大家好,我是刘建川,14 年深耕 GROMACS 分子模拟领域,始终专注分子模拟实战。做完一条几十纳秒、几百纳秒的MD轨迹之后,很多人都会遇到一个问题:RMSD画了,RMSF也做了,Rg、SASA看起来都挺正常,但如果继续往下问,这个蛋白到底经历了哪些主要构象?有没有多个稳定状态?不同状态之间是什么关系?光看RMSD,很多时候就不够了。
这时候通常会用到两个分析:PCA和自由能形貌图(Free Energy Landscape,FEL)。论文里经常见到的PC1-PC2自由能形貌图,基本就是从这里来的。本文不打算把所有理论都铺开,主要把一件事讲清楚:PC1、PC2到底怎么得到,以及如何用GROMACS把自由能形貌图做出来。
可以把自由能形貌图理解成一张“构象分布地图”。一条MD轨迹里包含大量构象,有些构象出现得非常频繁,有些只偶尔出现。从统计热力学角度看,构象出现概率和相对自由能之间可以写成:
这里的(P)就是某个构象区域出现的概率。概率越高,对应的相对自由能通常越低,所以在自由能形貌图中经常会看到一个个类似“盆地”的区域。一个明显的低自由能盆地,通常表示体系比较喜欢停留在这一类构象附近。
如果图中出现两个或者多个明显分离的低能区,则说明在当前轨迹和所选坐标下,体系可能存在多个主要构象状态。
需要注意:普通MD轨迹做出来的FEL主要反映的是相对自由能分布,不要把它直接理解成体系完整的绝对自由能面。
蛋白轨迹本身其实是一个非常高维的数据。假设体系里有N个原子,每个原子都有x、y、z三个坐标,那么每一帧构象理论上就是一个3N维的数据点。对于包含几千个原子的蛋白来说,这个维度很容易达到上万维,显然没办法直接拿来观察和理解。
PCA,也就是主成分分析,做的事情就是从这些复杂的原子运动中,找出变化最明显的几个集体运动方向。一般来说,PC1对应方差最大的运动方向,PC2对应第二大的运动方向,后面还有PC3、PC4等。因此,用PC1和PC2作为横纵坐标,相当于把复杂轨迹投影到两个主要运动方向上,这也是为什么PC1-PC2非常常见。
当然,自由能形貌图并不只能用PC1和PC2。有些文章也会用RMSD+Rg,或者某两个关键距离、二面角作为坐标。也就是说,同一条轨迹用不同坐标画出来的自由能形貌图不一样是正常的,因为自由能形貌图长什么样,很大程度取决于你选了什么反应坐标。
这一点很容易被忽略。原始MD轨迹里除了蛋白内部运动,还可能包含整个蛋白的平移、旋转,以及周期性边界造成的跳跃,但PCA真正想看的其实是分子内部构象怎么变化,所以正式分析之前,一般要先处理PBC,再把整体平移和旋转去掉。
比如可以先做结构拟合:
gmx trjconv -s md.tpr -f md.xtc -o md_fit.xtc -fit rot+trans
通常可以选择Backbone或者C-alpha作为拟合组。如果原始轨迹PBC问题比较明显,建议先单独把周期性边界处理好,再做rot+trans拟合,而不是希望一条命令把所有问题都解决。
这里还有一个常见问题:也不建议不加判断地把整条轨迹全部拿去做PCA。比如100 ns模拟中,前20 ns还处在明显松弛阶段,而后80 ns已经比较稳定,那么后面的生产阶段通常更适合拿来做后续分析。前期平衡过程如果混进去,很可能直接影响最终的主成分和自由能分布。
轨迹准备好之后,就可以开始计算协方差矩阵和本征向量。常用命令如下:
gmx covar \
-s md.tpr \
-f md_fit.xtc \
-o eigenvalues.xvg \
-v eigenvectors.trr \
-xpma covariance.xpm
运行时通常会让你选两次原子组,第一次用于结构拟合,第二次是实际用于协方差分析的原子组。蛋白整体运动分析里,经常会选C-alpha或者Backbone。
