ProDy：蛋白结构动力学分析工具

ProDy 是专注蛋白结构动力学的 Python 库。它的独特之处不在于跑模拟，而在于用远低于 MD 的成本估计蛋白的集体运动模式——弹性网络模型（ENM）只需一个结构、几秒钟计算，就能给出蛋白最可能的大尺度运动方向。

安装

pip install ProDy
# 可选：进一步分析与可视化
pip install nglview matplotlib

弹性网络模型：秒级估计蛋白运动

from prody import *
import numpy as np

structure = parsePDB("1ake")
calphas = structure.select("calpha")

# 各向异性网络模型（ANM）：给出三维运动方向
anm = ANM("AK ANM")
anm.buildHessian(calphas, cutoff=15.0, gamma=1.0)
anm.calcModes(n_modes=20)

print(anm.getEigvals()[:5])            # 频率，越低越是大尺度运动
writeNMD("anm_modes.nmd", anm[:5], calphas)   # 可在 VMD/NMWiz 里播放

# 高斯网络模型（GNM）：只算涨落幅度，更简单
gnm = GNM("AK GNM")
gnm.buildKirchhoff(calphas, cutoff=7.3)
gnm.calcModes(n_modes=20)
fluct = calcSqFlucts(gnm[:10])         # 逐残基涨落，可与实验 B-factor 比对

ENM 的核心假设很简单：把蛋白看成弹簧连接的珠子网络，形状本身就决定了它能怎么动。这个近似粗糙，但在预测大尺度铰链运动、结构域开合上意外地有效，而且成本比 MD 低几个数量级。

用多个结构做 PCA

ensemble = parsePDB(["1ake", "4ake"], subset="calpha")
ens = buildPDBEnsemble(ensemble)
ens.iterpose()                          # 叠合

pca = PCA("AK ensemble")
pca.buildCovariance(ens)
pca.calcModes(n_modes=5)
print(calcFractVariance(pca[:3]).sum()) # 前 3 个主成分解释的方差比例

# ENM 预测的运动与实验观测到的构象变化是否一致
print(calcOverlap(pca[0], anm[0]))      # 重叠度，接近 1 说明预测准确

calcOverlap 是很有说服力的一步：如果 ENM 的第一模式与晶体结构间实际观测到的构象变化高度重叠，说明这个粗粒化模型确实抓住了蛋白的功能运动。腺苷酸激酶（AK）是经典教科书例子。

在药物设计中的三个用途

• 识别柔性口袋与隐蔽位点：沿低频模式扰动结构，能让原本关闭的口袋打开，用于发现 cryptic pocket——这是别构药物设计的常用起点。
• 生成构象集合做集合对接：用 ENM 模式生成一系列构象，对接时覆盖受体柔性，比只用单一晶体结构更贴近现实。
• 别构通路分析：用 calcPerturbResponse 等做扰动响应扫描，识别哪些残基对远端位点影响大，帮助定位别构位点。

# 沿第一模式生成一系列构象，用于集合对接
ensemble_conf = traverseMode(anm[0], calphas, n_steps=10, rmsd=2.0)
writePDB("mode1_traverse.pdb", ensemble_conf)

局限

• 只给方向，不给时间尺度：ENM 告诉你蛋白可能怎么动，不告诉你多快动、能垒多高。定量动力学仍需 MD 或增强采样。
• 粗粒化到 Cα：侧链细节、氢键网络的变化完全看不到。
• cutoff 参数敏感：ANM 常用 13～15 Å、GNM 常用 7～8 Å，取值影响结果，建议做敏感性检查。
• 适用于球状蛋白：对内在无序蛋白、高度伸展的结构，弹簧网络假设不成立。

延伸资源

• 轨迹分析：205《MDAnalysis》、206《MDTraj》；模拟引擎：200《OpenMM》；
• 口袋与别构概念见「结构与模拟」模块；
• 结构处理基础：210《Biopython》。