Feb, 2024

利用标注数据增强几何插值来学习蛋白质折叠的集体变量

PDF
TL;DR通过使用物理启发度量标准生成模拟蛋白质折叠转变的地势插值，我们提出了一种无需模拟的数据增强策略，以改善采样效率，并在转变状态数据有限且噪音较大时，通过插值进展参数引入基于回归的学习方案来构建 Collective Variable 模型，其性能优于基于分类器的方法。
发现论文，激发创造
  • 基于不确定性的集体变量增强采样的稳健分子数据集

    为机器学习的原子间势提供了能够代表分子系统可访问配置空间的数据集的生成方法，该方法利用不确定性作为集体变量以引导获取与化学相关的数据点，重点关注机器学习模型预测最不确定性的配置空间区域，并在丙氨酰二肽基准系统上验证了该方法在克服能量壁垒和探索未知能量最小值方面的有效性。

    Feb, 2024

  • 理解最近深度学习技术在识别分子动力学集体变量方面的应用

    本文研究了深度学习算法在构建高维次稳态分子系统的共同变量及其有效模拟中的应用，在基于无穷小生成器或转移算子与基础动力学相关的领先特征函数计算或通过最小化重构误差来学习自动编码器之间提出了一个简洁的概述，并在说明性示例上对这两种方法进行了比较的数值研究

    Jul, 2023

  • 自编码分子增强采样技术：即时集体变量发现与自由能较快探索

    采用自编码器进行非线性机器学习，发掘具有明确和可微分函数关系的 CVs，加速沿着数据启发式的 CVs 进行偏引力采样。在模拟丙氨酸二肽和 Trp-cage 时展示了这种方法。

    Dec, 2017

  • 基于生成流网络的无集体变量转移路径采样

    通过生成流网络，我们的 TPS-GFN 方法在不依赖 CV 的情况下通过分子轨迹进行能量感知抽样，从而产生比之前的不依赖 CV 的机器学习方法更真实和多样化的转变路径。

    May, 2024

  • 深度贝叶斯模型预测集体变量发现

    通过发现 Bayesian 推理问题中的 collective variables，开发了增强采样方法，结合机器学习和变分推断方法，计算了精细尺度原子结构的样本，对物理化学属性的预测可为理解未知复杂系统的机制提供量化评估。

    Sep, 2018

  • 数据驱动的路径集体变量

    基于核岭回归的响应变量生成与优化方法，适用于原子尺度模拟，提供一维、可解释性高且可微分的响应变量，用于增强采样模拟，并应用于沉淀模型和水中 Li$^+$ 和 F$^-$ 的结合的相关机制研究。

    Dec, 2023

  • 基于自上而下的机器学习法推导蛋白质粗粒度力场

    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

  • DeepDriveMD: 基于深度学习的自适应分子模拟技术用于蛋白质折叠

    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

  • 利用深度生成模型在高维自由能表面上进行无偏增强采样

    使用基于评分的扩散模型的去偏方法对温度加速分子动力学（TAMD）模拟进行测试，结果表明这种去偏方法显著优于传统的去偏方法，并且能够生成准确的无偏构象集合，适用于具有较高 CV 数量的模拟。

    Dec, 2023

  • 使用 Procrustes 验证集合进行共线数据集增强

    我们提出了一种新的方法来增加数字和混合数据集，通过利用交叉验证重采样和潜变量建模来生成额外的数据点。该方法对于具有中度到高度共线性的数据集特别有效，因为它直接利用了这个属性进行生成。该方法简单、快速，并且有很少的参数，在文中已经证明无需特定调整。我们对多个真实数据集进行了测试；在这里，我们报告了两种情况的详细结果，即基于近红外光谱的切碎肉中蛋白质的预测（完全数字数据，具有高度共线性）和因冠状动脉造影而被提及的患者的区分（混合数据，包括数字和分类变量，并具有中度共线性）。在这两种情况下，我们使用人工神经网络来开发回归和区分模型。结果显示模型性能有明显提高；因此，在预测肉类蛋白质时，拟合增强数据的模型可以将独立测试集的均方根误差减少 1.5 至 3 倍。

    Dec, 2023