論文の概要: Automating MD simulations for Proteins using Large language Models: NAMD-Agent

• arxiv url: http://arxiv.org/abs/2507.07887v1
• Date: Thu, 10 Jul 2025 16:17:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.484771
• Title: Automating MD simulations for Proteins using Large language Models: NAMD-Agent
• Title（参考訳）: 大規模言語モデルを用いたタンパク質のMDシミュレーションの自動化:NAMD-Agent
• Authors: Achuth Chandrasekhar, Amir Barati Farimani,
• Abstract要約: 我々は,大規模言語モデル(LLM),特にGemini 2.0 Flashを,ピソンスクリプティングとSeleniumベースのWebオートメーションとともに活用する自動化パイプラインを導入する。 このパイプラインはCHARMM GUIの包括的Webベースインタフェースを利用して、NAMDのシミュレーション対応インプットを作成する。 結果は、このアプローチがセットアップ時間を短縮し、手動エラーを最小限にし、複数のタンパク質システムを並列に処理するためのスケーラブルなソリューションを提供することを示した。
• 参考スコア（独自算出の注目度）: 9.339909188265333
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Molecular dynamics simulations are an essential tool in understanding protein structure, dynamics, and function at the atomic level. However, preparing high quality input files for MD simulations can be a time consuming and error prone process. In this work, we introduce an automated pipeline that leverages Large Language Models (LLMs), specifically Gemini 2.0 Flash, in conjunction with python scripting and Selenium based web automation to streamline the generation of MD input files. The pipeline exploits CHARMM GUI's comprehensive web-based interface for preparing simulation-ready inputs for NAMD. By integrating Gemini's code generation and iterative refinement capabilities, simulation scripts are automatically written, executed, and revised to navigate CHARMM GUI, extract appropriate parameters, and produce the required NAMD input files. Post processing is performed using additional software to further refine the simulation outputs, thereby enabling a complete and largely hands free workflow. Our results demonstrate that this approach reduces setup time, minimizes manual errors, and offers a scalable solution for handling multiple protein systems in parallel. This automated framework paves the way for broader application of LLMs in computational structural biology, offering a robust and adaptable platform for future developments in simulation automation.
• Abstract（参考訳）: 分子動力学シミュレーションは、タンパク質の構造、動力学、原子レベルでの機能を理解する上で不可欠なツールである。 しかし、MDシミュレーションのための高品質な入力ファイルを作成することは、時間がかかり、エラーが発生しやすい。 本稿では,大規模言語モデル(LLM),特にGemini 2.0 Flashを,ピソンスクリプティングとSeleniumベースのWebオートメーションと併用して,MD入力ファイルの生成を効率化する自動化パイプラインを提案する。 このパイプラインはCHARMM GUIの包括的Webベースインタフェースを利用して、NAMDのシミュレーション対応インプットを作成する。 Geminiのコード生成と反復改善機能を統合することで、シミュレーションスクリプトは自動的に書かれ、実行され、CHARMM GUIをナビゲートし、適切なパラメータを抽出し、必要なNAMD入力ファイルを生成する。 ポスト処理は、シミュレーション出力をさらに洗練するために追加のソフトウェアを使用して行われる。 提案手法はセットアップ時間を短縮し,手動エラーを最小限にし,複数のタンパク質を並列処理するためのスケーラブルなソリューションを提供する。 この自動化フレームワークは、計算構造生物学におけるLLMの幅広い応用の道を開くもので、シミュレーション自動化における将来の発展のための堅牢で適応可能なプラットフォームを提供する。

関連論文リスト

• chemtrain-deploy: A parallel and scalable framework for machine learning potentials in million-atom MD simulations [0.6240840318920522]
  本稿では,MDシミュレーションにおけるLAMMPSのモデル非依存展開を可能にするフレームワークであるChemtrain-deployを提案する。 Chemtrain-deployはJAX定義の半局所ポテンシャルをサポートし、ユーザーはLAMMPSの機能を利用することができる。 最先端の効率を実現し、数百万の原子を含むシステムにスケールする。
  論文  参考訳（メタデータ） (2025-06-04T15:19:26Z)
• MooseAgent: A LLM Based Multi-agent Framework for Automating Moose Simulation [1.729730091778761]
  本稿では,マルチ物理シミュレーションフレームワークMOOSEのための自動解法フレームワークMooseAgentを提案する。 MooseAgentは、大規模事前訓練言語モデル(LLM)とマルチエージェントシステムを組み合わせる。 その結果,MooseAgentはMOOSEシミュレーションプロセスをある程度自動化できることがわかった。
  論文  参考訳（メタデータ） (2025-04-11T15:25:50Z)
• MDCrow: Automating Molecular Dynamics Workflows with Large Language Models [0.6130124744675498]
  分子動力学シミュレーションを自動化可能なエージェントLLMアシスタントであるMDCrowを紹介する。 必要なサブタスクと難易度が異なる25タスクにまたがるMDCrowの性能を評価し,難易度と易易度の両方に対するエージェントの頑健さを評価する。
  論文  参考訳（メタデータ） (2025-02-13T18:19:20Z)
• AutoFLUKA: A Large Language Model Based Framework for Automating Monte Carlo Simulations in FLUKA [6.571041942559539]
  モンテカルロ (MC) シミュレーションは、科学と工学の分野で現実世界のシナリオを再現するために不可欠である。 堅牢性と汎用性にもかかわらず、FLUKAは自動化と外部の後処理ツールとの統合において大きな制限に直面している。 本研究では,これらの制約に対処するLarge Language Models(LLM)とAIエージェントの可能性について検討する。 本稿では、LangChain Python Frameworkを用いて開発され、FLUKAの典型的なMCシミュレーションを自動化するAIエージェントであるAutoFLUKAを紹介する。
  論文  参考訳（メタデータ） (2024-10-19T21:50:11Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)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-リガンド結合ダイナミクス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。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,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)
• In Situ Framework for Coupling Simulation and Machine Learning with Application to CFD [51.04126395480625]
  近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。 シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。 この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
  論文  参考訳（メタデータ） (2023-06-22T14:07:54Z)
• OmniForce: On Human-Centered, Large Model Empowered and Cloud-Edge Collaborative AutoML System [85.8338446357469]
  我々は人間中心のAutoMLシステムであるOmniForceを紹介した。 我々は、OmniForceがAutoMLシステムを実践し、オープン環境シナリオにおける適応型AIを構築する方法について説明する。
  論文  参考訳（メタデータ） (2023-03-01T13:35:22Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• MLMOD: Machine Learning Methods for Data-Driven Modeling in LAMMPS [0.0]
  マイクロスケール力学と分子動力学を特徴付けるためのプロトタイプC++/Pythonパッケージを提案する。 このパッケージは、現在、メソモッドおよび分子動力学シミュレーションパッケージLAMMPSとPyTorchと統合されている。
  論文  参考訳（メタデータ） (2021-07-29T22:55:26Z)

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。