可扩展归一化流实现大分子的玻尔兹曼生成器
机器学习
2024-01-10 v1 生物大分子
摘要
蛋白质的玻尔兹曼分布为其所有功能状态提供了路线图。归一化流是建模该分布的有前景工具，但当前方法对于典型药理学目标而言难以处理；由于系统规模、分子内势能异质性和长程相互作用，它们在计算上变得棘手。为解决这些问题，我们提出了一种新颖的流架构，利用拆分通道和门控注意力来高效学习由内坐标定义的蛋白质构象分布。我们表明，通过利用2-Wasserstein损失，可以平滑从最大似然训练到基于能量训练的过渡，从而能够训练大分子的玻尔兹曼生成器。我们在villin头片HP35(nle-nle)（一个35残基子域）和蛋白G（一个56残基蛋白）上评估了我们的模型和训练策略。我们证明，标准架构和训练策略（如单独的最大似然）会失败，而我们的新颖架构和多阶段训练策略能够对蛋白G和HP35的构象分布进行建模。
引用
@article{arxiv.2401.04246,
title = {Scalable Normalizing Flows Enable Boltzmann Generators for Macromolecules},
author = {Joseph C. Kim and David Bloore and Karan Kapoor and Jun Feng and Ming-Hong Hao and Mengdi Wang},
journal= {arXiv preprint arXiv:2401.04246},
year = {2024}
}