یادگیری ماشین و دینامیک مولکولی نشان می‌دهند کانال گیرنده NMDA چگونه میان حالت باز و بسته نوسان می‌کند
در عمق هر سیناپس مغزی، دریچه‌ای مولکولی تعیین می‌کند که چه زمانی کلسیم به درون نورون سرازیر شود. این دریچه بخشی از گیرنده ان‌متیل‌دی‌اسپارتات یا NMDA است؛ یک کانال یونی وابسته به لیگاند که نقشی اساسی در انعطاف‌پذیری سیناپسی، یادگیری و حافظه دارد. با وجود دهه‌ها پژوهش با روش‌های بلورنگاری و میکروسکوپی الکترونی کرایو، ساختار اتمی گیرنده در حالت کاملاً باز و فعال هنوز تعیین نشده است. در نتیجه، همچنان فاصله‌ای مهم میان ساختارهایی که زیست‌شناسان می‌توانند تصویربرداری کنند و رفتار واقعی کانال هنگام عبور یون‌ها وجود دارد. اکنون پژوهشی محاسباتی از دانشگاه ایالتی نیویورک در بوفالو که در مجله Frontiers in Chemical Biology منتشر شده، با ترکیب ۵٫۶ میکروثانیه شبیه‌سازی دینامیک مولکولی و یادگیری ماشین، نحوه باز و بسته شدن پی‌درپی این دریچه را در سطح تک‌تک باقی‌مانده‌های اسیدآمینه ترسیم کرده است.
گیرنده NMDA یک هترومر چهارزیرواحدی است که معمولاً از دو زیرواحد GluN1 و دو زیرواحد GluN2A تشکیل می‌شود. برای باز شدن این گیرنده، وجود دو هم‌آگونیست ضروری است: گلیسین به GluN1 و گلوتامات به GluN2A متصل می‌شود و هم‌زمان باید مانع منیزیمی نیز برطرف شود. پس از فعال شدن گیرنده، مجموعه‌ای از تغییرات ساختاری رخ می‌دهد که منفذ مرکزی را گشاد می‌کند و اجازه می‌دهد کلسیم و سدیم به درون سلول وارد شوند. از آنجا که جهش‌های این گیرنده با بیماری‌هایی مانند آلزایمر، افسردگی، سکته مغزی، صرع و اسکیزوفرنی ارتباط دارند، شناخت حالت باز آن صرفاً مسئله‌ای نظری نیست، بلکه پیش‌نیازی برای طراحی منطقی داروها به شمار می‌رود. بااین‌حال، حالت باز گذرا و ناهمگن است و ثبت تجربی آن دشواری زیادی دارد. همین مسئله گروه پژوهشی بوفالو را به استفاده از شبیه‌سازی سوق داد؛ گروهی به سرپرستی ون‌جون ژنگ که شینگ لیو نویسنده اول پژوهش آن است.
پژوهشگران مدلی کوتاه‌شده از گیرنده GluN1/GluN2A ساختند که فقط دو بخش ضروری برای سازوکار کنترل باز و بسته شدن کانال را در بر می‌گرفت: حوزه‌های اتصال لیگاند و حوزه تراگذری غشا. آن‌ها کار را با ساختار بلوری گیرنده GluN1/GluN2B در حالت مهارشده به‌صورت آلوستریک آغاز کردند و سپس با استفاده از سامانه SWISS-MODEL، بر پایه توالی‌های موشی GluN1 و GluN2A، مدلی همولوژی تهیه کردند. در مرحله بعد، گیرنده کوتاه‌شده را با کمک CHARMM-GUI در دولایه لیپیدی POPC قرار دادند و با روش دینامیک مولکولی هدفمند، آن را به سمت ساختاری شبیه حالت فعال هدایت کردند. ساختار حوزه اتصال لیگاند در حالت فعال که از نقشه میکروسکوپی الکترونی کرایو به دست آمده بود، به‌عنوان ساختار هدف به کار رفت. پس از رسیدن به این وضعیت، پژوهشگران با اعمال قیود مکانی، حوزه‌های اتصال لیگاند را در آرایش فعال نگه داشتند و اجازه دادند حوزه تراگذری غشا آزادانه حرکت کند. این فرایند در هفت مسیر شبیه‌سازی مستقل، هرکدام به مدت ۸۰۰ نانوثانیه و در دمای ۳۰ درجه سانتی‌گراد، انجام شد.
