Syväoppimisen mekanistiset polut, eivät pelkästään energiaympäristöt Kun kemistit tai biofyysikot puhuvat mekanismista, he oikeastaan kysyvät: mikä on todennäköisin reitti, jonka järjestelmä kulkee siirtyessään tilasta A tilaan B? Tilastomekaniikan kielellä se on minimivapaan energian reitti (MFEP) karussa, korkean ulottuvuuden maisemassa. Koukku on siinä, että koko vapaan energian pinnan kokoaminen realistisia reaktioita, proteiinien laskostumista tai ligandin sitoutumista varten on äärimmäisen kallista – jopa nykyaikaisella tehostetulla näytteenotolla. Revanth Elangovan ja hänen kanssakirjoittajansa valitsevat toisen tien: sen sijaan, että ensin laskettaisiin koko maisema, he oppivat itse reitin syvällä moniajo-oppimisella, joka on tiiviisti sidottu hyvin tasapainotettuun metadynamiikkaan. Heidän neuroverkkonsa on autoenkooderi, jonka 1D-latenttimuuttuja toimii dataohjattuna "polkukoordinaattina", kun taas Deep-TDA -häviö kiinnittää tämän 1D-monimuodon päät reaktantti- ja tuotealtaisiin. Metadynamiikan vinouma piilevän "etenemisen" koordinaatin suuntaan ohjaa liikettä nykyistä polkua pitkin; Korjausmenetyksen vinoaminen työntää näytteenottoa pois vaihtoehtoisten reittien löytämiseksi. Metadynamiikan harhan simuloitu annealointiaikataulu auttaa järjestelmää asettumaan globaaliin MFEP:hen paikallisen sijaan. Kun malli on konvergoinut, dekooderi muuttuu mekanismigeneraattoriksi: marssimalla latenttia polkua pitkin ja dekoodaamalla takaisin koko kuvaustilaan, menetelmä tuottaa "mekaanisen sormenjäljen" – sarjan rakenteellisia muutoksia, jotka kuvaavat reaktion tai konformaatiosiirtymän koneellisesti luettavalla tavalla. Kirjoittajat osoittavat tämän kolmessa hyvin erilaisessa ongelmassa: kaasuvaiheen hydrobromisaatioisomerisaatiossa, jossa MFEP kulkee oikein todellisen reaktantin läpi, chignoliinilaskostumassa, jossa opittu polku palauttaa tunnetun vetysidosjärjestyksen uudelleenjärjestelyt, sekä kalisaraene-isäntä-vierasjärjestelmässä, jossa algoritmi löytää uudelleen veden välittämän "märän" sitoutumisreitin, joka hallitsee kuivaa reittiä. Suurempi viesti on vakuuttava: yhdistämällä parannettu näytteenotto syväoppimiseen voidaan ohittaa tarpeen konvergoida täysi korkean ulottuvuuden vapaan energian pinta, mennä suoraan minimivapaan energian reitin jälkeen ja automaattisesti muuttaa tuo reitti mekanismin kvantitatiiviseksi sormenjäljeksi. Se avaa oven uuteen malliluokkaan, jossa emme opi ominaisuuksia pelkästään staattisista rakenteista, vaan mekaanisista sormenjäljistä – käyttämällä koneoppimista kinetiikan, suunnittelukatalysaattoreiden tai näyttöligandien ennustamiseen sen mukaan, miten ne liikkuvat monimutkaisissa energiamaisemissa – ei pelkästään siitä, mistä ne alkavat ja päättyvät. Artikkeli: