Modeling of biomolecular machines in non-equilibrium steady states
数值计算已经成为所有现代定量科学的支柱。任何计算都涉及建模-即使这一步通常并不明确-并且任何模型都必须忽略细节,同时仍然保持物理准确性。平衡统计力学指导了遵循细致平衡的动力学模型和数值方法的发展。对于偏离热平衡的系统,缺少这样一个普遍的理论框架。对于一类受马尔可夫动力学和局部细致平衡约束的驱动系统,随机热力学已经发展到填补这一空白,并提供基本的约束和指导原则。下一步是将随机热力学从简单模型系统推进到具有数万甚至数百万自由度的复杂系统。生物分子在化学梯度和机械力的存在下工作是这一挑战的主要例子。在这个角度来看,我们给出了一个介绍等温随机热力学面向系统的多尺度建模的构象动力学的生物分子和合成机器,我们概述了一些开放的挑战。
2021-09-08 cond-mat.soft cond-mat.stat-mech physics.chem-ph
Note: Variational Encoding of Protein Dynamics Benefits from Maximizing Latent Autocorrelation
Stanford University(斯坦福大学)
随着深度变分自动编码器(VAE)框架越来越广泛地用于生物分子模拟数据建模,我们强调VAE架构同时最大化潜在空间的时间尺度的能力,同时推断出一个简化的坐标,这有助于根据构象动力学的变分方法找到缓慢的过程。我们还提供了VDE框架(Hernández等人,2017),其使用该自相关损失以及时滞重建损失,与相关损失函数相比获得变分优化的潜在坐标。因此,我们建议在训练生物分子模拟数据的神经网络模型时利用潜在空间的自相关性,以更好地表示缓慢的过程。
2018-03-17 cs.LG physics.bio-ph physics.chem-ph
Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations
Google Research(谷歌研究院);Technische Universität Berlin(柏林工业大学);University of Luxembourg(卢森堡大学);Korea University(高丽大学);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);Berlin Institute for the Foundations of Learning and Data(柏林学习与数据基础研究所)
分子动力学(MD)模拟允许对化学和生物过程的原子见解。精确的分子动力学模拟需要计算量很大的量子力学计算,实际上仅限于短时间尺度和少数原子。对于较大的系统,使用有效的,但可靠性低得多的经验力场。最近,机器学习力场(MLFF)作为执行MD模拟的替代手段出现,在数量级加速下提供与从头算方法相似的精度。到目前为止,MLFF主要捕获小分子或周期性材料中的短程相互作用,这是由于构建模型和获得大分子可靠参考数据的复杂性增加,其中长程多体效应变得重要。这项工作提出了一种通用的方法来构建准确的MLFF的大规模分子模拟(GEMS)的训练上的“自下而上”和“自上而下”的不同大小的分子片段,从中可以了解相关的物理化学相互作用。GEMS被应用于研究丙氨酸基肽和46-残基蛋白质crambin在水溶液中的动力学,允许在基本上从头算质量的纳秒尺度的MD模拟> 25 k原子。我们的研究结果表明,肽和蛋白质的结构基序比以前认为的更灵活,这表明从头计算的准确性模拟可能是必要的,以了解动态的生物分子过程,如蛋白质(错误)折叠,药物-蛋白质结合,或变构调节。
2022-05-17 cs.LG physics.chem-ph q-bio.BM
The mechanism of RNA base fraying: molecular dynamics simulations analyzed with core-set Markov state models
RNA碱基磨损的过程(即螺旋末端的瞬时打开)涉及RNA动力学的许多方面。在这里,我们使用分子动力学模拟和马尔可夫状态模型来表征RNA磨损的动力学及其序列和方向依赖性。特别是,我们首先介绍了一种方法,用于确定生物分子动力学采用核心集马尔可夫状态模型构建使用先进的聚类技术。该方法是验证先前报道的模拟。然后,我们使用该方法来分析四种不同的RNA模型双链体的广泛轨迹。使用D. E.肖研究和琥珀力场进行了详细的比较和讨论,并显示了一个非平凡的中间状态的稳定性和整体磨损动力学之间的相互作用。
2019-03-07 cond-mat.stat-mech physics.bio-ph physics.chem-ph
Accelerated estimation of long-timescale kinetics by combining weighted ensemble simulation with Markov model "microstates" using non-Markovian theory
