Two for One: Diffusion Models and Force Fields for Coarse-Grained Molecular Dynamics

要約

粗視化（CG）分子動力学により、原子レベルの分解能では困難な生物学的プロセスを時間的および空間的スケールで研究することが可能になります。
ただし、CG の力場を正確に学習することは依然として課題です。
この研究では、スコアベースの生成モデル、力場、分子動力学の間の接続を活用して、トレーニング中に力の入力を必要とせずに CG 力場を学習します。
具体的には、分子動力学シミュレーションからタンパク質構造に関する拡散生成モデルをトレーニングし、そのスコア関数が CG 分子動力学のシミュレーションに直接使用できる力場に近似していることを示します。
以前の研究と比較して大幅に簡素化されたトレーニング設定を持ちながら、私たちのアプローチがいくつかの中小規模のタンパク質シミュレーション全体でパフォーマンスの向上につながり、CG平衡分布を再現し、タンパク質の折り畳みなどの全原子シミュレーションのダイナミクスを維持することを実証します。
イベント。

要約(オリジナル)

Coarse-grained (CG) molecular dynamics enables the study of biological processes at temporal and spatial scales that would be intractable at an atomistic resolution. However, accurately learning a CG force field remains a challenge. In this work, we leverage connections between score-based generative models, force fields and molecular dynamics to learn a CG force field without requiring any force inputs during training. Specifically, we train a diffusion generative model on protein structures from molecular dynamics simulations, and we show that its score function approximates a force field that can directly be used to simulate CG molecular dynamics. While having a vastly simplified training setup compared to previous work, we demonstrate that our approach leads to improved performance across several small- to medium-sized protein simulations, reproducing the CG equilibrium distribution, and preserving dynamics of all-atom simulations such as protein folding events.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google