通过参数时间滞后的 tSNE元动力学加速分子模拟

科学领域:

• 计算化学计算化学
• 生物物理学的生物物理.
• 机器学习 机器学习

背景情况:

• 分子模拟在计算上昂贵,限制了它们的应用.
• 增强的采样方法,如元动力学,对于加速模拟至关重要.
• 超动力学需要仔细选择集体变量 (CV) 来定义偏差潜力.

研究的目的:

• 使用无监督机器学习来设计集体变量 (CV).
• 用ML设计的CV加速分子动力学模拟,使用元动力学.
• 测试参数时间滞后的t分布式随机邻居嵌入 (ptltSNE) 的CV发现的有效性.

主要方法:

• 采用参数时间滞后的t分布式随机邻居嵌入 (ptltSNE),一种无监督的机器学习技术,以识别和设计集体变量 (CV).
• 应用元动力学模拟,结合设计的CVs,研究蛋白质折叠动力学.
• 利用了带有alpha-RMSD CV的标准元动力学和并行炼元动力学来探索不同的形状景观.

主要成果:

• 通过ptltSNE方法成功生成了形状图,并从Trp-cage轨迹中区分快速和缓慢的形状变化.
• 具有α-RMSD CV的元动力学导致一个观察到的蛋白质折叠事件.
• 平行炼的元动力学显著增强了采样,在较短的模拟时间内产生了10个折叠事件,并进行了多次复制.

结论:

• 无监督机器学习,特别是ptltSNE,为在分子模拟中设计有效的集体变量 (CV) 提供了一种强大的方法.
• 开发的方法加速了增强的采样技术,如元动力学,使得复杂的生物过程,如蛋白质折叠的研究.
• 将ML驱动的CV与先进的采样方法 (如并行炼) 结合起来,为克服分子动力学的计算局限性提供了一个有希望的策略.