MolCluster: Un marco de trabajo no supervisado para representaciones moleculares multiescala con control de...

Área de la Ciencia:

• Química Computacional
• Ciencia de Materiales
• Biofísica

Sus antecedentes:

• El modelado tradicional de grano grueso (CG) enfrenta desafíos con diversas estructuras químicas y reglas de mapeo fijas.
• Los métodos CG supervisados están limitados por pequeños conjuntos de datos etiquetados y la falta de control de resolución para el modelado multiescala.

Objetivo del estudio:

• Desarrollar un modelo no supervisado, MolCluster, para extraer representaciones personalizadas de grano grueso (CG).
• Permitir un control preciso sobre la resolución del mapeo para diversos sistemas moleculares.

Principales métodos:

• Integración de redes neuronales de grafos y detección de comunidades para la extracción de representaciones CG no supervisadas.
• Implementación de una pérdida de pares de grupos predefinida para la preservación del grupo objetivo.
• Utilización de una estrategia de bisección para el control de resolución personalizable.

Principales resultados:

• MolCluster demuestra un rendimiento superior en el mapeo CG y la predicción de tipos de cuentas en comparación con modelos tradicionales y supervisados en el conjunto de datos MARTINI2.
• La estrategia de preentrenamiento sin etiquetas mejora significativamente la efectividad de MolCluster.

Conclusiones:

• MolCluster ofrece un enfoque novedoso y no supervisado para el mapeo CG químicamente consistente y personalizable.
• Este modelo muestra un potencial significativo para aplicaciones en polímeros, proteínas y sistemas multiescala complejos.