基于自上而下的机器学习法推导蛋白质粗粒度力场
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
利用人工智能和生成神经网络对蛋白质的分子动力学进行建模，将分子动力学的轨迹用 Ramachandran 盆类的向量表示，无需使用物理粒子，模型可以扩展无限，并能够完整地模拟蛋白质的构象空间。
Jun, 2022
通过将深度学习与分子动力学模拟相结合，可以有效学习潜在表征并推动自适应模拟，从而实现在超级计算机上以有效的方式折叠蛋白质，相较于传统的模拟方法，获得至少 2.3 倍的性能提升，这为我们理解 DL 驱动的 MD 模拟如何导致在超级计算资源上减少解决方案的时间提供了定量基础。
Sep, 2019
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
我们提出了一种力导向的 SE (3) 扩散模型 ConfDiff，用于蛋白质构象的生成，该模型融合了力导向网络和基于数据的评分模型，能够生成具有多样性且高保真性的蛋白质构象。实验证明，我们的方法在多种蛋白质构象预测任务中优于现有方法。
Mar, 2024
通过将时空物理对称性结合到梯度域机器学习（sGDML）模型中，从高级初步计算中直接构建灵活的分子力场，为实现分子模拟中的光谱精度提供关键缺失成分。
Feb, 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
利用卷积神经网络从蛋白结构中学习连续的构象空间表示，实现预测连接蛋白的不同构象状态的生物相互作用，并利用转移学习从一个蛋白结构中迁移特征以提高性能。
Oct, 2019
本文介绍了一种新型的蛋白质构象采样方法，它使用基于分数的生成模型（SGMs）训练的多层分数函数直接采样构象，以弥补传统 MD 仿真过程中采样样本不足的问题，并通过在多个基准系统上进行比较，证明了该方法的有效性。
Jun, 2023