مجموعه ساختارهای حاصل، ویژگی قابل‌توجهی را آشکار کرد: منفذ کانال تونلی ثابت نیست، بلکه به‌شدت نوسان می‌کند. تحلیل با نرم‌افزار HOLE نشان داد که شعاع حداقل منفذ در طول فریم‌های شبیه‌سازی بین صفر تا ۲٫۸ آنگستروم تغییر می‌کند. پژوهشگران با استفاده از معیارهای تثبیت‌شده برای هدایت یونی در کانال‌ها برآورد کردند که در ۵۵ درصد فریم‌ها، منفذ به آب نفوذپذیر بوده است؛ ۳۵ درصد فریم‌ها وضعیت هدایت جزئی یون‌ها را نشان داده‌اند و در کمتر از یک درصد فریم‌ها کانال کاملاً باز بوده است. نویسندگان این تغییرات سریع شعاع منفذ را ویژگی پویای حوزه تراگذری غشا در حالت شبیه به فعال می‌دانند؛ پدیده‌ای که با گذارهای بسیار کندتر میان حالت‌های عملکردی کاملاً باز و بسته تفاوت دارد. به بیان دیگر، حتی زمانی که گیرنده در وضعیت فعال قرار دارد، دریچه آن پیوسته منبسط و منقبض می‌شود.
پژوهشگران با بررسی تک‌تک باقی‌مانده‌ها، نوسانات ریشه میانگین مربعات را در مجموعه ساختارها محاسبه کردند و انعطاف‌پذیری چشمگیری را در پیونددهنده S1-M1، حلقه M1-M2، حلقه M2-M3، پیونددهنده M3-S2، پیونددهنده S2-M4 و انتهای کربوکسیلی مارپیچ M4 یافتند. نکته مهم این بود که دو نوع زیرواحد رفتار یکسانی نداشتند. در GluN1، پیونددهنده‌های S1-M1، M3-S2 و S2-M4 انعطاف‌پذیری بیشتری نشان دادند، درحالی‌که در GluN2A، بخش M1 و حلقه M2-M3 تحرک بیشتری داشتند. در دو ناحیه پیشنهادی برای کنترل دریچه، یعنی دریچه بالایی در محل تقاطع دسته‌ای مارپیچ‌های M3 و دریچه پایینی در رأس حلقه‌های منفذی M2، نوسانات در حد متوسط بود، اما تفاوت‌های ظریفی میان زیرواحدها دیده می‌شد. این تفاوت‌ها حاکی از آن است که GluN1 و GluN2A ممکن است نقش‌های متمایزی در کنترل باز و بسته شدن کانال ایفا کنند.
تحلیل مؤلفه‌های اصلی مسیرهای شبیه‌سازی ترکیب‌شده، ده الگوی غالب حرکت جمعی را شناسایی کرد که در مجموع ۸۳ درصد تغییرات ساختاری را توضیح می‌دادند. سه مورد از این الگوها ارتباط معناداری با شعاع منفذ داشتند و در هر سه، دامنه حرکت به نوع زیرواحد وابسته بود. در نزدیکی دریچه پایینی، GluN2A حرکت شدیدتری داشت، درحالی‌که حرکت دو زیرواحد در نزدیکی دریچه بالایی مشابه بود. این تحلیل همچنین حلقه M1-M2 را به‌عنوان یکی از کانون‌های حرکت جمعی مشخص کرد؛ ناحیه‌ای بسیار انعطاف‌پذیر که اغلب در ساختارهای تعیین‌شده به روش‌های تجربی دیده نمی‌شود. این یافته‌ها با دیدگاه رو به گسترشی همخوانی دارند که بر اساس آن، حالت فعال گیرنده NMDA یک ساختار منفرد نیست، بلکه مجموعه‌ای از حالت‌های فرعی است که به‌سرعت به یکدیگر تبدیل می‌شوند.
