論文の概要: Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations

• arxiv url: http://arxiv.org/abs/2205.08306v1
• Date: Tue, 17 May 2022 13:08:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-18 14:55:08.171172
• Title: Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations
• Title（参考訳）: 生体分子シミュレーションのための精密機械学習量子力学的力場
• Authors: Oliver T. Unke, Martin St\"ohr, Stefan Ganscha, Thomas Unterthiner, Hartmut Maennel, Sergii Kashubin, Daniel Ahlin, Michael Gastegger, Leonardo Medrano Sandonas, Alexandre Tkatchenko, Klaus-Robert M\"uller
• Abstract要約: 分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
• 参考スコア（独自算出の注目度）: 51.68332623405432
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular dynamics (MD) simulations allow atomistic insights into chemical and biological processes. Accurate MD simulations require computationally demanding quantum-mechanical calculations, being practically limited to short timescales and few atoms. For larger systems, efficient, but much less reliable empirical force fields are used. Recently, machine learned force fields (MLFFs) emerged as an alternative means to execute MD simulations, offering similar accuracy as ab initio methods at orders-of-magnitude speedup. Until now, MLFFs mainly capture short-range interactions in small molecules or periodic materials, due to the increased complexity of constructing models and obtaining reliable reference data for large molecules, where long-ranged many-body effects become important. This work proposes a general approach to constructing accurate MLFFs for large-scale molecular simulations (GEMS) by training on "bottom-up" and "top-down" molecular fragments of varying size, from which the relevant physicochemical interactions can be learned. GEMS is applied to study the dynamics of alanine-based peptides and the 46-residue protein crambin in aqueous solution, allowing nanosecond-scale MD simulations of >25k atoms at essentially ab initio quality. Our findings suggest that structural motifs in peptides and proteins are more flexible than previously thought, indicating that simulations at ab initio accuracy might be necessary to understand dynamic biomolecular processes such as protein (mis)folding, drug-protein binding, or allosteric regulation.
• Abstract（参考訳）: 分子動力学(md)シミュレーションは、化学および生物学的過程に対する原子論的洞察を可能にする。 正確なmdシミュレーションには量子力学的計算が必要であり、実質的に短い時間スケールと少数の原子に制限されている。 大規模システムでは、効率的だが信頼性の低い実験力場が使用される。 近年,機械学習力場 (MLFFs) がMDシミュレーションの代替手段として登場し,ab initio法と同じような精度でマグニチュード・オブ・マグニチュード・スピードアップを行った。 これまでmlffは、モデルの構築や大きな分子の信頼できる参照データを得ることが複雑になり、長距離多体効果が重要になるため、小分子や周期材料での短距離相互作用を主に捉えていた。 本研究は,大規模分子シミュレーション(gems)のための正確なmlffを構築するための一般的なアプローチとして,関連する物理化学的相互作用を学習できる大きさの異なる「ボトムアップ」および「トップダウン」分子断片を訓練することを提案する。 GEMSは、水溶液中でのアラニン系ペプチドと46残基タンパク質のクラムビンのダイナミクスの研究に応用され、25k>25kのナノ秒スケールMDシミュレーションを本質的にアブイニチノ品質で行うことができる。 その結果, ペプチドやタンパク質の構造モチーフは従来考えられていたよりも柔軟であり, タンパク質の折り畳み, 薬物結合, アロステリック制御などの動的生体分子過程を理解するためには, 初期精度でのシミュレーションが必要である可能性が示唆された。

関連論文リスト

• A Study on Quantum Car-Parrinello Molecular Dynamics with Classical Shadows for Resource Efficient Molecular Simulation [0.24578723416255746]
  分子動力学(Ab-initio molecular dynamics、AIMD)は、物質の物性を研究するために分子の物理運動をシミュレートする強力なツールである。 近い将来の量子コンピュータは、この課題を緩和するための解決策として多くの注目を集めている。 提案手法に基づいて,資源効率の向上を目的とした古典的シャドウ手法を提案する。
  論文  参考訳（メタデータ） (2024-06-27T00:06:23Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [74.93549765488103]
  薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Machine-learned molecular mechanics force field for the simulation of protein-ligand systems and beyond [33.54862439531144]
  生体分子シミュレーションとコンピュータ支援薬物設計には, 信頼性および分子力学(MM)力場の開発が不可欠である。 本稿では、一般化された機械学習型MM力場、ttexttespaloma-0.3、およびグラフニューラルネットワークを用いたエンドツーエンドの微分可能なフレームワークを紹介する。 力場は、小さな分子、ペプチド、核酸を含む薬物発見に非常に関係した化学ドメインの量子化学エネルギー特性を再現する。
  論文  参考訳（メタデータ） (2023-07-13T23:00:22Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• NNP/MM: Accelerating molecular dynamics simulations with machine learning potentials and molecular mechanic [38.50309739333058]
  ニューラルネットワーク電位(NNP)と分子力学(MM)を組み合わせたハイブリッド手法(NNP/MM)の最適化実装を提案する。 このアプローチは、小さな分子のようなシステムの一部をNNPを用いてモデル化し、残りのシステムにMMを用いて効率を向上する。 これにより, シミュレーション速度を5倍に向上し, 複合体毎の1マイクロ秒の同時サンプリングを実現し, この種のシミュレーションで報告された最長のシミュレーションとなった。
  論文  参考訳（メタデータ） (2022-01-20T10:57:20Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Molecular spin qudits for quantum simulation of light-matter interactions [62.223544431366896]
  分子スピンキューディットは、物質と強く相互作用する光子場の量子力学をシミュレートする理想的なプラットフォームを提供する。 提案した分子量子シミュレータの基本単位は、マイクロ波パルスのみで制御されるスピン1/2とスピン$S$遷移金属イオンの単純な二量体で実現できる。
  論文  参考訳（メタデータ） (2021-03-17T15:03:12Z)
• Accelerated Simulations of Molecular Systems through Learning of their Effective Dynamics [4.276697874428501]
  本稿では,最大3桁のシミュレーションを行うための新しい枠組みを提案する。 ledは分子系の効果的なダイナミクスを学ぶ。 我々は、M"ueller-Brown電位、Trp Cageタンパク質、およびアラニンジペプチドにおけるLEDの有効性を実証する。
  論文  参考訳（メタデータ） (2021-02-17T15:15:37Z)
• End-to-End Differentiable Molecular Mechanics Force Field Construction [0.5269923665485903]
  化学環境を知覚するためにグラフニューラルネットワークを用いる別のアプローチを提案する。 プロセス全体がモジュール化されており、モデルパラメータに関してエンドツーエンドの差別化が可能である。 本手法は, 従来の原子型を再現するだけでなく, 既存の分子力学力場を正確に再現し, 拡張することができることを示す。
  論文  参考訳（メタデータ） (2020-10-02T20:59:46Z)

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。