論文の概要: Machine Learning Implicit Solvation for Molecular Dynamics

• arxiv url: http://arxiv.org/abs/2106.07492v1
• Date: Mon, 14 Jun 2021 15:21:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-15 15:32:25.890658
• Title: Machine Learning Implicit Solvation for Molecular Dynamics
• Title（参考訳）: 機械学習の分子動力学への応用
• Authors: Yaoyi Chen, Andreas Kr\"amer, Nicholas E. Charron, Brooke E. Husic, Cecilia Clementi, Frank No\'e
• Abstract要約: 平均力の暗黙の溶媒ポテンシャルをモデル化するために,グラフニューラルネットワークであるボルネットを導入した。 この手法の成功は、溶媒効果の正確なモデリングに機械学習手法を適用することの潜在的利点を示すものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate modeling of the solvent environment for biological molecules is crucial for computational biology and drug design. A popular approach to achieve long simulation time scales for large system sizes is to incorporate the effect of the solvent in a mean-field fashion with implicit solvent models. However, a challenge with existing implicit solvent models is that they often lack accuracy or certain physical properties compared to explicit solvent models, as the many-body effects of the neglected solvent molecules is difficult to model as a mean field. Here, we leverage machine learning (ML) and multi-scale coarse graining (CG) in order to learn implicit solvent models that can approximate the energetic and thermodynamic properties of a given explicit solvent model with arbitrary accuracy, given enough training data. Following the previous ML--CG models CGnet and CGSchnet, we introduce ISSNet, a graph neural network, to model the implicit solvent potential of mean force. ISSNet can learn from explicit solvent simulation data and be readily applied to MD simulations. We compare the solute conformational distributions under different solvation treatments for two peptide systems. The results indicate that ISSNet models can outperform widely-used generalized Born and surface area models in reproducing the thermodynamics of small protein systems with respect to explicit solvent. The success of this novel method demonstrates the potential benefit of applying machine learning methods in accurate modeling of solvent effects for in silico research and biomedical applications.
• Abstract（参考訳）: 生物分子の溶媒環境の正確なモデリングは、計算生物学と薬物設計に不可欠である。 システムサイズの長いシミュレーション時間スケールを達成するための一般的なアプローチは、溶媒の効果を暗黙の溶媒モデルで平均場に組み込むことである。 しかしながら、既存の暗黙溶媒モデルにおける課題は、無視された溶媒分子の多体効果が平均場としてモデル化することが困難であるため、明示溶媒モデルと比較して精度や特定の物理的性質が欠けていることである。 そこで,我々は機械学習 (ml) と多スケール粗粒化 (cg) を利用して,与えられた明示的な溶媒モデルのエネルギー的および熱力学的性質を十分に訓練されたデータから任意の精度で近似できる暗黙の溶媒モデルを学習する。 従来の ml-cg モデル cgnet と cgschnet に続いて,グラフニューラルネットワークである issnet を導入し,平均力の暗黙の溶媒ポテンシャルをモデル化する。 ISSNetは明示的な溶媒シミュレーションデータから学習でき、MDシミュレーションにも容易に適用できる。 2つのペプチド系に対する溶解処理における溶質配座分布の比較を行った。 その結果, ISSNetモデルでは, 顕在溶媒に対する小タンパク質系の熱力学の再現において, 広く用いられている一般化ボルンモデルや表面積モデルよりも優れることが示された。 この手法の成功は、シリコ研究および生物医学応用における溶媒効果の正確なモデリングに機械学習手法を適用する潜在的な利点を示している。

