽，得到一组强对照结果： WALP23倾斜角$\tau_0 = 14°$接近垂直，但晃动幅度高达$\sigma_\tau = 26°$, $\sigma_\rho = 66°$，显示极强的自由旋转作为单体肽，WALP23不受寡聚体约束，可在膜内自由摆动，与PGLa的I-state形成鲜明对比这一对照验证了“寡聚体越有序，晃动越小”的普遍规律，也证明$\ce{^2H}$-NMR能解析动态约束而不止于静态结构为了直观理解S/T/I三态与对照构象的差别，见图1。子图A–C对应PGLa的S/T/I三态，子图D/E为WALP23在DMPC与DLPC中的跨膜取向，灰度阴影表示疏水性梯度，便于对照插入深度与取向变化。为什么这篇论文重要？这篇论文的重要性体现在四个方面：方法学突破：首次证明$\ce{^2H}$-NMR可以同时提取静态角度和动态涨落，超越传统NMR只能给出平均结构的局限三态模型建立：为膜肽研究提供统一描述框架（S/T/I），使不同实验室的数据具备可比性物理合理性验证：通过涨落分析确认三态不是人为划分，晃动幅度递减与寡聚化程度完全一致普适性：该方法随后被广泛用于多类膜肽与膜蛋白研究，成为领域内的标准工具 PGLa：温度诱导的态转变 PGLa的温度/相态依赖（T态↔S态、低温DNP验证、脱水导致的I态）已经在《倾斜角的物理决定因素：从膜厚度到跨膜电位》中完整展开，这里不再重复。 $\ce{^{15}N}$ NMR化学位移与倾斜角的定量关系 [\delta_{\ce{^{15}N}} = \delta_{\parallel} \cos^2 \beta + \delta_{\perp} \sin^2 \beta] 其中$\beta$是N-H键相对磁场的取向角，$\delta_{\parallel}$和$\delta_{\perp}$是化学位移张量的主轴分量。对于α-螺旋： [\beta = \arccos(\cos \tau \cos \alpha + \sin \tau \sin \alpha \cos \rho)] 其中$\tau$是倾斜角，$\alpha \approx 17°$是N-H键相对螺旋轴的夹角，$\rho$是方位角。通过拟合实验谱图，可精确提取$\tau$和$\rho$。 S/T/I三态的具体观测 Melittin/MelP5：MD直接观测三态转变 Melittin是蜜蜂毒液中的主要成分，为26个残基的阳离子短肽，具有强烈的溶膜与抗菌活性；在中性膜中可形成由多条肽支撑的跨膜toroidal孔道。MelP5则是降低正电荷数的变体，实验上在更低浓度即可活化，因此是研究“序列电荷如何调控孔道稳定性”的理想对照。 Melittin和其突变体MelP5是形成膜孔的经典模型肽。研究者通过MD模拟直接观测到了S/T/I三态的动力学转变，提供了三态存在的直接证据。研究动机：从“静态照片”到“动态电影” 在Strandberg的$\ce{^2H}$-NMR研究之后，科学界已经有了S/T/I三态的分类，但还缺少直接的视觉证据。$\ce{^2H}$-NMR告诉我们“有这三种状态”，但没法回答：这三种状态是如何相互转换的？转换的中间过程是什么样的？什么因素驱动了这种转换？ MD模拟的优势在于：它可以记录每个时刻每个原子的位置，相当于给分子拍了一部“电影”，而不仅仅是“照片”。核心设计：亲水性突变的巧妙之处 Melittin是蜜蜂毒液中的主要成分，能在膜上打孔。MelP5是它的突变体，只在几个关键位置换成了更亲水的氨基酸。为什么要这样设计？ Melittin的原始序列：疏水性较强，倾向于稳定地跨膜 MelP5的突变序列：增加亲水性，让它更“犹豫”于插入膜中这种设计非常聪明：就像给一个本来喜欢潜水的人穿上了一件不那么喜欢水的衣服，他在水里的行为就会变得更加多样化——这正是研究者想要的，能够观察到更丰富的取向转变。