相关实验视频
Updated: Jul 23, 2025

Interactive Molecular Model Assembly with 3D Printing
Published on: August 13, 2020
机器学习模型的探索,以确定与形状转换相关的反应坐标
Nawavi Naleem1, Charlles R A Abreu2, Krzysztof Warmuz3
1Chemistry Program, Science Division, New York University, Abu Dhabi, UAE.
这项研究比较了17种机器学习方法,用于识别基本的分子动力学变量. 光梯度增强机在确定形状转换的反应坐标方面表现出色.
科学领域:
- 计算化学是一种计算化学.
- 分子动力学模拟的模拟.
- 机器学习应用程序 机器学习应用程序
背景情况:
- 确定集体变量 (CV) 对于理解分子构造转换和提高模拟准确性至关重要.
- 当前的方法通常依赖于直觉,缺乏系统方法来识别关键反应坐标 (RCs).
- 高维的构造空间在确定基本的自由度时,对提交者分析 (CA) 构成挑战.
研究的目的:
- 系统地比较17个机器学习 (ML) 方案在识别准确的反应坐标 (RCs) 的有效性.
- 评估ML方法在氨酸二聚和氨酸二聚系统的构造过渡分析.
- 评估分子动力学ML模型的特征重要性解释方法.
主要方法:
- 承诺者分析 (CA) 与17个不同的机器学习 (ML) 算法相结合.
- 在真空中对氨酸二和在隐性溶剂中对氨酸二的测试.
- 与标准特征重要性相比,对模型可解释性的沙普利增量解释 (SHAP) 分析.
主要成果:
- 光梯度增强机 (LGBM) 方法在识别准确的RC方面表现出卓越的性能.
- 对于氨酸二,φ和θ二面体被确定为C7ax到C7eq过渡的关键.
- 对于sarcosine dipeptoid,发现 ψ 和 ω 二面体对于 cisαD 到 transαD 过渡是最重要的.
结论:
- 机器学习,特别是LGBM,提供了一种强大的,系统的方法,可以从提交者分析中确定反应坐标.
- 准确识别关键的分子自由度对于理解和模拟构造变化至关重要.
- 分析整个动态路径,而不仅仅是终点,对于强有力的识别过渡管理特征至关重要.
更多相关视频
09:17Structure-Based Simulation and Sampling of Transcription Factor Protein Movements along DNA from Atomic-Scale Stepping to Coarse-Grained Diffusion
Published on: March 1, 2022
14:44Structure and Coordination Determination of Peptide-metal Complexes Using 1D and 2D 1H NMR
Published on: December 16, 2013
相关概念视频
Predicting Reaction Outcomes
¹H NMR of Conformationally Flexible Molecules: Temporal Resolution
Induced-fit Model
Enzymes exhibit substrate specificity, meaning that they can only bind to certain substrates. This is mainly determined by the shape and chemical...
Predicting Molecular Geometry
Molecular Models
Cooperative Allosteric Transitions