Force-Guided Bridge Matching for Full-Atom Time-Coarsened Dynamics of Peptides

要約

分子動力学 (MD) は、いくつか例を挙げると、材料科学、化学、薬学などのさまざまな分野で重要です。
従来の MD ソフトウェアは、時間コストと予測精度のバランスに苦労しており、そのため幅広い用途が制限されています。
最近、深層生成モデルに基づくデータ駆動型アプローチが、時間粗化ダイナミクスに対して考案されており、普遍性と効率性の両方を享受しながら、長いタイムステップにわたって多様な分子システムのダイナミクスを学習することを目的としています。
それにもかかわらず、現在の手法のほとんどは、基礎となるボルツマン分布に関係なく、データ分布から学習することのみを目的として設計されており、エネルギーや力などの物理的な事前分布は常に無視されています。
この研究では、全原子の時間粗化ダイナミクスを学習し、ボルツマン制約分布をターゲットとする、力誘導ブリッジマッチング (FBM) と呼ばれる条件付き生成モデルを提案します。
繊細に設計された中間力場のガイダンスにより、FBM は生成プロセスに有利な物理事前情報を活用し、強化されたシミュレーションを実現します。
ペプチドからなる 2 つのデータセットでの実験により、包括的な指標の点で私たちの優位性が検証され、目に見えないシステムへの移行可能性が実証されました。

要約(オリジナル)

Molecular Dynamics (MD) is crucial in various fields such as materials science, chemistry, and pharmacology to name a few. Conventional MD software struggles with the balance between time cost and prediction accuracy, which restricts its wider application. Recently, data-driven approaches based on deep generative models have been devised for time-coarsened dynamics, which aim at learning dynamics of diverse molecular systems over a long timestep, enjoying both universality and efficiency. Nevertheless, most current methods are designed solely to learn from the data distribution regardless of the underlying Boltzmann distribution, and the physics priors such as energies and forces are constantly overlooked. In this work, we propose a conditional generative model called Force-guided Bridge Matching (FBM), which learns full-atom time-coarsened dynamics and targets the Boltzmann-constrained distribution. With the guidance of our delicately-designed intermediate force field, FBM leverages favourable physics priors into the generation process, giving rise to enhanced simulations. Experiments on two datasets consisting of peptides verify our superiority in terms of comprehensive metrics and demonstrate transferability to unseen systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google