通过 EATR-flooding 提升增强速率计算

近期若干方法表明，可通过在一个或多个集体变量 (CV) 上施加随时间变化的偏置来计算极慢的生物分子过程的速率常数。我们先前报告的指数平均时间依赖速率 (EATR) 方法通过考虑外部偏置势如何高效修改观察速率所获益，利用学习的 CV 质量因子 $\gamma$ 实现更精确的速率估计，同时使用相同的数据对次优坐标进行偏置。然而，依据当前的 EATR 形式，需依赖随时间变化的偏置才能正确确定偏置效率，这限制了其针对准静态偏置方案（如“淹没”或基于概率的即时增强抽样 (OPES)）的适用性。本文提出 EATR-flooding 方法，通过取代时间依赖偏置的需求，改为在多个仿真组间增加（step up）偏置势的强度。我们将该方法实现为开源 Python 库，演示该方法在粗粒化蛋白系统中保持与标准 EATR 相当的准确性且效率损失不大，并在全原子腔体-配体模型中表现良好。EATR-flooding 两个额外吸引特性是：内部检查防止过度偏置，以及仅需为给定 CV 选择预测单个 $\gamma$ 参数，而非早期结果中 $\gamma$ 随偏置速率经验性变化。我们认为 EATR-flooding 不仅适用于 OPES 仿真，更广泛适用于 CV 偏置增强抽样方法，具有广泛实用性。