采用人工神经网络,以优化分子动力学模拟轨迹的存储和易于共享

科学领域:

• 计算生物学 计算生物学
• 生物物理学的生物物理.
• 数据科学数据科学数据科学

背景情况:

• 计算能力和分子动力学 (MD) 模拟的进步产生了大量的生物分子数据集.
• 存储和共享这些大规模模拟数据对研究人员来说是一个重大挑战.

研究的目的:

• 开发一种有效的方法来压缩大型生物分子模拟数据.
• 为了使MD轨迹的存储,共享和分析更容易.

主要方法:

• 利用AutoEncoders,一种人工神经网络,将MD轨迹压缩成更小的潜空间.
• 开发了一个名为"compresstraj"的工作流,在PyTorch.中实现.
• 在各种生物分子系统中测试了该方法,包括蛋白质,脂质和复杂物.

主要成果:

• 与xtc格式相比,实现了数据压缩,节省了高达98%的磁盘空间.
• 从压缩数据中准确地重建原子坐标.
• 在各种系统中重建的轨迹中验证了关键生物物理性质的保存.

结论:

• "压缩"方法为管理大型生物分子模拟数据提供了实用解决方案.
• 有效的数据压缩有助于存储,共享和协作研究在计算生物学.
• 这种方法对大规模和复杂的生物分子系统特别有利.