【翼享学术】利用机器学习理论结合马尔科夫态模型揭示蛋白的功能性动力学过程

本文综述了马尔科夫态模型（MSM）在解析生物大分子功能性动力学过程中的最新进展。背景方面，分子动力学模拟受算力限制难以覆盖毫秒级功能时间尺度，MSM通过整合短轨迹预测长时程动力学，成为突破瓶颈的关键方法。研究目的上，文章重点阐述了机器学习算法（如自动化特征选择与深度学习降维）和广义主方程理论（如准马尔科夫态模型qMSM）如何革新传统MSM，解决其特征选择依赖经验、降维线性局限及对长轨迹依赖等问题，提升模型对复杂蛋白体系的适配性与预测精度。结论指出，这些进展实现了MSM从经验依赖到算法智能、从长轨迹依赖到短轨迹适配的转变，为精准解析蛋白构象变化、理解生命活动分子机制及指导靶向药物设计提供了全新范式与工具。