加权系综(WE)模拟策略提供了无偏采样的非平衡过程,如分子折叠或绑定,但提取的速率常数依赖于表征稳态行为。不幸的是,足够复杂的复杂系统的WE模拟将不会放松到稳定状态的观测模拟时间。在这里,我们表明,一个后模拟聚类的分子配置到“microbins”使用马尔可夫状态模型(MSM)社区开发的方法,可以产生无偏动力学从WE数据之前,稳态收敛的WE模拟本身。由于WE轨迹是定向的,而不是均衡分布的,因此可以使用历史增强MSM(haMSM)公式,该公式对于任意小的滞后时间产生无偏差的平均首次通过时间(MFPT)。精确的动力学可以得到,而绕过往往禁止收敛要求的非平衡加权合奏。我们验证了一个简单的扩散过程中的二维随机能量景观的方法,然后分析原子蛋白质折叠模拟使用我们分子动力学。我们报告了无偏估计蛋白质折叠时间和途径的重大进展,但仍然存在关键挑战。
2020-10-01 cond-mat.stat-mech physics.bio-ph physics.chem-ph
GraphVAMPNet, using graph neural networks and variational approach to markov processes for dynamical modeling of biomolecules
National Institutes of Health(美国国立卫生研究院);Laboratory of Computational Biology(计算生物学实验室);University of Maryland(马里兰大学)
本研究结合VAMPNet与图神经网络,提出端到端的GraphVAMPNet框架,通过图消息传递生成嵌入并加入注意力机制,从生物分子长时间轨迹中学习动力学与亚稳态,得到分辨率更高、可解释性更强的马尔可夫模型。
2022-01-12 cs.LG physics.chem-ph physics.comp-ph
Exploring RNA structure and dynamics through enhanced sampling simulations
RNA的功能与其结构动力学密切相关。分子动力学模拟是有用的探索生物分子的灵活性,但严重限制了可访问的时间尺度。增强的采样方法允许有效地延长这一时间尺度,以探测生物相关的构象变化和化学反应。在这里,我们回顾了增强的采样技术在RNA系统的研究中的作用。我们讨论了这些方法的力场验证,探索构象景观和离子/配体-RNA相互作用,以及催化途径的应用相关的挑战和承诺。这些方法的重要技术方面,如有偏见的集体变量的选择和多副本模拟的分析,进行了详细研究。最后,这些方法在RNA动力学的表征中的作用的角度提供。
2018-01-02 physics.bio-ph physics.chem-ph physics.comp-ph
Predicting the kinetics of RNA oligonucleotides using Markov state models
如今,不同的实验技术,如单分子或弛豫实验,可以提供生物分子系统的动态特性,但这些方法获得的细节量往往是有限的时间或空间分辨率。在这里,我们使用国家的最先进的计算技术,即原子分子动力学和马尔可夫状态模型,提供洞察短RNA寡核苷酸的快速动态,以阐明堆叠相互作用的动力学。多个微秒长的模拟分析表明,这些分子的主要弛豫模式可以由交替折叠状态之间的过渡,而不是随机线圈和天然结构之间的过渡。在适当地去除由当前RNA琥珀力场的已知不准确性人为稳定的结构后,预测的动力学性质与先前报道的弛豫实验的时间尺度一致。
2016-12-22 cond-mat.stat-mech physics.bio-ph physics.chem-ph
Projected and Hidden Markov Models for calculating kinetics and metastable states of complex molecules
马尔可夫状态模型(MSMs)已经成功地从大量的分子动力学模拟数据中计算复杂分子的亚稳态、慢弛豫时间尺度和相关的结构变化以及稳态或动力学实验观测值。然而,MSM通过假设状态空间的集群离散化上的马尔可夫链来近似真实的动态。这种近似很难用于高维生物分子系统,因此MSM的质量和再现性受到限制。在这里,我们放弃的假设,动力学是马尔可夫离散集群。相反,我们仅假设全相空间分子动力学是马尔可夫的,并且在离散状态上观察到该全动力学的投影,从而导致投影马尔可夫模型(PMM)的概念。PMM的鲁棒估计方法还没有,但我们通过隐马尔可夫模型(HALGORY)得到了一个实际可行的近似。它示出了各种分子观测的利益,往往是从MSMs计算可以计算出从HALGOR/PMM。新的框架适用于模拟和单分子实验数据。我们证明了它的多功能性的教育模型系统,1毫秒的BPTI蛋白质的Anton MD模拟的应用程序,和光镊力探针的RNA发夹轨迹。
2013-09-12 physics.bio-ph physics.chem-ph physics.data-an
VAMPnets: Deep learning of molecular kinetics
