一种神经时间序列学习方法,用于加速自由能量扰动和罕见事件分子动力学模拟
Mengxia Mo1, Haiyang Yu2, Chengkun Wu3
1College of Computer Science and Electronic Engineering, Hunan University, Changsha 410082, P. R. China.
我们开发了BiLSTMK-MD,这是一个神经网络模型,可以加速分子动力学 (MD) 模拟. 这种方法显著降低了用于自由能量计算和药物发现中的罕见事件采样的计算成本.
科学领域:
- 计算化学是一种计算化学.
- 材料科学是一种材料科学.
- 药物发现 药物发现
背景情况:
- 分子动力学 (MD) 模拟对于材料和药物发现至关重要,但在计算上是密集的.
- 现有的基于序列的加速器与远程时间结构和MD轨迹中的杂数据作斗争.
研究的目的:
- 引入BiLSTMK-MD,一种新的神经时间序列学习方法,用于创建MD和FEP轨迹的替代品.
- 减少用于自由能量估计和罕见事件表征的采样要求.
主要方法:
- BiLSTMK-MD将双向LSTM编码器与注意力机制和Kolmogorov-Arnold网络输出层相结合.
- 一个两阶段的,fANOVA引导的贝叶斯优化调整超参数以获得最佳性能.
- 该模型为MD和FEP轨迹构建了一个因果关系维护的替代品.
主要成果:
- 获得的平均绝对误差低于1.5 kcal mol-1 对于自由能量增量.
- 重建的二面体自由能量盆地仅使用模拟轨迹的1-10%.
- 已证明FEP的加速度高达400倍,稀有形状采样的加速度高达700倍.
结论:
- BiLSTMK-MD为MD模拟提供了显著的加速,特别是对于FEP和罕见事件采样.
- 这种神经时间序列代理提供了一条有效的途径,以减少分子模拟中的计算需求.
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
07:31Author Spotlight: Advancing Cell Membrane Biophysics - Exploring Interactions and Challenges Through Experimental and Computational Approaches
Published on: September 1, 2023
相关概念视频
Free Energy
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
Molecular Kinetic Energy
Free Energy Changes for Nonstandard States
Mean free path and Mean free time
