Cesty hlubokého učení v mechanistickém prostředí, nejen energetické krajiny Když chemici nebo biofyzikové mluví o mechanismu, ve skutečnosti se ptají: jaká je nejpravděpodobnější cesta, kterou systém zvolí při přechodu ze stavu A do stavu B? Ve statistické mechanice je to minimální dráha volné energie (MFEP) napříč členitou, vysokorozměrnou krajinou. Háček je v tom, že konvergování plného povrchu volné energie pro realistické reakce, skládání proteinů nebo vazbu ligandů je brutálně nákladné – i při moderním vylepšeném odběru vzorků. Revanth Elangovan a jeho spoluautoři zvolili jinou cestu: místo aby nejprve počítali celou krajinu, naučí se samotnou cestu díky hlubokému multitaskingovému učení úzce propojenému s dobře vyváženou metadynamikou. Jejich neuronová síť je autoenkodér, jehož 1D latentní proměnná funguje jako datově řízená "cesta souřadnice", zatímco Deep-TDA ztráta připojuje konce této 1D variety k reaktantovým a produktovým nádržím. Zkreslená metadynamika podél latentní souřadnice "pokroku" řídí pohyb podél aktuální dráhy; zkreslení ztráty při rekonstrukci odrazuje vzorkování od něj a hledání alternativních cest. Simulovaný žíhací plán na metadynamickém zkreslení pomáhá systému usadit se na globálním MFEP místo lokálního. Jakmile se model sblíží, dekodér se stává generátorem mechanismu: postupem po latentní cestě a dekódováním zpět do plného prostoru deskriptorů metoda vytváří "mechanistický otisk prstu" – sekvenci strukturálních změn, která popisuje reakci nebo konformační přechod strojově čitelným způsobem. Autoři to ukazují na třech velmi odlišných problémech: izomerizaci hydrobrominace v plynné fázi, kde MFEP správně prochází skutečným reaktantem, skládání chignolinu, kde naučená cesta obnovuje známou sekvenci přeskupení vodíkových vazeb, a kalixarenový systém hostitel–host, kde algoritmus znovu objeví vodou zprostředkovanou "mokrou" cestu uvolnění, která dominuje nad suchou cestou. Větší poselství je přesvědčivé: kombinací vylepšeného vzorkování s hlubokým učením můžete obejít potřebu konvergovat plnohodnotný vysokorozměrný povrch volné energie, jít přímo za minimální volnou energií a automaticky ji proměnit v kvantitativní otisk mechanismu. To otevírá dveře nové třídě modelů, kde se vlastnosti neučíme jen ze statických struktur, ale i z mechanistických otisků prstů – pomocí strojového učení k predikci kinetiky, návrhu katalyzátorů nebo screeningových ligandů na základě toho, jak se pohybují složitými energetickými krajinami, ne jen tam, kde začínají a končí. Článek: