基于机器学习极化率的氨基酸与肽的拉曼光谱
计算物理
2024-04-30 v2 生物物理
摘要
拉曼光谱是研究分子、肽甚至蛋白质的振动性质和组成的重要工具。拉曼光谱可以基于电子极化率随振动的变化进行模拟，如今可以通过在第一性原理数据上训练的机器学习模型高效地获得。然而，在小分子上训练的模型对更大结构的可迁移性尚不清楚，而直接在大型结构上进行训练则成本高昂。在这项工作中，我们首先训练了两个机器学习模型来预测所有20种氨基酸的极化率。两个模型都经过了仔细的基准测试，并与DFT计算进行了比较，发现神经网络方法提供了更好的可迁移性。通过将机器学习模型与经典力场分子动力学相结合，我们还获得并研究了所有氨基酸的拉曼光谱，结果与实验吻合良好。这些模型被进一步扩展到小肽。我们发现，将包含肽键的结构添加到训练集中，即使对于未包含在训练集中的肽，也能极大地改善预测。
引用
@article{arxiv.2401.14808,
title = {Raman spectra of amino acids and peptides from machine learning polarizabilities},
author = {Ethan Berger and Juha Niemelä and Outi Lampela and André H. Juffer and Hannu-Pekka Komsa},
journal= {arXiv preprint arXiv:2401.14808},
year = {2024}
}