实验设计：五种不同场景研究者设计了5种不同的模拟体系，覆盖了从“稳定孔道”到“解离”的完整谱系：体系描述观测到的现象 Melittin平行六聚体 6个Melittin肽段平行排列稳定的跨膜孔道，多数在I态 Melittin平行六聚体（部分解离）同上，但允许一个肽解离一个肽从孔道逃逸到S态 Melittin-MelP5混合六聚体 3个Melittin + 3个MelP5 两者的行为差异清晰可见 MelP5平行六聚体 6个MelP5肽段更大的倾斜角，更多T态 Melittin-MelP5五聚体最后只剩5个肽观察孔道维持的最小单位关键发现：三种状态的动态身份识别发现1：I-state（插入态）——孔道的“骨架” 结构特征：干三聚体稳定处于插入态，倾斜角仅9–19° 功能角色：位于孔道中心，承担跨膜孔道的结构骨架功能动力学特征：5 μs模拟中始终保持I态，几乎不发生转换，显示高度结构刚性图2展示干三聚体在平行六聚体中的逐步分离：不同颜色代表不同单体，三条螺旋从紧密结合走向轻微分开，但整体仍维持插入态；疏水侧链彼此朝内形成稳定核心，避免直接接触水性孔道。图S1进一步给出三聚体的细节构象，三条α-螺旋以反平行方式排列，疏水面朝内、亲水面朝外，解释其对孔道长期稳定的贡献。发现2：T-state（倾斜态）——孔道的“边缘” 倾斜范围：20–50°，明显高于干三聚体功能角色：连接跨膜孔道与膜表面的“桥梁” 动力学特征：在T/I之间摇摆但更偏向T态，兼顾稳定性与柔性构象直观：文中未单独给出T态的构象图，但图5的MelP5六聚体中间态可作为参考，部分单体呈明显倾斜，符合孔道边缘的T态特征发现3：S-state（表面态）——逃逸者现象特征：个别单体跃迁到~110°高倾斜角区间结构含义：从孔道区域回到膜表面吸附态功能启示：孔道组装可逆，单体可脱离并回到表面，这对抗菌肽毒性与选择性具有意义图4展示平行八聚体中单体的解离轨迹，肽段从稳定孔道逐步脱离并转向膜表面，倾斜角从~20°升至~110°，直观对应I/T向S的转换；八聚体更容易出现逃逸，提示孔道越大越易不稳定。图6补充混合体系中的快速解离：异源相互作用较弱，melittin更易从混合孔道逃逸，孔径略缩小到~0.8 nm但仍维持功能性孔道。发现4：Melittin vs MelP5的“性格差异” 亲水性突变对tilt angle的影响清晰可见：Melittin的平均倾斜角为25°（更垂直），而MelP5的平均倾斜角达39°（更倾斜）。这种差异的物理根源在于MelP5增加了亲水残基（Pro→His），导致螺旋“倾向于把头探出来透气”，更大的倾斜角意味着孔道稳定性降低，这解释了为什么MelP5在实验中表现出更快的孔道形成动力学和更低的细胞毒性。该图展示MelP5平行六聚体的构象演化：左侧为50 ns中间态，右侧为最终态，孔道逐步松散；相比melittin，MelP5倾斜角更大，部分肽段明显偏离垂直取向。不同颜色区分单体，脂质以球棍表示，直观呈现肽-膜相互作用。 MD模拟观测到的倾斜角分布肽段状态平均倾斜角描述 Melittin（干三聚体） I-state 9–19° 完全插入，维持跨膜孔道 Melittin（孔道单体） T-state 20–50° 倾斜取向，支持水性孔道 Melittin（解离单体） S-state 113° 转向表面吸附 MelP5 T/I混合 15–52°（平均39°）比melittin倾角更大，平均39° vs 25° MD模拟揭示倾斜角与功能直接相关：I-state构成孔道骨架，T-state连接孔道与表面，S-state代表脱离与回归；同时，MelP5亲水性增强（Pro→His）使平均倾斜角升至39°（melittin约25°），更“探头”的取向带来更快成孔与更高解离倾向并存的现象。为什么这篇论文重要？这篇论文的重要性体现在四个方面：直接视觉证据：在原子尺度上“看到”S→T→I的完整转变过程，这是实验难以捕捉的动态事件机制层面的深化：干三聚体构成核心骨架，外围单体支撑孔道边缘，个别单体可逃逸到表面序列与取向的关联：亲水性突变使倾斜角增大、孔道稳定性下降，为理性设计提供定量线索方法学示范价值：MD补足实验静态信息，二者结合才能完整解释膜-肽相互作用 Fis1尾锚：Monotopic vs Bitopic的取向区分 Fis1(TA)是线粒体外膜蛋白的尾锚片段，研究通过MD模拟结合增强采样技术分析了其在膜中的取向。该研究明确使用tilt-angle（$\theta$）和到膜中心的距离（$r$）作为两个集合变量来区分单层吸附（monotopic）和跨膜（bitopic）两种状态。