基于因果模型的空间-时间分子动力学氢键分离根因分析

分子动力学仿真 (MDS) 面临计算资源密集且需手动扫描输出以检测“有趣事件”（如分子间原子间氢键的形成与持续）等挑战。关键研究空白在于识别氢键形成与分离的底层原因——理解哪些相互作用或先行事件如何在时间上推动其出现。为此挑战，我们提出利用空间-时间数据分析和机器学习模型来增强这些现象的检测。本文的做法灵感来自因果建模，旨在识别氢键形成与分离事件的根因变量。具体而言，我们将氢键的分离视为一种“干预”事件，并将 bonding 与分离事件的因果结构表示为图结构因果模型。这些因果模型通过受变分自编码器启发的体系结构构建，使我们能够在具有不同底层因果图的样本之间推断因果关系，同时利用共享的动态信息。我们进一步包括一步推断因果模型联合分布变化的根因。通过构建捕捉分子相互作用在键形成或分离期间条件分布变化的因果模型，该框架为分子动力学系统中的根因分析提供了新视角。我们在用于手性分离的原子轨迹上经验验证了该模型，证明我们能够提前预测许多步骤，也发现驱动系统中所观察变化的变量。