【NeurIPS2024】分子动力学轨迹的生成建模

数据派THU

于 2024-10-09 17:04:02 发布

阅读量4

点赞数

原文链接：https://mp.weixin.qq.com/s?__biz=MzI1MjQ2OTQ3Ng==&mid=2247646026&idx=3&sn=1a3514774c8cf297a9708e2b46b04d69&chksm=e8cc33d10758e4ce3d73e807db50cdf5896def3f257f316e8eba0e07f7aa1e2d0c603f874c45&scene=126&sessionid=0

版权

来源：专知
本文为论文介绍，建议阅读5分钟
我们在四肽模拟上验证了这些能力的完整集合，并展示了我们的模型能够生成合理的蛋白质单体集合。

分子动力学（MD）是一种研究微观现象的强大技术，但其高昂的计算成本引发了对基于深度学习的替代模型的广泛兴趣。我们提出了分子轨迹生成建模这一范式，用于从数据中学习灵活的多任务MD替代模型。通过对轨迹中适当选择的帧进行条件化，我们展示了这些生成模型可以适应多种任务，如前向模拟、转移路径采样和轨迹上采样。通过对分子系统的一部分进行条件化并补全其余部分，我们还展示了朝着动态条件下的分子设计迈出的第一步。我们在四肽模拟上验证了这些能力的完整集合，并展示了我们的模型能够生成合理的蛋白质单体集合。总之，我们的工作展示了生成建模如何从MD数据中解锁价值，应用于各种现有方法甚至MD本身难以解决的下游任务。代码已发布在 https://github.com/bjing2016/mdgen。