基于自编码器的分子增强采样：集体变量的在线发现与加速自由能形貌探索
生物物理
2018-11-01 v2 计算物理
机器学习
摘要
大分子和生物分子折叠形貌通常含有高自由能势垒，阻碍了标准分子动力学模拟对构型空间的高效采样。偏置采样可沿预先指定的集体变量（CVs）人为驱动模拟，但其成功关键取决于是否存在与重要集体动力学运动相关的良好 CVs。非线性机器学习技术可识别此类 CVs，但通常不能提供执行偏置采样所需的与原子坐标的显式关系。本工作中，我们采用自关联人工神经网络（“自编码器”）来学习作为原子坐标显式且可微函数的非线性 CVs。我们的方法在构型空间探索中提供了显著加速，并与现有方法不同，其能够同时发现并直接沿数据驱动的 CVs 进行加速。我们在丙氨酸二肽和 Trp-cage 的模拟中展示了该方法，并在 OpenMM 中开发了开源且免费可用的实现。
引用
@article{arxiv.1801.00203,
title = {Molecular enhanced sampling with autoencoders: On-the-fly collective variable discovery and accelerated free energy landscape exploration},
author = {Wei Chen and Andrew L Ferguson},
journal= {arXiv preprint arXiv:1801.00203},
year = {2018}
}