The ability to rapidly learn from high-dimensional data to make reliable bets about the future outcomes is crucial in many contexts. This could be a fly avoiding predators, or the retina processing gigabytes of data almost instantaneously to guide complex human actions. In this work we draw parallels between such tasks, and the efficient sampling of complex biomolecules with hundreds of thousands of atoms. For this we use the Predictive Information Bottleneck (PIB) framework developed and used for the first two classes of problems, and re-formulate it for the sampling of biomolecular structure and dynamics, especially when plagued with rare events. Our method considers a given biomolecular trajectory expressed in terms of order parameters or basis functions, and uses a deep neural network to learn the minimally complex yet most predictive aspects of this trajectory, viz the PIB. This information is used to perform iterative rounds of biased simulations that enhance the sampling along the PIB to gradually improve its accuracy, directly obtaining associated thermodynamic and kinetic information. We demonstrate the method on two test-pieces, including benzene dissociation from the protein lysozyme, where we calculate the dissociation pathway and timescales slower than milliseconds. Finally, by performing an analysis of residues contributing to the PIB, we predict the critical mutations in the system which would be most impactful on the stability of the crucial but ephemeral transition state. We believe this work marks a big step forward in the use of predictive artificial intelligence ideas for the sampling of biomolecules.

In this work we demonstrate how to leverage our recent iterative deep learning-all atom molecular dynamics (MD) technique 'Reweighted autoencoded variational Bayes for enhanced sampling (RAVE)' (Ribeiro, Bravo, Wang, Tiwary, J. Chem. Phys. 149, 072301 (2018)) for sampling protein-ligand unbinding mechanisms and calculating absolute binding affinities when plagued with difficult to sample rare events. RAVE iterates between rounds of MD and deep learning, and unlike other enhanced sampling methods, it stands out in simultaneously learning both a low-dimensional physically interpretable reaction coordinate (RC) and associated free energy. Here, we introduce a simple but powerful extension to RAVE which allows learning a position-dependent RC expressed as a superposition of piecewise linear RCs valid in different metastable states. With this approach, we retain the original physical interpretability of a RAVE-derived RC while making it applicable to a wider range of complex systems. We demonstrate how in its multi-dimensional form introduced here, RAVE can efficiently simulate the unbinding of the tightly bound benzene-lysozyme (L99A variant) complex, in all atom-precision and with minimal use of human intuition except for the choice of a larger dictionary of order parameters. These simulations had a 100% success rate, and took between 3-50 nanoseconds for a process that takes on an average close to few hundred milliseconds, thereby reflecting a seven order of magnitude acceleration relative to straightforward MD. Furthermore, without any time-dependent biasing, the trajectories display clear back-and-forth movement between various metastable intermediates, demonstrating the reliability of the RC and its probability distribution learnt in RAVE. Our binding free energy is in good agreement with other reported simulation results. We thus believe that RAVE, especially in its multi-dimensional variant introduced here, will be a useful tool for simulating the dissociation process of practical biophysical systems with rare events in an automated manner with minimal use of human intuition.

ABSTRACT Likely effective pharmacological interventions for the treatment of opioid addiction include attempts to attenuate brain reward deficits during periods of abstinence. Pharmacological blockade of the κ-opioid receptor (KOR) has been shown to abolish brain reward deficits in rodents during withdrawal, as well as to reduce the escalation of opioid use in rats with extended access to opioids. Although KOR antagonists represent promising candidates for the treatment of opioid addiction, very few potent selective KOR antagonists are known to date and most of them exhibit significant safety concerns. Here, we used a generative deep learning framework for the de novo design of chemotypes with putative KOR antagonistic activity. Molecules generated by models trained with this framework were prioritized for chemical synthesis based on their predicted optimal interactions with the receptor. Our models and proposed training protocol were experimentally validated by binding and functional assays.

Abstract The metabotropic glutamate receptors (mGluRs) form a family of neuromodulatory G protein-coupled receptors that contain both a seven-helix transmembrane domain (TMD) and a large extracellular ligand-binding domain (LBD) which enables stable dimerization. While numerous studies have revealed variability across subtypes in the initial activation steps at the level of LBD dimers, an understanding of inter-TMD interaction and rearrangement remains limited. Here we use a combination of single molecule fluorescence, molecular dynamics, functional assays, and conformational sensors to reveal that distinct TMD assembly properties drive differences between mGluR subtypes. We uncover a variable region within transmembrane helix 4 (TM4) that contributes to homo- and heterodimerization in a subtype-specific manner and tunes orthosteric, allosteric and basal activation. We also confirm a critical role for a conserved inter-TM6 interface in stabilizing the active state during orthosteric or allosteric activation. Together this study informs a working model of inter-TMD rearrangement that drives mGluR function.