通过数据驱动的多体潜力实现生物分子模拟中的化学精度:I.气相中的聚氨酸
Ruihan Zhou1, Ethan F Bull-Vulpe1, Yuanhui Pan1
1Department of Chemistry and Biochemistry, University of California San Diego, La Jolla, California 92093, United States.
Journal of chemical theory and computation
|June 10, 2025
概括
研究人员开发了一种数据驱动的方法,即多体神经能量表示 (MB-nrg),以准确模拟蛋白质折叠动态. 这种方法提供了对蛋白质结构和转变的更有物理基础的理解,从而推进了生物分子模拟.
科学领域:
- 计算化学是一种计算化学.
- 生物分子模拟的模拟.
- 蛋白质动力学 蛋白质动力学
背景情况:
- 精确的蛋白质折叠模拟需要了解热力学和运动力.
- 经验力场对于复杂的多体相互作用缺乏准确性.
- 量子力学方法是准确的,但对于大型生物分子来说,计算成本昂贵.
研究的目的:
- 介绍一种概括的,分子内表述的多体神经能量表示 (MB-nrg) 形式主义.
- 为聚氨酸链开发模块化和可转移的潜在能量功能.
- 在生物分子模拟中实现合集群精度.
主要方法:
- 将数据驱动的,多体的MB-nrg形式主义应用于聚氨酸链.
- 将分解的聚氨酸分解成化学上直观的构建块.
- 根据参考能量,波频率和自由能量景观进行验证.
主要成果:
- 对于聚氨酸模拟,MB-nrg接近"黄金标准"的合集群精度.
- 开发了模块化和可转移的潜在能源功能.
- MB-nrg潜在能量函数提供了一个比实证力场更光滑,更有物理接地的自由能量表面.
- 捕捉了短暂的结构动图,并允许对二次结构过渡进行灵活采样.
结论:
- 建立了将合集群级建模扩展到更大的生物分子系统的基础.
- 突出了数据驱动方法在准确生物分子模拟方面的潜力.
- 解决了在规模上实现一致准确性的方法学挑战.
更多相关视频
06:50Author Spotlight: A Computational Approach to Decipher Amino Acid Preferences in Multispecific Protein-Protein Interactions
Published on: January 26, 2024
2.0K
15:05Deciphering the Structural Effects of Activating EGFR Somatic Mutations with Molecular Dynamics Simulation
Published on: May 20, 2020
8.8K
