用于增强蛋白质动力学采样的可迁移神经网络
机器学习
2018-01-03 v1 生物大分子
摘要
变分自编码器框架已成功将分子模拟中复杂的非线性动力学降维至单一非线性嵌入。本工作中，我们阐明了如何利用该非线性潜嵌入作为增强采样的集体变量，并提出了一种简单修正，使我们能够在多个相关系统中快速执行采样。我们首先证明，在使用 AMBER99 学习模型后，我们的方法能够描述封端丙氨酸二肽中力场变化的影响。我们进一步对变分动力学编码器提供了一个简单扩展，通过对基于时间结构的独立分量分析（tICA）的线性变换输出进行编码，使模型能够在更大系统上以更高效的方式训练。利用该技术，我们展示了为一个蛋白质（WW 域）训练的此类模型如何被有效迁移，以对相关的突变蛋白 GTT 突变体执行增强采样。该方法有望凭借单一可迁移集体变量快速采样相关系统，且普遍适用于相关模拟集合，使我们能够探究生物物理关注的大型系统中变异的影响。
引用
@article{arxiv.1801.00636,
title = {Transferable neural networks for enhanced sampling of protein dynamics},
author = {Mohammad M. Sultan and Hannah K. Wayment-Steele and Vijay S. Pande},
journal= {arXiv preprint arXiv:1801.00636},
year = {2018}
}
备注
20 pages, 10 figures