AMBER RNA 力场中氢键修正项的自动学习

当前力场重现 RNA 结构动力学的能力有限。已有若干方法被开发出来以利用实验数据来强制与实验一致。本文在此扩展一个现有框架,该框架允许通过量化由模拟反算的观测量与相应实验之间的偏差,来拟合任意选定的力场修正项。我们采用稳健的正则化方案以避免过拟合,并额外引入且比较了多种不同的正则化策略,即 L1、L2、Kish Size、Relative Kish Size 以及 Relative Entropy 惩罚。训练集包含一个 GACC 四聚体以及更具挑战性的体系,即 gcGAGAgc 和 gcUUCGgc RNA 四环。AMBER RNA 力场中特定的分子内氢键通过自动确定的参数进行修正,我们称之为 gHBfix$_{opt}$。一项验证涉及对训练集中某体系(gcUUCGgc)的独立模拟以及训练时未见过的新体系(CAAU 和 UUUU 四聚体),结果显示在使用新参数时,四环的天然构象占比有所改善,且四聚体与 NMR 实验吻合良好。随后我们模拟了折叠 RNA(一个 kink-turn 和 L1 stalk rRNA),其中包含训练集中不充分存在的氢键类型。这允许对参数集进行最终修正,命名为 gHBfix21,并建议其可适用于更广泛的 RNA 体系。