从高通量分子动力学模拟中计算生物分子过程的相关结构、平衡和长时间尺度动力学的需求越来越大,例如蛋白质-药物结合。目前的方法采用模拟坐标到结构特征的转换,降维,聚类降维数据,和分子结构之间的相互转换率的马尔可夫状态模型或相关模型的估计。这种手工制作的方法需要大量的建模专业知识,因为任何一步的错误决策都会导致大的建模错误。在这里,我们采用马尔可夫过程的变分方法(VAMP),使用神经网络(称为VAMPnets)开发分子动力学的深度学习框架。VAMPnet对从分子坐标到马尔可夫状态的整个映射进行编码,从而将整个数据处理管道组合在单个端到端框架中。我们的方法执行相同或更好地比国家的最先进的马尔可夫建模方法,并提供了易于解释的少状态动力学模型。
2017-12-20 physics.bio-ph physics.chem-ph physics.comp-ph
Efficient Bayesian estimation of Markov model transition matrices with given stationary distribution
由于构象动力学的亚稳态性质和分子动力学的计算成本,直接模拟热平衡下的生物分子动力学是具有挑战性的。有偏或增强抽样方法可以显著改善平衡概率期望值和平稳量期望值的收敛性。不幸的是,动态观测值的收敛,如关联函数或构象转变的时间尺度依赖于直接的平衡模拟。马尔可夫状态模型非常适合描述分子系统的静态特性和缓慢动力学过程的特性,就连续构象空间的适当离散化上的跳跃过程的转移矩阵而言。在这里,我们介绍统计估计方法,允许先验知识的平衡概率被纳入估计的动态可观的。本文给出了具有固定平稳分布的可逆过渡矩阵的极大似然方法和改进的Monte Carlo抽样方法。采样方法被应用于玩具示例以及MR 121-GSGS-W肽的模拟,并且被证明比[F. Noe,J.Chem.Phys.128,244103(2008)]
2013-04-22 cond-mat.soft physics.bio-ph physics.chem-ph
Molecular Simulations of Liquid Jet Explosions and Shock Waves Induced by X-Ray Free-Electron Lasers
X射线自由电子激光器(XFEL)产生具有高亮度和短脉冲持续时间的X射线脉冲。这些特性使得生物分子纳米晶体的结构研究成为可能,并且它们允许将生物分子的动力学解析到飞秒时间尺度。液体射流被广泛用于将样品输送到XFEL束中。X射线脉冲的冲击导致液体射流的蒸发和爆炸,而膨胀的气体触发沿着射流行进的冲击波列的形成,这可能在生物分子样品被探测之前影响它们。在这里,我们使用分子动力学模拟揭示了结构动力学的冲击波后,X射线的影响。对射流密度的分析表明,在爆炸中心附近形成的冲击波以超音速沿着射流传播,并以与射流直径成比例的衰减长度呈指数衰减。在第一个冲击波之后,形成了一个尾冲击波,类似于实验中的冲击波列。虽然在模拟中使用纯粹的经典模型,产生的爆炸几何形状和冲击波动力学非常类似的实验结果,他们强调的原子细节建模冲击波衰减的重要性。
2022-08-04 physics.chem-ph
Variational cross-validation of slow dynamical modes in molecular kinetics
马尔可夫状态模型(MSMs)是一种广泛使用的方法,用于近似分子动力学传播子的本征谱,从而深入了解生物分子系统的长时间尺度统计动力学和慢动力学模式。然而,缺乏一个统一的理论框架来选择替代模型阻碍了进展,特别是对于非专家将这些方法应用于新的生物系统。在这里,我们考虑交叉验证与一个新的目标函数的估计这些缓慢的动力学模式,广义矩阵瑞利商(GMRQ),它衡量的能力的秩- $m$投影算子捕捉系统的慢子空间。它示出的变分定理的边界GMRQ从上面的第一个$m$特征值的系统的传播的总和,但这个界可以被违反时,所需的矩阵元素估计受到统计不确定性。这种过拟合可以通过交叉验证来检测和避免。这些结果使得有可能构建马尔可夫状态模型的蛋白质动力学的方式,适当地捕捉系统和统计误差之间的权衡。
2015-03-27 math.ST physics.bio-ph physics.chem-ph
Fast and accurate committor estimation for kinetics simulations
Shandong University(山东大学);Qingdao Institute for Theoretical and Computational Sciences(青岛理论计算科学研究所);Center for Optics Research and Engineering(光学工程研究中心);Research Center for Mathematics and Interdisciplinary Sciences(数学与交叉科学研究院);Frontiers Science Center for Nonlinear Expectations (Ministry of Education)(非线性期望前沿科学中心(教育部))
本文提出了一种快速且准确的势能面估计方法,利用并行化短轨迹模拟和类比预测,结合神经网络假设和milestoning方法,以低计算成本预测平均首次通过时间。
