分子自由能量,速率和机制来自数据效率路径采样模拟
Gianmarco Lazzeri1,2, Hendrik Jung2,3, Peter G Bolhuis4
1Frankfurt Institute for Advanced Studies, Frankfurt am Main, 60438, Germany.
Journal of chemical theory and computation
|November 21, 2023
概括
本研究介绍了一种用于机器学习引导路径采样的新算法. 它有效地计算分子机制,自由能量和复杂事件的速率,克服模拟时间尺度的限制.
科学领域:
- 计算化学的计算化学
- 生物物理学的生物物理.
- 机器学习 机器学习
背景情况:
- 分子动力学模拟对于研究分子热力学和动力学至关重要.
- 标准模拟通常无法捕捉复杂事件所需的时间尺度.
- 过渡路径采样 (TPS) 增强了采样,但可以产生非平衡分布.
研究的目的:
- 从机器学习引导的路径采样数据中开发一个用于近似平衡路径集合的算法.
- 为了能够有效地计算分子机制,自由能量和罕见事件的速率.
- 解决ML增强的TPS中非博尔兹曼分布轨迹的局限性.
主要方法:
- 机器学习与过渡路径采样的整合.
- 开发一种新的算法来重建平衡路径合集.
- 该方法应用于迷你蛋白质chignolin的折叠.
主要成果:
- 该算法高效地采样罕见的分子事件,以适度的计算成本.
- 它提供了准确的机制,自由能量和速率的近似值.
- 证明了对蛋白质折叠动态的成功应用.
结论:
- 开发的算法为分析复杂分子系统提供了一种数据效率高且简单的方法.
- 它克服了现有的路径采样和机器学习集成方法的关键局限性.
- 开辟了研究生物物理学和化学中具有挑战性的分子事件的新途径.
更多相关视频
06:37Analyzing Melts and Fluids from Ab Initio Molecular Dynamics Simulations with the UMD Package
Published on: September 17, 2021
4.5K
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
3.2K
