生物分子模拟

生物分子模拟（Biomolecular Simulation）指运用经典力学、量子力学与统计力学原理，通过计算机数值求解，对蛋白质、核酸、糖类、脂质等生物大分子的结构、热力学与动力学行为进行原子级重现与预测的交叉学科。其思想萌芽于20世纪50年代，随着1977年第一个蛋白质分子动力学模拟（牛胰蛋白酶抑制剂，约500原子）问世而正式诞生。此后，力场参数化、积分算法与并行计算技术的进步，使模拟体系从数千原子扩展至病毒衣壳、完整核糖体乃至细胞膜片段，时间尺度从皮秒延伸至毫秒级。

2.1 分子动力学（MD）

分子动力学是应用最广的方法。它基于牛顿运动方程，对每个原子受力进行积分，逐步更新坐标与速度。力由力场给出，包括键长、键角、二面角、范德华与静电相互作用。常用力场有AMBER、CHARMM、OPLS与GROMOS，近年来极化力场与机器学习力场显著提升了精度。MD可输出轨迹，进而计算均方根偏差、回旋半径、氢键占有率、自由能景观等。

以常规固定拓扑的经典分子动力学说明模拟过程：设定分子结构、力场和模拟条件，由势能函数计算原子受力，数值积分运动方程更新坐标与速度，再在新状态下重复计算，得到轨迹。轨迹可用于构象统计和与实验比较，但结果受力场、模型假设及采样充分性影响；图中的分子和轨迹是示意，不是实测或真实模拟数据。

2.2 蒙特卡洛（MC）模拟

蒙特卡洛方法通过随机抽样与Metropolis接受准则，在构象空间中进行重要性采样，适用于研究平衡态性质。其优势在于无需计算力，可有效跨越高能垒，常与MD互补用于构象搜索与相变研究。

2.3 量子力学与混合方法

对于化学键断裂、电子转移与酶催化反应，需采用量子力学（QM）计算。由于计算成本高昂，QM/MM混合方法将反应中心用量子力学处理，周围环境用分子力学描述，成为酶机制研究的金标准。密度泛函理论（DFT）与半经验方法在生物体系中的应用也日益广泛。

2.4 增强采样与自由能计算

常规MD难以跨越毫秒级事件，增强采样技术应运而生，包括伞形采样、元动力学、副本交换、加速MD与高斯加速MD等。自由能微扰（FEP）与热力学积分（TI）可精确计算配体结合自由能，已成为计算机辅助药物设计的核心工具。

力场是模拟的物理基础，其势能函数通常表示为键合项（键、角、二面角）与非键合项（静电、范德华）之和。水模型如TIP3P、SPC/E对生物体系至关重要。统计力学则提供从微观轨迹到宏观热力学量的桥梁：系综理论（NVE、NVT、NPT）决定模拟条件，自由能、熵、焓可通过涨落或热力学积分获得。遍历性假设与采样收敛性是评估模拟可靠性的关键。

4.1 蛋白质折叠与构象变化

模拟可捕捉折叠路径、熔球态与天然态之间的转换，揭示疏水塌缩与氢键网络的形成顺序。对内在无序蛋白的系综描述，弥补了结构生物学的不足。

4.2 药物设计与配体结合

基于结构的虚拟筛选、分子对接与MD联用，可预测结合模式与亲和力。自由能计算已用于先导化合物优化，显著降低实验成本。

4.3 膜蛋白与转运

膜蛋白占药物靶点约60%，模拟可研究离子通道门控、GPCR激活、脂质双层的相分离与膜融合，揭示跨膜信号转导机制。

4.4 核酸与核酶

DNA/RNA的构象柔性、碱基翻转、核酶催化与药物-DNA相互作用，均可通过模拟在原子水平解析。

4.5 生物大分子组装

病毒衣壳组装、淀粉样纤维形成、生物膜与凝聚体等超分子体系，通过粗粒化模型与多尺度模拟得到研究。

为跨越时空尺度，发展出粗粒化模型（如Martini力场）、全原子与粗粒化耦合的多尺度方法。近年来，机器学习深刻改变该领域：神经网络势函数（如ANI、DeepMD）以接近量子精度模拟大体系；生成模型用于构象采样与分子设计；强化学习优化增强采样路径。AlphaFold等结构预测工具也与模拟形成互补，提供起始构象与柔性信息。

当前挑战包括：力场精度与可迁移性、长时标采样收敛、极化与核量子效应、复杂环境（pH、离子强度、拥挤效应）的准确描述。未来趋势将聚焦于可解释人工智能、量子计算辅助模拟、细胞尺度全原子模型以及实验-模拟闭环迭代。生物分子模拟正从“计算显微镜”走向“预测引擎”，在精准医学、合成生物学与绿色化学中发挥不可替代的作用。

• Karplus M, McCammon JA. Molecular dynamics simulations of biomolecules. Nat Struct Biol. 2002;9(9):646-652.
• Frenkel D, Smit B. Understanding Molecular Simulation: From Algorithms to Applications. 2nd ed. Academic Press; 2002.
• Allen MP, Tildesley DJ. Computer Simulation of Liquids. 2nd ed. Oxford University Press; 2017.
• Šponer J, et al. Molecular dynamics simulations of nucleic acids. Chem Rev. 2018;118(8):4177-4338.
• Hansson T, Oostenbrink C, van Gunsteren WF. Molecular dynamics simulations. Curr Opin Struct Biol. 2002;12(2):190-196.
• Senn HM, Thiel W. QM/MM methods for biomolecular systems. Angew Chem Int Ed. 2009;48(7):1198-1229.
• Laio A, Parrinello M. Escaping free-energy minima. Proc Natl Acad Sci USA. 2002;99(20):12562-12566.
• Noé F, et al. Machine learning for protein folding and dynamics. Curr Opin Struct Biol. 2020;60:77-84.