2026-05-18 physics.chem-ph
Deep Generative Markov State Models with Experimental Restraints
Temple University(天普大学)
本研究提出BICePs重加权的可逆DeepMSMs,结合贝叶斯推断、变分学习和最大熵/最大通量原理,利用实验约束推断一致的热力学与动力学,并在玩具系统和丙氨酸二肽上验证了其有效性。
2026-09-24 physics.bio-ph physics.chem-ph
Bridging Atomistic and Mesoscale Lithium Transport via Machine-Learned Force Fields and Markov State Models
Ilmenau University of Technology(伊尔姆瑙工业大学);Martin-Luther-University Halle-Wittenberg(马丁·路德·哈雷-维滕贝格大学)
通过机器学习力场和马尔可夫状态模型,建立原子尺度与介观尺度锂传输的定量联系,揭示稀有扩散过程和传输路径。
2025-11-25 physics.chem-ph
Automated detection of many-particle solvation states for accurate characterizations of diffusion kinetics
离散空间动力学模型,即马尔可夫状态模型,已成为一种强大的工具,用于减少从分子动力学模拟产生的轨迹的复杂性。这些模型需要配置空间表示,准确地表征相关的动态。建立良好的,低维的序参量,用于构建这种表示已导致广泛应用的马尔可夫状态模型,研究生物分子系统的构象动力学。相反,表征单分子扩散过程的应用很少,并且通常采用系统特定的、高维序参量来表征分子的局部溶剂化状态。在这项工作中,我们提出了一个自动化的方法来生成一个粗略的配置空间表示,使用通用功能的溶剂化结构-每个粒子的配位数。为了克服这些低维观测值的固有噪声行为,我们将这些特征视为潜在的潜在马尔可夫过程的指标。由此产生的隐马尔可夫模型过滤的轨迹,每个功能到最有可能的潜在的溶剂化状态在每个时间步。过滤后的轨迹,然后用来构建一个配置空间离散化,准确地描述了扩散动力学。该方法被验证的玻璃状液体,在局部笼之间的粒子跳跃确定系统的扩散特性的标准模型。所得到的模型不仅提供了扩散常数的定量准确的表征,但它们也揭示了扩散跳跃的机械描述,量化局部扩散的异质性。
2018-11-22 physics.chem-ph
Markov State Models from short non-Equilibrium Simulations - Analysis and Correction of Estimation Bias
通过模拟对大型复杂生物分子系统进行热力学和动力学表征的许多现有技术方法依赖于集成方法,其中将来自大量相对较短轨迹的数据进行集成。在这种情况下,马尔可夫状态模型(MSM)是非常受欢迎的,因为它们可以用来计算固定的数量和长期动力学从合奏的短模拟,只要这些短模拟是在“局部平衡”的MSM状态。然而,在过去的15年来,自MSM成立以来,它一直是有争议的讨论,尚未回答如何偏离局部平衡可以检测到,这些偏差是否会引起实际的偏差MSM估计,以及如何纠正他们。在本文中,我们解决这些问题:我们系统地分析了短期非平衡模拟的马尔可夫状态模型(MSM)的估计,我们提供了一个表达式的无偏转移概率和预期估计之间的误差从许多短期模拟。我们表明,无偏MSM估计可以得到,即使从相对较短的非平衡模拟的限制长滞后时间和良好的离散化。此外,我们利用可观测算子模型(OOM)理论推导出一个无偏估计的MSM转移矩阵,纠正的影响,开始出平衡,即使使用短的滞后时间。最后,我们展示了如何使用OOM框架来估计系统的确切特征值或松弛时间尺度,而无需估计MSM过渡矩阵,这使我们能够实际评估MSM的离散化质量。应用到模型系统和分子动力学模拟数据的丙氨酸二肽包括作为说明。改进的MSM估计器在PyEMMA 2.3版中实现。
2017-01-06 cond-mat.stat-mech math.PR physics.bio-ph
Model-free inference of memory in conformational dynamics of a multi-domain protein
本文结合Hsp90单分子等离子体标尺实验、模拟与理论,提出无模型方法推断蛋白质构象动力学中的记忆,发现马尔可夫假设在约50秒时间尺度上被明确违背,并给出检验记忆存在性与持续时间的可重复指导。
2024-04-25 cond-mat.soft cond-mat.stat-mech physics.bio-ph
Learning Markovian Dynamics with Spectral Maps
针对高维构型空间中识别集体变量的挑战,本文扩展深度学习技术spectral map,通过最大化马尔可夫转移矩阵的谱隙来学习慢集体变量,并能表示多尺度自由能景观,有效识别长寿命亚稳态。
2024-09-25 physics.chem-ph