美国能源部橡树岭国家实验室（ORNL）的研究人员通过将人工智能（AI）与分子动力学模拟相结合，开发出一种新工具，能够更精准地预测植物与有益微生物之间在分子层面的相互作用机制，为培育更高效、更可持续的作物提供了新路径。 植物与土壤中的微生物通过一种名为“配体”的化学信号建立共生关系，从而促进生长、增强抗病能力。其中，脂质几丁寡糖（LCOs）是一类关键的信号分子，对植物-微生物互作至关重要。然而，由于LCO分子结构大且高度灵活，传统计算方法难以准确预测其与植物受体蛋白的结合方式。 现有的蛋白质结构预测工具，如AlphaFold，主要基于较小的药物类分子训练，且通常只提供静态结构模型，无法反映蛋白质在真实环境中持续动态变化的特性，因而对复杂柔性分子的预测能力有限。 为突破这一瓶颈，ORNL团队提出了一种名为“MD/ML”的混合方法，融合分子动力学模拟（MD）与机器学习（ML）技术。该方法利用超级计算机Frontier和Summit（均位于ORNL的领导级计算设施）进行大规模模拟，生成大量动态结构数据，并训练AI模型以预测蛋白质与LCO配体之间的结合强度。该方法即使在初始蛋白结构仅为粗略模型的情况下也能有效工作，预测结果与实验数据高度吻合，并揭示了结合过程中的关键结构细节。 项目联合负责人埃丽卡·普拉特斯表示，这一技术能快速筛选出潜在的“分子匹配”，显著减少实验试错，节省时间与成本。另一位负责人奥马尔·德默达什指出，结合强度决定了细胞内基因表达与生理过程的调控，是理解植物-微生物互作的核心。而计算系统生物学家丹·雅各布森强调，传统工具忽视了蛋白质的动态“摆动”，而MD/ML方法真实还原了分子运动，从而大幅提升预测准确性。 该技术不仅有助于设计更高效的植物微生物组，提升作物产量、减少化肥依赖，还可拓展至生物燃料、绿色化学品及药物重定位等更广泛领域，为国家能源安全、粮食安全和生物技术竞争力提供有力支撑。