其中“膜中心线”指穿过双层中心、沿膜法向（z轴）延伸的直线，$r$为肽段质心到这条直线的垂直距离（即在膜平面内的径向偏离），$\theta$为螺旋轴与膜法向的夹角。研究背景：尾锚蛋白的“身份危机” 尾锚蛋白（Tail-anchored protein, TA）面临两个相互竞争的取向：既可能单层吸附（monotopic）贴在膜表面，也可能跨膜插入（bitopic）穿透双层。Fis1作为酵母线粒体外膜蛋白，必须精准定位到膜上，因此“自发插入”还是“需要MIM复合物辅助”成为核心争论。核心设计：三步走策略攻克采样难题 MD模拟的难点在于采样稀有构象转换，研究者采用三步走策略：步骤目标关键参数结论要点 Simulated Annealing 让肽快速探索位置与取向 298 K → 800 K → 298 K 11次独立运行一致收敛到monotopic，插入深度约0.7 nm AA-REX 获得平衡结构与tilt angle 80个副本，298–471 K α-螺旋保持完整，tilt angle集中在20–40° Metadynamics + Hamiltonian REX 定量评估能垒集合变量$\theta$与$r$ 能垒约15–20 kJ/mol（6–8 $k_BT$）第一步：Simulated Annealing（模拟退火）——暴力破解目标：快速探索所有可能位置与取向，避免陷入局部能量谷操作：298 K升到800 K再降回298 K 结果：11次独立SA一致收敛到monotopic态，插入深度约0.7 nm 第二步：AA-REX（全原子副本交换）——精细平衡目标：获得平衡结构并精确定义tilt angle 操作：80个副本覆盖298–471 K 结果：α-螺旋完整保留，tilt angle集中在20–40° AA-REX的结构结果见图3，可按子图理解：子图(a)为代表性构象快照，显示Fis1 TA以α-螺旋形式嵌入膜内；子图(b)给出序列特异性α-螺旋倾向性，残基132–151中除羧基末端5个带电/极性残基外，其余部分螺旋性接近1；子图(c)展示残基相对膜/水界面的平均深度，疏水段（132–146）埋藏约0.7 nm，而带电末端延伸至界面附近；子图(d)给出螺旋轴与膜法向夹角的分布，用于定义并量化倾斜角$\theta$，结果显示monotopic态主要集中在20–40°。第三步：Metadynamics + Hamiltonian REX——自由能面目标：定量评估monotopic↔bitopic的自由能能垒操作：以$\theta$和$r$为集合变量驱动采样结果：能垒约15–20 kJ/mol，解释常规模拟“看不到转换”的原因是能垒过高自由能分析自由能面的关键结果见图4：子图(a)为$F(r,\theta)$自由能面，色条表示相对自由能高低，1和3对应monotopic态，2和4对应bitopic态，虚线标示膜-水界面；子图(b)给出各极小值代表构象，并用不同颜色球标记N端与C端。核心结论是monotopic与bitopic之间能垒显著，且从羧基端跨越的路径更高（文中约60 kJ/mol），与“带电末端锁定表面态”一致。 [F(\theta, r) = -k_B T \ln P(\theta, r)] 其中$P(\theta, r)$是在倾斜角$\theta$和距离$r$处的概率分布。Monotopic态对应$\theta \approx 20-40°$且$r \approx 0.7$ nm（埋藏在单层内），而bitopic态对应$\theta \approx 0-10°$且$r \approx 0$（跨越双层中心）。关键发现：带电末端的“守门员”作用自由能面揭示了四个能量极小值（monotopic为1/3，bitopic为2/4），虽然两者能量相近，但能垒高达15–20 kJ/mol，导致monotopic→bitopic几乎不可达。