在加权组合模拟中无监督学习进度坐标:适用于NTL9蛋白质折叠
Jeremy M G Leung1, Nicolas C Frazee1, Alexander Brace2,3
1Department of Chemistry, University of Pittsburgh, Pittsburgh, Pennsylvania 15260, United States.
Journal of chemical theory and computation
|March 19, 2025
概括
我们开发了一种深度学习 (DL) 方法,用于识别用于罕见事件采样的关键分子运动. 这种方法将加权组合 (WE) 模拟提高了三倍以上,加速了对蛋白质折叠的研究.
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:
- 识别缓慢的分子运动对于罕见事件采样策略至关重要.
- 寻求无监督的机器学习方法来发现这些进度坐标.
研究的目的:
- 开发一种一般的,无监督的方法,用于在加权组合 (WE) 模拟过程中在飞行中识别进度坐标.
- 通过深度学习 (DL) 提高罕见事件采样的效率.
主要方法:
- 实施了DL方法,使用卷积变异自编码器来识别样本构造中的异常值.
- 在WE采样工作流程中集成DL异常标识.
- 从马尔科夫状态模型中利用合成分子动力学轨迹进行高效测试.
主要成果:
- 用DL增强的WE方法显著提高了三倍以上的采样效率,用于估计NTL9蛋白折叠速率常数.
- 证明了该方法在无监督学习慢坐标方面的能力.
结论:
- 这项工作在罕见事件采样无监督学习方面取得了重大进展.
- 通过DL增强的WE方法为分子模拟提供了强大的工具,特别是在蛋白质折叠等复杂过程中.