计算完成后,比较重要的几个文件包括eigenvalues.xvg、eigenvectors.trr和covariance.xpm。其中eigenvalues.xvg保存本征值,eigenvectors.trr保存本征向量,而covariance.xpm是协方差矩阵。
这里比较值得先看的是本征值,因为本征值越大,一般意味着这个运动方向上的方差越大。
不过,“PC1+PC2占比越高越好”并不是一个硬指标。有些蛋白的运动本来就比较分散,PC1和PC2加起来只占一部分方差也很正常。真正需要关心的是,PC1和PC2到底对应了什么实际的结构运动。
完成gmx covar之后,再用gmx anaeig把轨迹投影到主成分上。提取PC1可以用:
gmx anaeig \
-s md.tpr \
-f md_fit.xtc \
-v eigenvectors.trr \
-first 1 \
-last 1 \
-proj pc1.xvg
提取PC2可以用:
gmx anaeig \
-s md.tpr \
-f md_fit.xtc \
-v eigenvectors.trr \
-first 2 \
-last 2 \
-proj pc2.xvg
这样就会分别得到PC1和PC2随时间的变化。后面需要把相同时间点的数据组合起来,整理成类似下面这样的二维数据:
PC1 PC2
-1.25 0.82
-1.18 0.76
-0.95 0.63
注意:PC1和PC2一定要一一对应同一批轨迹帧。如果两个文件的时间点不完全一致,直接拼接就很容易出错。
二维数据准备好以后,就可以交给gmx sham。例如:
gmx sham \
-tsham 310 \
-nlevels 100 \
-f pc12.xvg \
-ls pc12_gibbs.xpm \
-g pc12.log
这里-tsham 310表示分析温度为310 K,-f读取PC1-PC2数据,-ls输出自由能形貌图,-g输出相关日志。最后得到的pc12_gibbs.xpm可以继续用Python、R、Origin或者其他工具重新绘制成论文里常见的二维填色图或者等高线图。
这里不要只盯着配色。真正需要关注的是低自由能盆地的位置、数量,以及不同盆地之间的分布关系。图画得漂亮不等于采样充分,低自由能区域背后的结构信息才更重要。
假设PC1-PC2自由能形貌图中出现两个很明显的低能区,很多文章到这里会直接写“体系存在两个稳定构象”,但这句话其实有点太快了。更值得继续追的是:这两个低能区域分别对应什么真实三维结构?
比如,它们可能对应蛋白口袋从关闭变成开放,也可能是某条loop发生翻转、某个结构域整体旋转、两条α-helix相对位置发生变化,或者蛋白和配体的结合姿态出现重排。只有把二维自由能盆地重新对应回真实结构,这张图才真正有用,否则它很容易变成一张“看起来很高级”的论文配图。
自由能形貌图是否平滑,跟轨迹长度、采样间隔、bin大小以及后期绘图方式都有关系。后处理把图做得再漂亮,也不能替代真正的采样。
如果体系的构象转换发生在微秒甚至更长时间尺度,100 ns可能根本看不到完整状态转换,所以看到几个能量盆地,并不能自动说明自由能已经收敛。
有些体系确实适合用PC1-PC2,有些体系的关键变化可能反而更适合用距离、Rg、RMSD或者特定二面角描述。坐标怎么选,还是要看你的研究问题。
自由能形貌图最有价值的部分,往往是后面的构象提取和结构比较。图只是入口,结构变化才是结果。
如果把整套流程压缩一下,其实就是:处理轨迹 → PCA → 得到PC1和PC2 → 构建自由能形貌图 → 找低自由能区域 → 回到真实结构。
其中前半段解决“怎么画”,后半段才解决“怎么看”。这也是很多人刚开始做FEL时最容易忽略的地方。真正有价值的,不是你画出了几个漂亮的能量盆地,而是你能不能解释这些盆地背后,分子到底发生了什么。
下一篇:自由能形貌图画完以后,怎么找到低自由能区域对应的轨迹帧,并提取真正有代表性的构象