有效数据驱动的集体变量用于从路径的元动力学自由能量计算
Lukas Müllender1,2,3, Andrea Rizzi2,4, Michele Parrinello4
1Department of Applied Physics, Science for Life Laboratory, KTH Royal Institute of Technology, SE-171 21 Solna, Sweden.
现在可以使用增强的抽样模拟来生成用于机器学习集体变量 (CV) 的高质量数据集. 这使得对复杂的分子过程的自由能量景观的有效预测成为可能.
科学领域:
- 计算化学计算化学
- 分子动力学分子动力学
- 机器学习 机器学习
背景情况:
- 增强采样 (ES) 方法使用集体变量 (CV) 预测自由能源景观.
- 准确的简历对于捕捉复杂分子系统中缓慢的自由度至关重要.
- 机器学习 (ML) 简历提供了一个有希望的解决方案,但需要高质量的数据集,这些数据集往往很难获得.
研究的目的:
- 展示一种用于生成基于ML的CV的高质量数据集的方法.
- 为了在ES模拟中使用ML-CVs有效预测自由能源景观.
- 为了克服ML-CV开发的数据可访问性限制.
主要方法:
- 使用在轨道空间中的增强采样 (ES) 模拟.
- 使用路径算法的元动力学来生成数据集.
- 应用深度有针对性的歧视性分析作为基于ML的CV方法.
主要成果:
- 通过使用建议的ES方法,成功生成了基于ML的CV的数据集.
- 证明了有效的ML-CVs的生成,用于预测自由能源景观.
- 通过2D模型潜力和氨酸二异构化验证了方法.
结论:
- 路径的元动力学算法为ML-CVs创建数据集提供了通用和高效的路径.
- 这种方法促进了基于ML的准确CVs的开发,用于增强的采样模拟.
- 这种方法显著扩大了ML在预测分子自由能景观中的适用性.
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
06:37Analyzing Melts and Fluids from Ab Initio Molecular Dynamics Simulations with the UMD Package
Published on: September 17, 2021
相关概念视频
Calculating Standard Free Energy Changes
Gibbs Free Energy
Free Energy Changes for Nonstandard States
where R is the gas constant (8.314 J/K·mol), T is the absolute temperature in kelvin, and Q is the reaction quotient. This equation may be used to predict the spontaneity of a process under any given set of conditions.
Reaction Quotient...
Thermodynamic Potentials
Gibbs Free Energy and Thermodynamic Favorability
Path Between Thermodynamics States
