Die Charakterisierung von Konformationsübergängen in physikalischen Systemen bleibt eine Aufgabe
grundlegende Herausforderung in den Informatikwissenschaften. Traditionelle Probenahme
Methoden wie Molekulardynamik (MD) oder MCMC haben oft Probleme damit
hochdimensionale Natur molekularer Systeme und die hohen Energiebarrieren von
Übergänge zwischen stabilen Zuständen. Während diese Übergänge seltene Ereignisse sind
Simulationszeitskalen, Sie sind oft die biologisch bedeutsamsten
Prozesse – Zum Beispiel, die Konformationsänderung eines Ionenkanalproteins
vom geschlossenen in den offenen Zustand, Es steuert den zellulären Ionenfluss und ist von entscheidender Bedeutung
für die neuronale Signalübertragung. Solche Übergänge können in realen Systemen Millisekunden dauern
Sekunden, aber es könnte Monate oder Jahre kontinuierlicher Simulation erfordern, um sie zu beobachten
sogar einmal. Wir stellen eine Methode vor, die die Erzeugung von Übergangspfaden als umformuliert
ein kontinuierliches Optimierungsproblem, das durch physikinformierte neuronale Lösungen gelöst wird
Netzwerke (PINs) inspiriert von String-Methoden für einen Pfad mit minimaler Energie (MdEP)
Generation. Durch die Darstellung von Übergangspfaden als implizite neuronale Funktionen und
Nutzung der automatischen Differenzierung mit differenzierbarer Molekulardynamik
Kraftfelder, Unsere Methode ermöglicht die effiziente Entdeckung physikalischer
realistische Übergangspfade, ohne dass teure Pfadproben erforderlich sind. Wir
demonstrieren die Wirksamkeit unserer Methode an zwei Proteinen, einschließlich einer expliziten
Hydratisierter boviner Pankreas-Trypsin-Inhibitor (BPTI) System mit über 8,300
Atome.

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: