从单分子时间序列重建蛋白质结构

单分子实验技术通过记录少量实验可观测量来追踪分子的实时动力学。追踪这些可观测量提供了构象动力学的粗粒化、低维表示，但并未给出瞬时分子结构的原子级表示。Takens 延迟嵌入定理断言，在相当一般的条件下，这些低维时间序列可包含充分信息以重构系统的完整分子构型，至多差一个先验未知的变换。通过将 Takens 定理与统计热力学、流形学习、人工神经网络和刚性图论的工具相结合，我们建立了一种方法——单分子 Takens 重建 (STAR)，以学习该变换并从实验可测可观测量（如单分子 F"orster 共振能量转移可获得的分子内距离）的时间序列中重建分子构型。我们在 C24H50 聚合物链与人工迷你蛋白 Chignolin 的分子动力学模拟应用中展示了该方法。训练后的模型从首尾分子距离的合称时间序列数据中重建分子构型，原子级均方根偏差精度优于 0.2 nm。本工作表明，从实验可测可观测量的时间序列中精确重建蛋白质结构是可能的，并为在真实实验数据应用中实现此目标建立了理论与算法基础。