Блог

Dec 11, 2023

Машина

Nature Computational Science, том 3, страницы 334–345 (2023) Ссылаться на эту статью 8339 Доступов 8 Цитирований 44 Подробности об альтметрических метриках Молекулярная самоорганизация, управляемая согласованными действиями многих тел

Nature Computational Science, том 3, страницы 334–345 (2023 г.) Процитировать эту статью

8339 Доступов

8 цитат

44 Альтметрика

Подробности о метриках

Молекулярная самоорганизация, движимая согласованными взаимодействиями многих тел, создает упорядоченные структуры, которые определяют как неживую, так и живую материю. Здесь мы представляем автономный алгоритм выборки путей, который объединяет глубокое обучение и теорию путей перехода для открытия механизма явлений молекулярной самоорганизации. Алгоритм использует результаты вновь инициированных траекторий для построения, проверки и, при необходимости, обновления количественных механистических моделей. Завершая цикл обучения, модели направляют выборку для улучшения выборки редких событий сборки. Символическая регрессия конденсирует изученный механизм в форму, интерпретируемую человеком, с точки зрения соответствующих физических наблюдаемых. Применительно к ассоциации ионов в растворе, образованию кристаллов газогидратов, сворачиванию полимера и сборке мембранных белков мы фиксируем движение растворителя многих тел, управляющее процессом сборки, идентифицируем переменные классической теории нуклеации, раскрываем механизм сворачивания на разных уровнях разрешение и выявить конкурирующие пути сборки. Механистические описания применимы к термодинамическим состояниям и химическому пространству.

Понимание того, как общие, но тонко организованные взаимодействия взаимодействуют при формировании сложных структур, является ключом к управлению молекулярной самосборкой1,2. В качестве компьютерных экспериментов молекулярно-динамическое моделирование (МД) обещает нам атомарно детальное и объективное представление о процессах самоорганизации3. Однако большинство процессов коллективной самоорганизации являются редкими событиями, которые происходят во временных масштабах, на много порядков превышающих быстрые молекулярные движения, ограничивающие шаг интеграции МД. Система проводит большую часть времени в метастабильных состояниях, а редкие и быстрые стохастические переходы между состояниями редко разрешаются в объективном МД-моделировании, если вообще разрешаются. Эти пути перехода (TP) представляют собой совершенно особые сегменты траектории, которые фиксируют процесс реорганизации. Изучение молекулярных механизмов с помощью моделирования требует сосредоточения вычислительных мощностей на отборе проб TP4 и выделении из них количественных моделей5. Из-за высокой размерности конфигурационного пространства как выборка, так и извлечение информации на практике представляют собой чрезвычайно сложную задачу. Наш алгоритм решает обе проблемы одновременно. Он автономно и одновременно строит количественные механистические модели сложных молекулярных событий, проверяет модели на лету и использует их для ускорения отбора проб на порядки по сравнению с обычным МД.

Статистическая механика обеспечивает общую основу для получения низкоразмерных механистических моделей событий самоорганизации. В этой статье мы сосредотачиваемся на системах, которые реорганизуются между двумя состояниями A и B (собранными или разобранными соответственно), но обобщение на произвольное количество состояний несложно. Каждый ТП, соединяющий два состояния, содержит последовательность снимков, фиксирующих систему во время ее реорганизации. Следовательно, ансамбль путей перехода (TPE) является механизмом с самым высоким разрешением. Поскольку переход фактически является стохастическим, количественная оценка его механизма требует вероятностной основы. Мы определяем коммиттор pS(x) как вероятность того, что траектория первой войдет в состояние S, причем S = A или B соответственно, где x — вектор признаков, представляющий начальную точку X в конфигурационном пространстве, а pA(x) + pB(x) = 1 для эргодической динамики. Коммиттор pB сообщает о ходе реакции A → B и предсказывает судьбу траектории марковским способом6,7, делая ее идеальной координатой реакции8,9. В игре в шахматы коммиттер можно рассматривать как вероятность, скажем, победы черных при заданных начальных позициях на доске в повторяющихся играх10. Минимальные требования для приложений, выходящих за рамки молекулярного моделирования, заключаются в том, чтобы (1) существовала величина, подобная коммиттору, и (2) чтобы динамику системы можно было многократно измерять, по крайней мере, в прямом направлении. Таким образом, вероятность различных возможных событий (A, B, …) должна быть закодирована, по крайней мере частично (и, следовательно, доступна для изучения в терминах) мгновенного состояния X системы, а динамика системы должна поддаваться повторной выборке, желательно с помощью эффективного компьютерного моделирования. Однако, если можно неоднократно подготовить реальную систему с удовлетворительным контролем над начальными условиями, можно научиться предсказывать вероятную судьбу этой системы с учетом наблюдаемых и контролируемых начальных условий, используя нашу структуру.