状态典型倾斜角$\theta$ 位置$r$ 自由能极小值物理含义 Monotopic 20–40° ~0.7 nm 1、3 单层吸附稳态 Bitopic 0–10° ~0 2、4 跨膜插入态 Fis1尾锚的羧基末端含5个连续带电/极性残基（Asn-Arg-Lys-Arg-Arg），形成“门禁”： monotopic态稳定：电荷停留在脂质头部极性区域，形成离子桥 bitopic态受阻：电荷穿越疏水核心代价高（每个电荷约3–5 kcal/mol）总能垒高：累计约15–25 kJ/mol，将构象“锁”在表面态序列分区如下：片段残基范围组成特征作用疏水段 132–146 VAL、ALA、LEU为主驱动插入与疏水匹配带电末端 147–151 R、N、K、R、R + COOH 离子桥锁定表面态发现3：验证突变的“失效”机制 A144D：疏水段引入负电荷，插入深度不足 L139P：脯氨酸破坏α-螺旋，取向不稳定综合结论：疏水段连续性与末端电荷位置必须精确，才能维持稳定拓扑为什么这篇论文重要？方法学示范：组合SA、AA-REX与Metadynamics破解稀有事件采样难题解决争议：支持Fis1可自发插入线粒体外膜，无需MIM复合物协助揭示机制：末端电荷通过能垒“锁定”monotopic态，明确拓扑决定因素可移植框架：为其他尾锚蛋白研究提供可复用的计算路径影响取向角的关键因素 S4螺旋：膜厚度、转移能与取向机制 S4是电压门控离子通道的电压感受器螺旋。采用各向异性溶剂模型（PPM 2.0）计算了其在不同膜厚度下的取向和插入自由能，揭示了膜厚度对tilt angle的决定性影响。 PPM模型与参数化研究动机：富精氨酸螺旋如何在疏水膜核心中“生存”？研究动机可以拆成两层张力：能量悖论：S4富含带正电的精氨酸（Arg），按传统疏水效应理论在膜内应有~+20 kcal/mol能量惩罚实验事实：固态NMR显示S4以跨膜α-螺旋存在，tilt angle在22°到40°之间变化核心问题：为什么含4个精氨酸的S4能稳定插入疏水核心？此外，不同实验报告的倾斜角差异（22°到40°）究竟源于真实物理变化还是实验误差？更根本的问题是：哪些物理因素决定S4的tilt angle？膜厚度是否为决定性变量？核心设计：各向异性溶剂模型（PPM 2.0）的巧妙之处这篇论文采用Lomize等人开发的PPM（Positioning of Proteins in Membranes）模型2.0：模型类型：隐式膜模型（implicit membrane model）核心思想：将脂质双分子层视为“各向异性溶剂”，沿膜法向（z轴）具有梯度变化的极性、介电常数、表面张力和氢键供受体能力要点物理含义对应量或范围实验参数化模型参数来自实验而非经验拟合水浓度、极性、介电常数中极性区域膜内存在水浓度较高的缓冲区头部约55 M，中极性区约3.66 M，核心约0.55 M snorkeling效应带电侧链可部分溶剂化以降低惩罚精氨酸胍基团伸向中极性区刚性体扫描自动寻找最稳定取向与深度倾斜角$\tau$、方位角$\rho$与膜深度$d$ 转移能与倾斜角随膜厚变化（含机制与验证）取向状态倾斜角范围条件跨膜取向 22–40° 取决于脂质双分子层疏水厚度表面取向 ~73° 替代性表面结合态该图展示了S4螺旋在不同膜厚度下的能量和取向特征。这里的“转移能”$\Delta G_{\text{transf}}$指螺旋从水相转移到膜环境时的自由能变化，数值越低说明该取向更稳定、更容易被膜接受（图注注明$\Delta G_{\text{calc}}$未包含疏水匹配惩罚）：子图(A) 能量与倾斜角：菱形为转移自由能$\Delta G_{\text{transf}}$，圆圈为倾斜角，蓝色代表跨膜取向，紫色代表表面取向。跨膜态倾斜角随膜厚从22°增加到40°，表面态保持在~73° 子图(B) 两种取向示意：左侧为跨膜插入态（蓝色，倾斜~40°），右侧为表面结合态（紫色，倾斜~73°）。snorkeling可视证据：R120、R123、R126侧链伸向脂质头部磷酸基团区域形成离子桥，稳定两种取向参数文献值说明表面取向转移能 $\Delta G_{\text{transf}} \approx -9.5\ \mathrm{kcal/mol}$ 表面取向的能量水平跨膜取向转移能 $\Delta G_{\text{transf}} \approx -9.5$ 至 $-14\ \mathrm{kcal/mol}$ 取决于膜厚度临界厚度 23.5 Å 小于该厚度时跨膜取向更有利表面取向倾角 $\sim 73°$ 替代表面结合态跨膜倾角（薄膜） $\sim 40°$ DMPC变薄至16.4 Å时的插入倾角最优厚度 $21 \pm 