本文应用监督式机器学习方法将经典粗粒化 (coarse-graining) 重新解释,提出了一种名为 CGnets 的深度学习方法,能够学习细粒度有溶剂共存 (all-atom explicit-solvent) 的自由能函数,并能够捕获多体项。
Dec, 2018
通过使用图卷积神经网络 (HIP-NN-TS) 构建粗粒化力场的高度自动化训练流程,我们展示了机器学习技术在改进可转移粗粒化力场构建方面的潜力。这种方法不仅能够产生高精度的力场,而且在多种热力学条件下具有更好的转移性。
Jun, 2024
使用分子动力学仿真和可微重要性抽样训练神经网络势能,可以开发出准确和高效的蛋白质粗粒化表示方法,在预测蛋白质动力学、折叠和相互作用等方面具有重要应用价值。
Jun, 2023
使用周期粗粒化 (CCG) 方法,能够在统一的框架下构建基于结构的粗粒化 (CG) 模型,并能通过可行的优化过程恢复细微的分子细节,从而实现多尺度分子建模中 CG 模型的改进与精度提高。
May, 2023
本文提出了基于生成模型和等变网络的新方法,以恢复从粗粒度表示到原子层面的原子精确位置信息,并在分子动力学轨迹上进行了三个综合评估,结果表明,与现有数据驱动的方法相比,我们的方法始终能够以显着优势恢复更真实的结构。
Jan, 2022
我们考虑使用图神经网络(GNN)非马尔科夫建模框架来识别图上的粗粒化动力系统。我们的主要思路是通过检查莫里 - 茨旺齐记忆项的主导项如何依赖编码图拓扑的粗粒化相互作用系数,系统地确定 GNN 的体系结构。基于这个分析,我们发现适当的 GNN 体系结构需要至少进行 2K 步的消息传递(MP)机制,以考虑 K - 跳动力学相互作用。我们还推断出,在相互作用强度以跳距离的幂律衰减的假设下,准确的闭包模型所需的记忆长度会随着相互作用强度的减小而减小。针对两个例子,异质库拉莫特振荡器模型和电力系统,我们进行了支持性的数值演示,表明所提出的 GNN 体系结构能够预测固定和时变图拓扑下的粗粒化动力学。
May, 2024
本文介绍了一种被称为 “potential contrasting” 的新方法,可以更好地学习分子系统的复杂能量地形,生成准确的力场来再现精细分辨率分子模拟的构象分布。这种方法在仅使用 α- 碳的粗粒度模型时,已经成功地应用于 Trp-cage 蛋白的折叠过程的研究,并且可以应用于结合许多蛋白质构象集合的大型数据集来确保粗粒度力场的可转移性。
May, 2022
本研究通过将问题分为精细程度和粗粒程度两个层面来解决 Boltzmann 分布的高效采样问题。利用粗粒程度空间上的条件正则流,实现了两个层面之间的概率联系,并使用主动学习的粗粒程度模拟来探索构型空间,从而在必要时更新流和进行全原子势能评估,通过丙氨酸二肽的实例表明,与当前最先进的机器学习方法相比,本方法在分子动力学仿真加速上可达到 15.9 至 216.2 倍的加速比。
Feb, 2024
提出了一种新的机器学习架构 Grappa,通过分子图的图注意力神经网络和具有保持对称的位置编码的 Transformer,可以从分子图预测分子力场参数,该方法在相同的计算效率下优于现有的机器学习的分子力场,并可在现有的分子动力学引擎中使用,能够预测小分子、多肽、RNA 等的能量和力,并在蛋白质的模拟中展示了其可转移性。
Mar, 2024
本文介绍了 CoarsenConf,它是一种基于分子图的粗粒化策略,可以用于高效地生成低能 3D 结构,并使用聚合注意机制恢复精细的坐标,从而实现大分子的自回归生成,此外,我们引入了新的指标以更好地评估生成构象体的质量和可行性,并证明 CoarsenConf 相比之前的生成模型和传统化学信息学方法可以生成更准确的构象体集合。