関連論文リスト

• Predicting solvation free energies with an implicit solvent machine learning potential [0.0]
  本稿では,小さな有機分子に対する暗黙の溶媒MLポテンシャルをパラメータ化するために,Solvation Free Energy Path Reweighting (ReSolv) フレームワークを導入する。 トップダウン(実験的な水和自由エネルギーデータ)とボトムアップ(真空中の分子の初期データ)の学習の組み合わせにより、ReSolvは明示的なバルク溶媒中の分子の難解なアブ初期データの必要性を回避した。 明示的な溶媒MLポテンシャルと比較して、ReSolvは4桁の計算スピードアップを提供し、実験と密接に一致している。
  論文  参考訳（メタデータ） (2024-05-31T20:28:08Z)
• Diffusion models as probabilistic neural operators for recovering unobserved states of dynamical systems [49.2319247825857]
  拡散に基づく生成モデルは、ニューラル演算子に好適な多くの特性を示す。 本稿では,複数のタスクに適応可能な単一モデルを,トレーニング中のタスク間で交互に学習することを提案する。
  論文  参考訳（メタデータ） (2024-05-11T21:23:55Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Predicting Drug Solubility Using Different Machine Learning Methods -- Linear Regression Model with Extracted Chemical Features vs Graph Convolutional Neural Network [1.8936798735951967]
  我々は、線形回帰モデルとグラフ畳み込みニューラルネットワーク(GCNN)モデルという2つの機械学習モデルを用いて、様々な実験データセットを用いた。 現在のGCNNモデルは解釈可能性に制限があるが、線形回帰モデルは、基礎となる要因の詳細な分析を可能にする。 化学の観点からは, 線形回帰モデルを用いて, 個々の原子種と官能基が全体の溶解度に及ぼす影響を解明した。
  論文  参考訳（メタデータ） (2023-08-23T15:35:20Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Model Uncertainty and Correctability for Directed Graphical Models [3.326320568999945]
  我々は、有向グラフモデルのための情報理論、頑健な不確実性定量化法および非パラメトリック応力試験を開発する。 我々は,グラフィカルモデルのコンポーネント改善のための体系的な選択を保証する,数学的に厳密な修正性に対するアプローチを提供する。 提案手法は, 量子スケールインフォームド化学反応と, 燃料電池の効率向上のための材料スクリーニングの2つの物理化学的例で実証した。
  論文  参考訳（メタデータ） (2021-07-17T04:30:37Z)
• Graphical Gaussian Process Regression Model for Aqueous Solvation Free Energy Prediction of Organic Molecules in Redox Flow Battery [2.7919873713279033]
  本稿では,有機分子の溶解自由エネルギーを学習し,予測する機械学習モデルを提案する。 我々は,MLモデルを用いて,分子の解離自由エネルギーを1kcal/mol未満の平均絶対誤差で化学的精度で予測できることを実証した。
  論文  参考訳（メタデータ） (2021-06-15T13:48:26Z)
• Predicting Aqueous Solubility of Organic Molecules Using Deep Learning Models with Varied Molecular Representations [3.10678679607547]
  本研究の目的は、幅広い有機分子の溶解度を予測できる一般モデルを開発することである。 現在利用可能な最大の溶解度データセットを用いて、分子構造から溶解度を予測するディープラーニングモデルを構築した。 分子ディスクリプタを用いたモデルでは,GNNモデルでも優れた性能が得られた。
  論文  参考訳（メタデータ） (2021-05-26T15:54:54Z)
• Sufficiently Accurate Model Learning for Planning [119.80502738709937]
  本稿では,制約付きSufficiently Accurateモデル学習手法を提案する。 これはそのような問題の例を示し、いくつかの近似解がいかに近いかという定理を提示する。 近似解の質は、関数のパラメータ化、損失と制約関数の滑らかさ、モデル学習におけるサンプルの数に依存する。
  論文  参考訳（メタデータ） (2021-02-11T16:27:31Z)
• Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
  偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。 最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。 偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。 本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
  論文  参考訳（メタデータ） (2020-09-08T13:26:51Z)
• Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
  我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。 このようなモデルをリアルタイム診断に利用しています。
  論文  参考訳（メタデータ） (2020-03-04T00:44:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。