6.8$ Å 对应倾角 $22.5 \pm 11.4°$ ER膜厚度 27.5 Å 对应插入惩罚约0.5 kcal/mol，表面取向更占优 S4螺旋的取向由疏水匹配与局部溶剂化共同调控，计算与实验在关键量上吻合： snorkeling效应：R120、R123、R126侧链伸向脂质头部/中极性区域并与磷酸基团形成离子桥，降低带电残基埋藏惩罚实验证据：固态NMR显示S4在DMPC膜中以约40°倾斜插入，并诱导局部膜变薄约9 Å；DMPC疏水厚度从25.4 Å降到16.4 Å与计算预测一致内质网膜情形：原文指出在ER膜（疏水厚度约27.5 Å）转位子介导的跨膜插入惩罚约0.5 kcal/mol，这里的“惩罚”指插入相对表面结合的自由能代价，意味着插入仅略不利，因此表面取向相对更占优倾斜角与膜厚的定量关系对于跨膜螺旋，倾斜角$\theta$由几何匹配条件决定： [L_{\text{helix}} \cos \theta = d_{\text{hydrophobic}}] 其中$L_{\text{helix}}$是螺旋的疏水段长度（对S4约为30 Å），$d_{\text{hydrophobic}}$是膜的疏水厚度。因此： [\theta = \arccos \left( \dfrac{d_{\text{hydrophobic}}}{L_{\text{helix}}} \right)] 这解释了为什么S4的倾斜角从22°（薄膜，$d \approx 28$ Å）增加到40°（厚膜，$d \approx 23$ Å）。为什么这篇论文重要？这篇论文的重要性体现在四点：统一实验观测：用几何匹配定律解释22°到40°的倾斜角差异来自膜厚变化而非实验误差揭示snorkeling机制：PPM模型定量展示“中极性区域”对精氨酸稳定化的作用建立理论框架：$\theta = \arccos(d/L)$可预测多类跨膜螺旋的tilt angle 预测取向转换：跨膜态与表面态能垒很小，提示电压感受过程中可能发生取向转换第一篇的总结本文通过$\ce{^2H}$-NMR、MD模拟等多种手段，系统阐述了取向角作为区分膜相关螺旋插入状态的核心判据。从经典S/T/I三态模型的定义，到实际观测中的动态转换，我们看到了这一简单指标的强大解释力： S/T/I三态的定量定义：Surface态（60-120°）、Tilted态（30-60°）、Inserted态（0-30°）为理解膜-分子相互作用提供了清晰框架实验方法的互补性：$\ce{^2H}$-NMR提供 ensemble average，MD模拟揭示动态轨迹，两者相互验证温度的鲁棒性：DNP低温条件（100K）测得的取向与室温生理条件一致，验证了方法学可靠性序列决定取向：疏水残基驱动插入，带电/极性残基决定表面结合然而，一个核心问题仍未回答：为什么同一条螺旋在不同膜环境里会选择不同的倾斜角，并触发S/T/I三态切换？第二篇将沿着疏水匹配、能量分化与静电调控三条主线展开，并用PGLa的跨膜电位耦合等案例说明如何把“角度变化”追溯到可量化的物理机制。参考文献 2H-NMR分析PGLa和WALP23的取向与动力学：S/T/I三态定义。Biophys J 2009, 96, 3223–3232. https://doi.org/10.1016/j.bpj.2009.01.026 PGLa的固态NMR研究与DNP低温验证。Sci Rep 2016, 6, 20895. https://doi.org/10.1038/srep20895 Melittin/MelP5膜孔形成的MD模拟：建立S/T/I三态分类体系。Biophys J 2018, 114, 2865–2874. https://doi.org/10.1016/j.bpj.2018.05.027 Fis1 tail anchor MD研究：单层吸附vs跨膜由取向角判别。Membranes 2022, 12, 752. https://doi.org/10.3390/membranes12080752 S4螺旋的PPM模型：取向-膜厚关系与固态NMR验证。J Chem Inf Model 2011, 51, 930–946. https://doi.org/10.1021/ci200020k

