置换不变网络用于增强采样（PINES）：多分子与含溶剂集体变量的发现
生物大分子
2023-08-21 v1
摘要
分子自由能面的典型崎岖特性会因高自由能垒的存在而阻碍对热力学相关相空间的高效采样。增强采样技术可通过沿特定集体变量（CVs）加速采样来改善相空间探索。已有若干技术用于数据驱动发现参数化系统重要大尺度运动的 CVs。CV 发现的一个挑战是学习对分子系统对称性（常为刚性平移、刚性旋转及全同粒子的置换重标）不变的 CVs。其中，置换不变性在阻碍自组装粒子系统多分子 CVs 及溶剂化系统含溶剂 CVs 的数据驱动发现方面一直是个持久难题。本工作中，我们将置换不变向量（PIV）特征化与自编码神经网络结合，以学习对平移、旋转和置换不变的非线性 CVs，并进行 CV 发现与增强采样的交错轮次，迭代扩展构型相空间采样并获得收敛的 CVs 与自由能面。我们在 13 原子氩团簇自组装、水中 NaCl 离子对缔合/解离、以及 C45H92 正四十五烷聚合物链疏水塌缩等应用中展示了置换不变网络用于增强采样（PINES）方法。我们将该方法作为 PLUMED2 增强采样库中的新模块免费提供。
引用
@article{arxiv.2308.08680,
title = {Permutationally Invariant Networks for Enhanced Sampling (PINES): Discovery of Multi-Molecular and Solvent-Inclusive Collective Variables},
author = {Nicholas S. M. Herringer and Siva Dasetty and Diya Gandhi and Junhee Lee and Andrew L. Ferguson},
journal= {arXiv preprint arXiv:2308.08680},
year = {2023}
}