برای پیوند دادن حرکت مولکولی به سازوکار عملکردی، پژوهشگران همه پیوندهای هیدروژنی و تماس‌های واندروالسی میان جفت‌های باقی‌مانده را در هر ۵۶۰۰ فریم شبیه‌سازی ثبت کردند و ضریب همبستگی پیرسون را میان هر برهم‌کنش و شعاع حداقل منفذ محاسبه کردند. برهم‌کنش‌هایی که ضریب همبستگی آن‌ها بیشتر از ۰٫۳ یا کمتر از منفی ۰٫۳ بود، به‌ترتیب به‌عنوان برهم‌کنش‌های بالقوه مؤثر در باز شدن یا بسته شدن منفذ در نظر گرفته شدند. این تحلیل پنج جفت باقی‌مانده دارای پیوند هیدروژنی را شناسایی کرد که به نظر می‌رسیدند منفذ باز را پایدار می‌کنند. یکی از آن‌ها تماسی میان دو زیرواحد بود که مارپیچ M4 در GluN1 را به حلقه M2-M3 در GluN2A متصل می‌کرد. در مقابل، ۱۵ جفت باقی‌مانده با تمایل احتمالی به بسته شدن کانال شناسایی شدند که بسیاری از آن‌ها در پیونددهنده‌های انعطاف‌پذیری قرار داشتند که نیرو را از حوزه‌های اتصال لیگاند به منفذ منتقل می‌کنند. در مجموع، تحلیل پیوندهای هیدروژنی ۳۵ باقی‌مانده کلیدی را مشخص کرد که ۳۳ مورد از آن‌ها از نظر تکاملی حفاظت‌شده بودند و ۱۱ مورد نیز به‌عنوان محل جهش‌های مرتبط با بیماری در پایگاه‌های ClinVar و HGMD ثبت شده‌اند.
تحلیل برهم‌کنش‌های واندروالسی تصویر گسترده‌تری ارائه کرد و ۱۴۴ باقی‌مانده را شناسایی کرد که تماس‌های غیرقطبی آن‌ها با پویایی منفذ همبستگی داشت. از این تعداد، ۱۲۵ باقی‌مانده از نظر تکاملی حفاظت‌شده بودند و ۴۹ مورد با بیماری‌ها ارتباط داشتند. از آنجا که بسیاری از باقی‌مانده‌های حوزه تراگذری غشا حفاظت‌شده‌اند و احتمالاً نقش عملکردی دارند، روش مبتنی بر همبستگی فهرستی طولانی و پراکنده از نامزدها تولید کرد که برای هدایت کارآمد آزمایش‌ها بیش از حد گسترده بود. پژوهشگران برای دقیق‌تر کردن پیش‌بینی‌ها به یادگیری ماشین روی آوردند. آن‌ها یک مدل رگرسیون جنگل تصادفی آموزش دادند تا شعاع حداقل منفذ را بر اساس انرژی برهم‌کنش‌های دوتایی و میزان حضور پیوندهای هیدروژنی پیش‌بینی کند. سپس با استفاده از مقادیر SHAP، روشی برای هوش مصنوعی تبیین‌پذیر که از نظریه بازی‌های مشارکتی گرفته شده است، اهمیت هر برهم‌کنش را رتبه‌بندی کردند. حاصل این کار فهرستی بسیار محدودتر بود: فقط ۳۲ باقی‌مانده در میان ۱۰ درصد برتر از نظر اهمیت قرار گرفتند؛ ۲۹ مورد از آن‌ها حفاظت‌شده بودند و ۱۹ مورد جهش‌های مرتبط با بیماری داشتند. در مقایسه با تحلیل همبستگی، سهم باقی‌مانده‌های دارای جهش بیماری‌زا در این فهرست از کمتر از ۲۵ درصد به حدود ۶۰ درصد افزایش یافت.
