使用预训练图神经网络作为几何特征提取器用于构型动力学

识别描述分子模拟中动力学的有信息的低维特征 remains 挑战,通常需要大量手动调优和系统特定知识。本文引入geom2vec,其中使用预训练图神经网络(GNNs)作为通用几何特征提取器。通过在大型分子构型数据集上进行自监督去噪目标预训练等变GNN,可获得用于学习构型动力学而无需进一步微调的可迁移结构表示。我们展示了所学GNN表示如何通过结合可表达的token混合器来捕获结构单元(token)之间的可解释关系。重要的是,将GNN的训练与下游任务的训练分离,可在有限计算资源下分析更大的分子图(如原子解析的小型蛋白质)。通过这些方式,geom2vec消除了手动特征选择的需求,并提高了仿真分析的鲁棒性。