基于深度学习体素到体素变换的端到端反应场能量建模
生物大分子
2024-10-08 v1 机器学习
定量方法
摘要
在计算生物化学和生物物理学中，理解静电相互作用的作用对于阐明生物分子的结构、动力学和功能至关重要。泊松-玻尔兹曼（PB）方程是通过描述带电分子内部及其周围的静电势来模拟这些相互作用的基础工具。然而，由于生物分子表面的复杂性和需要考虑移动离子，求解PB方程面临着巨大的计算挑战。虽然求解PB方程的传统数值方法是准确的，但它们计算成本高，并且随着系统规模的增大而扩展性差。为了应对这些挑战，我们引入了PBNeF，一种受近期基于神经网络的偏微分方程求解器进展启发的新型机器学习方法。我们的方法将PB方程的输入和边界静电条件公式化为可学习的体素表示，从而能够使用神经场变换器来预测PB解，进而预测反应场势能。大量实验表明，与传统的PB求解器相比，PBNeF实现了超过100倍的加速，同时保持了与广义玻恩（GB）模型相当的精度。
引用
@article{arxiv.2410.03927,
title = {End-to-End Reaction Field Energy Modeling via Deep Learning based Voxel-to-voxel Transform},
author = {Yongxian Wu and Qiang Zhu and Ray Luo},
journal= {arXiv preprint arXiv:2410.03927},
year = {2024}
}