نکته قابل‌توجه این بود که ۱۲ مورد از ۳۲ باقی‌مانده شناسایی‌شده با یادگیری ماشین، در تحلیل همبستگی پیرسون اصلاً مشخص نشده بودند. این نتیجه نشان می‌دهد که ممکن است میان تماس‌های باقی‌مانده‌ها و هندسه منفذ روابط غیرخطی وجود داشته باشد که از تحلیل‌های آماری خطی ساده پنهان می‌مانند. بااین‌حال، مدل یادگیری ماشین محدودیتی مهم داشت: رابطه‌ای را آموخته بود که مختص مسیر شبیه‌سازی مورد استفاده بود و نمی‌توانست آن را به مسیرهای مستقلی که جداگانه نمونه‌برداری شده بودند تعمیم دهد. بنابراین، مدل ساختار آماری محلی داده‌ها را بازتاب می‌داد، نه یک قانون فیزیکی جهان‌شمول. نویسندگان آشکارا به این محدودیت و نیز به آثار احتمالی ناشی از حذف حوزه آمینوترمینال و اعمال قید بر حوزه‌های اتصال لیگاند اشاره می‌کنند. آن‌ها خواستار انجام شبیه‌سازی‌های گسترده‌تر روی گیرنده کامل شده‌اند؛ اقدامی که با پیشرفت توان سخت‌افزارهای محاسباتی امکان‌پذیرتر خواهد شد.
شاید کاربردی‌ترین دستاورد این پژوهش، پیوند دادن یافته‌های ساختاری به پزشکی باشد. پژوهشگران با مشخص کردن میزان حفاظت تکاملی باقی‌مانده‌های پیش‌بینی‌شده دخیل در کنترل دریچه و تطبیق آن‌ها با جهش‌های بیماری‌زای شناخته‌شده، فرضیه‌ای مشخص و آزمون‌پذیر مطرح کرده‌اند: گونه‌های ژنتیکی مرتبط با بیماری در پیونددهنده S1-M1، حلقه M2-M3 و مارپیچ M4 ممکن است با برهم زدن شبکه گذرای برهم‌کنش‌های قطبی و غیرقطبی که منفذ باز را پایدار نگه می‌دارد، عملکرد دریچه کانال را مختل کنند. یک مطالعه عملکردی جدید نیز به‌طور مستقل نشان داده است که پیونددهنده S1-M1 نقش تعیین‌کننده‌ای در باز شدن کانال دارد و از این چارچوب پشتیبانی می‌کند. به پیشنهاد نویسندگان، گام بعدی شبیه‌سازی جهش‌های مشخص مرتبط با بیماری است تا معلوم شود آیا این تغییرات موجب افزایش یا کاهش عملکرد گیرنده می‌شوند. چنین کاری می‌تواند این آزمایش محاسباتی ۵٫۶ میکروثانیه‌ای را به نقشه راهی برای شناخت و در نهایت درمان اختلالات عصبی ناشی از عملکرد نادرست این دریچه مولکولی تبدیل کند.
موضوع پژوهش: شبیه‌سازی دینامیک مولکولی و تحلیل یادگیری ماشین در بررسی حالت شبیه به فعال کانال گیرنده NMDA از نوع GluN1/GluN2A
عنوان مقاله پژوهشی: شبیه‌سازی دینامیک مولکولی گیرنده کوتاه‌شده NMDA در حالت شبیه به فعال با اعمال قیود جزئی
منبع علمی: Liu, X., & Zheng, W. (2026). Molecular dynamics simulation of the truncated NMDA receptor in a partially restrained active-like state. Frontiers in Chemical Biology, 5، مقاله 1894245. https://doi.org/10.3389/fchbi.2026.1894245
شناسه دیجیتال مقاله (DOI): 10.3389/fchbi.2026.1894245
کلیدواژه‌ها: گیرنده NMDA، دینامیک مولکولی، GluN1، GluN2A، کنترل دریچه کانال یونی، یادگیری ماشین، جنگل تصادفی، SHAP، پیوندهای هیدروژنی، برهم‌کنش‌های واندروالسی، انعطاف‌پذیری سیناپسی، جهش‌های مرتبط با بیماری
منبع خبر: درو تاونسند، ۱۶ اکتبر ۲۰۲۶، «یادگیری ماشین و دینامیک مولکولی نشان می‌دهند کانال گیرنده NMDA چگونه میان حالت باز و بسته نوسان می‌کند»، Scienmag.