“`html
Преобразование молекулярного моделирования с помощью глубокого обучения для прогнозирования равновесного распределения
Прогресс в области глубокого обучения революционизировал прогнозирование структуры молекул, но для реальных приложений часто требуется понимание равновесных распределений, а не только отдельных структур. Текущие методы, такие как молекулярно-динамические симуляции, требуют больших вычислительных ресурсов и недостаточны для охвата полного спектра молекулярной гибкости. Прогнозирование равновесного распределения имеет ключевое значение для оценки макроскопических свойств и функциональных состояний молекул, таких как аденилаткиназа. Глубокое обучение показало свою перспективу в грубом симулировании, но сталкивается с проблемой обобщения. Генераторы Больцмана предлагают потенциальное решение путем генерации равновесных распределений, но их применимость к различным молекулам все еще требует улучшения.
Разработка Distributional Graphormer (DiG)
Исследователи из Microsoft Research AI4Science, Пекин, Китай; Университет науки и технологий Китая, Microsoft Quantum, Редмонд, Вашингтон, США; и Microsoft Research AI4Science, Берлин, Германия, разработали Distributional Graphormer (DiG) – глубокую систему обучения, направленную на прогнозирование равновесного распределения молекулярных систем. Вдохновленный термодинамическим отжигом, DiG использует нейронные сети для преобразования простого распределения к равновесию на основе молекулярных дескрипторов, таких как химические графы или последовательности белков. Это позволяет эффективно генерировать разнообразные конформации и оценивать плотности состояний значительно быстрее, чем традиционные методы. DiG демонстрирует универсальность в различных молекулярных задачах и способен обобщаться на различные молекулярные системы. DiG приближает равновесное распределение путем симуляции процесса диффузии, облегчая прогнозирование молекулярных свойств и обеспечивая обратное проектирование структур с желаемыми свойствами.
Применение DiG
DiG, глубокая система обучения, расширяет свои возможности от прогнозирования отдельных молекулярных структур до оценки их равновесных распределений. Вдохновленная концепцией нагрева-отжига, она использует процесс диффузии для преобразования целевого распределения к более простому и затем обратно. Глубокие нейронные сети предсказывают обратный процесс, приближая функцию оценки, облегчая генерацию разнообразных молекулярных структур. DiG также позволяет генерацию структур с учетом свойств и интерполяцию между состояниями, отображая структуры в латентное пространство. Этот инновационный подход продвигает моделирование молекулярной структуры, предлагая эффективное прогнозирование равновесных распределений и облегчая обратное проектирование с желаемыми свойствами.
Универсальность DiG
DiG успешно справляется с различными задачами моделирования и дизайна молекул. Для выборки конформаций белков он умело генерирует разнообразные структуры, соответствующие энергетическому ландшафту, что критически важно для понимания поведения и взаимодействий белков. Путем использования экспериментальных и симулированных данных, а также инновационных методов обучения, DiG точно воспроизводит сложные конформационные распределения, даже для белков с несколькими функциональными состояниями. Кроме того, он демонстрирует способность интерполировать между состояниями, предоставляя представление о путях конформационных переходов.
Расширяя свои возможности, DiG отлично справляется с выборкой структуры лигандов вокруг активных участков, точно прогнозируя структуры лигандов в докрупных карманах. Его производительность, подтвержденная экспериментальными данными, подчеркивает его потенциал для применения в дизайне лекарств. Кроме того, DiG проявляет свои возможности в выборке катализаторов-адсорбатов, эффективно идентифицируя активные участки адсорбции на поверхностях катализаторов. Его прогнозы тесно соотносятся с теми, полученными с помощью вычислительно интенсивных методов, таких как теория функционала плотности, подчеркивая его скорость и точность. Наконец, DiG демонстрирует свою способность к генерации структур с учетом свойств, облегчая обратные задачи, такие как генерация аллотропов углерода с желаемыми электронными зонами. Это демонстрирует его потенциал для ускорения процессов открытия и дизайна материалов.
Заключение
DiG революционизирует молекулярные науки, эффективно прогнозируя равновесные распределения и обеспечивая разнообразную выборку молекул, критически важную для понимания взаимосвязи структуры и функции, а также для дизайна молекул и материалов. DiG изучает молекулярные представления на основе дескрипторов, таких как последовательности белков или формулы соединений, используя передовые архитектуры глубокого обучения, точно описывая сложные распределения в высокомерном пространстве. Его преимущество в скорости перед традиционными методами, такими как молекулярно-динамические симуляции или сэмплирование методом Монте-Карло, предлагает трансформационный потенциал, существенно снижая вычислительные затраты. Способность исследовать обширные конформационные пространства позволяет DiG ускорить открытие молекулярных структур, воздействуя на различные области, включая науки о жизни, дизайн лекарств, катализ и науку о материалах.
Проверьте статью. Вся заслуга за это исследование принадлежит исследователям этого проекта. Также не забудьте подписаться на наш Twitter. Присоединяйтесь к нашему каналу в Telegram, Discord и группе в LinkedIn.
Если вам понравилась наша работа, вам понравится наш рассылка.
Не забудьте присоединиться к нашему 42k+ ML SubReddit
Статья опубликована на сайте MarkTechPost.
Microsoft Researchers Propose DiG: Transforming Molecular Modeling with Deep Learning for Equilibrium Distribution Prediction
Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ) и оставалась в числе лидеров, грамотно используйте Microsoft Researchers Propose DiG: Transforming Molecular Modeling with Deep Learning for Equilibrium Distribution Prediction.
Проанализируйте, как ИИ может изменить вашу работу. Определите, где возможно применение автоматизации: найдите моменты, когда ваши клиенты могут извлечь выгоду из AI.
Определитесь какие ключевые показатели эффективности (KPI): вы хотите улучшить с помощью ИИ.
Подберите подходящее решение, сейчас очень много вариантов ИИ. Внедряйте ИИ решения постепенно: начните с малого проекта, анализируйте результаты и KPI.
На полученных данных и опыте расширяйте автоматизацию.
Если вам нужны советы по внедрению ИИ, пишите нам на https://t.me/itinai. Следите за новостями о ИИ в нашем Телеграм-канале t.me/itinainews или в Twitter @itinairu45358.
Попробуйте AI Sales Bot https://itinai.ru/aisales. Этот AI ассистент в продажах, помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж, снижать нагрузку на первую линию.
Узнайте, как ИИ может изменить ваши процессы с решениями от AI Lab itinai.ru будущее уже здесь!
“`
