缩放图表神经网络到大型蛋白质

科学领域:

• 计算化学是一种计算化学.
• 生物物理学的生物物理.
• 机器学习 机器学习

背景情况:

• 图形神经网络 (GNN) 正在成为预测分子能量和力量的准确模型.
• 优化计算效率对于将GNN应用于分子动力学中的大型生物分子系统至关重要.
• 现有的GNN基准缺乏大型,生物相关的蛋白质数据集.

研究的目的:

• 引入一个新的数据集,DISPEF,用于对大型蛋白质的GNN进行基准测试.
• 评估GNN在隐式解解自由能量上的表现,这是一个具有挑战性的多体问题.
• 开发一种用于蛋白质建模的新,高效和可转移的GNN架构.

主要方法:

• 创建了DISPEF数据集,包含207,454种蛋白质 (最多12499个原子),具有不同的化学环境.
• 在DISPEF上对七个GNN架构进行了基准分析,重点关注远程交互.
• 开发并测试了新的多尺度架构,Schake.

主要成果:

• DISPEF为GNN表达性提供了严格的测试,特别是对于隐性溶解自由能量.
• 考虑远程相互作用对于GNN模型的可转移性至关重要.
• 沙克架构实现了大型蛋白质的可转移和计算效率高的能量和力预测.

结论:

• DISPEF数据集和Schake架构在蛋白质建模中推进了GNN应用.
• 高效准确的GNN对于大规模的生物分子模拟至关重要.
• 这项工作为开发机器学习力场提供了有价值的工具.