Specific Sytems

Mendelevium

Contact

Specific Sytems

MetalKB：用知识驱动图框架预测蛋白金属结合位点

倾斜角的物理决定因素：从膜厚度到跨膜电位

椭球粒子更易被膜包裹？微凝胶形状与膜刚性调控细胞摄取机制

膜通透化的分子动力学模拟（上篇）：方法学与机制综述

细菌孕酮5β-还原酶的底物选择性调控与5β-二氢类固醇的高效合成

膜通透化的分子动力学模拟（下篇）：案例研究与机制解析

偶极复合驱动的聚电解质凝聚：从离子熵到相图

均聚物也能自组装：驱动力、设计策略与应用全景

透明质酸的多层次渗透增强机制：从水合膨胀到脂质双层插入

破解'聚集密码'：胰岛素-HA-聚电解质协同递送策略（下）

破解角质层的蛋白守门员：角质细胞间隙/透明质酸结合蛋白的调研（中篇）

角质层结构深度解析：从纳米脂质到宏观屏障的多尺度组织

单步O-GlcNAc标记锁定FEN1糖基化控制细胞周期

透明质酸基水凝胶胰岛素载体：技术细节与补充结果【附录】

Riff-Diff：催化基序支架实现高效从头酶设计（图解附录）

机器学习如何预测酶的催化能力：从数据到应用的系统综述

皮肤屏障的’水之道’：角质层水通道与透明质酸渗透机制（上）

透明质酸基水凝胶胰岛素载体：促进慢性伤口愈合的新型递送系统

【综述】计算酶学全景：QM/MM方法揭示催化机制、蛋白质动力学与变构调控，指导从头酶设计与共价药物开发

预反应态vs自由态：用双态MD梳理SDR“葫芦口袋”精准打开大位阻芳香酮入口

预反应态vs自由态：用双态MD梳理SDR“葫芦口袋”精准打开大位阻芳香酮入口（附录）

GH161家族β-葡聚糖磷酸化酶：从肠道宏基因组到催化机制的结构解析

EnzyControl：酶设计方法的技术细节与算法深解

让酶生成可控：EnzyControl为骨架生成引入功能与底物特异性

皮肤屏障的两种面孔：分子模拟揭示亲水与疏水跨膜孔道的形成机理

解码皮肤“长城”：冷冻电镜与分子模拟联手揭示皮肤屏障的原子级奥秘

Untitled

破解膜孔之谜：双CV联手揭示从成核到扩展的完整能量图景

附录A：CV设计原理与PLUMED实现的技术细节

从序列到纳米结构：FibrilGen如何让肽自组装建模变得简单

皮肤屏障的「水之道」：分子模拟揭示脂质相共存如何稳定间质水

附录：核心公式与理论推导

角质层脂质基质的动态结构缺陷与屏障功能分子机制

揭秘酒精促渗：分子模拟揭示乙醇如何打开皮肤屏障

温柔还是粗暴？揭秘两种常见表面活性剂（SDS/SLES）如何破坏你的皮肤屏障

树枝状大分子纳米粒表面与膜相互作用机理

破解金属蛋白相互作用密码：新型12-6-4力场参数精准模拟金属-咪唑复合物

【cell】淀粉样纤维的结构并非一成不变，而是动态演化的生命体