Исследователи Microsoft предлагают DiG: преобразование молекулярного моделирования с помощью глубокого обучения для прогнозирования равновесного распределения

«`html

Революция в молекулярном моделировании с помощью глубокого обучения для предсказания равновесных распределений

Продвижения в области глубокого обучения революционизировали предсказание структуры молекул, однако в реальном мире часто требуется понимание равновесных распределений, а не только отдельных структур. Текущие методы, такие как молекулярно-динамические симуляции, являются вычислительно интенсивными и недостаточны для охвата полного спектра молекулярной гибкости. Предсказание равновесного распределения имеет ключевое значение для оценки макроскопических свойств и функциональных состояний молекул, таких как аденилаткиназа. Глубокое обучение показало свою перспективу в грубозернистых симуляциях, но испытывает трудности с обобщением. Генераторы Больцмана предлагают потенциальное решение путем создания равновесных распределений, однако их применимость к различным молекулам все еще требует улучшения.

Разработка Distributional Graphormer (DiG)

Исследователи из Microsoft Research AI4Science, Пекин, Китай; Университета науки и технологии Китая, Microsoft Quantum, Редмонд, штат Вашингтон, США; и Microsoft Research AI4Science, Берлин, Германия, разработали Distributional Graphormer (DiG), глубокую обучающую систему, направленную на предсказание равновесного распределения молекулярных систем. Вдохновленный термодинамическим отжигом, DiG использует нейронные сети для преобразования простого распределения к равновесию на основе молекулярных дескрипторов, таких как химические графы или последовательности белков. Это позволяет эффективно генерировать разнообразные конформации и оценивать плотности состояний значительно быстрее, чем традиционные методы. DiG демонстрирует универсальность в различных молекулярных задачах и способен обобщаться на различные молекулярные системы. DiG приближает равновесное распределение путем симуляции процесса диффузии, облегчая предсказание молекулярных свойств и обеспечивая обратное проектирование структур с желаемыми свойствами.

Применение DiG

DiG, глубокая обучающая система, расширяет возможности от предсказания отдельных молекулярных структур до оценки их равновесных распределений. Вдохновленный концепцией нагрева-отжига, он использует процесс диффузии для преобразования целевого распределения к более простому и затем обратно. Глубокие нейронные сети предсказывают обратный процесс, приближая функцию оценки, облегчая генерацию разнообразных молекулярных структур. DiG также позволяет генерацию структур с учетом свойств и интерполяцию между состояниями, отображая структуры в латентное пространство. Этот инновационный подход продвигает моделирование молекулярных структур, предлагая эффективное предсказание равновесных распределений и облегчая обратное проектирование структур с желаемыми свойствами.

Универсальность DiG

DiG успешно справляется с различными задачами моделирования молекул, включая выборку конформаций белков, генерируя разнообразные структуры, соответствующие энергетическому ландшафту, что критически важно для понимания поведения и взаимодействий белков. Путем использования экспериментальных и симулированных данных, а также инновационных методов обучения, DiG точно воспроизводит сложные конформационные распределения, даже для белков с несколькими функциональными состояниями. Кроме того, он демонстрирует способность интерполяции между состояниями, предоставляя представление о путях конформационных переходов.

Расширяя свои возможности, DiG успешно справляется с выборкой структуры лигандов вокруг активных участков, точно предсказывая структуры лигандов внутри приемных карманов. Его производительность, проверенная на экспериментальных данных, подчеркивает его потенциал для применения в разработке лекарств. Кроме того, DiG проявляет свои возможности в выборке катализатор-адсорбат, эффективно идентифицируя активные адсорбционные участки на поверхностях катализаторов. Его прогнозы тесно соотносятся с теми, полученными с использованием вычислительно интенсивных методов, таких как теория функционала плотности, подчеркивая его скорость и точность. Наконец, DiG продемонстрирует свою способность к генерации структур с учетом свойств, облегчая задачи обратного проектирования, такие как генерация аллотропов углерода с желаемыми электронными зонами. Это демонстрирует его потенциал для ускорения процессов открытия и дизайна материалов.

Заключение

DiG революционизирует молекулярные науки, эффективно предсказывая равновесные распределения, обеспечивая разнообразную выборку молекул, критически важную для понимания взаимосвязи структуры и функции, а также для проектирования молекул и материалов. DiG изучает молекулярные представления на основе дескрипторов, таких как последовательности белков или формулы соединений, используя передовые архитектуры глубокого обучения, точно описывая сложные распределения в многомерном пространстве. Его преимущество в скорости по сравнению с традиционными методами, такими как молекулярно-динамические симуляции или выборка методом Монте-Карло, предлагает трансформационный потенциал, существенно снижая вычислительные затраты. Способность исследования обширных конформационных пространств ускоряет открытие молекулярных структур, влияя на различные области, включая науки о жизни, разработку лекарств, катализ и науку о материалах.

Посмотрите статью. Вся заслуга за это исследование принадлежит исследователям этого проекта. Также не забудьте подписаться на наш Twitter. Присоединяйтесь к нашему Telegram-каналу, Discord-каналу и группе LinkedIn.

Если вам понравилась наша работа, вам понравится наша рассылка.

Не забудьте присоединиться к нашему SubReddit

Опубликовано на MarkTechPost.

«`