Voies mécanistiques d'apprentissage profond, pas seulement paysages énergétiques Lorsque les chimistes ou les biochimistes parlent d'un mécanisme, ils se demandent vraiment : quel est le chemin le plus probable qu'un système emprunte en passant de l'état A à l'état B ? En langage de mécanique statistique, c'est le chemin de minimum d'énergie libre (MFEP) à travers un paysage accidenté et de haute dimension. Le problème est que converger la surface complète d'énergie libre pour des réactions réalistes, le repliement des protéines ou la liaison des ligands est extrêmement coûteux, même avec un échantillonnage amélioré moderne. Revanth Elangovan et ses co-auteurs prennent une autre voie : au lieu de d'abord calculer tout le paysage, ils apprennent le chemin lui-même avec un apprentissage multitâche profond étroitement couplé à la métadynamique bien tempérée. Leur réseau de neurones est un autoencodeur dont la variable latente 1D agit comme un "coordonnée de chemin" guidée par les données, tandis qu'une perte Deep-TDA fixe les extrémités de ce manifold 1D aux bassins de réactifs et de produits. Le biais de la métadynamique le long de la coordonnée de "progrès" latente entraîne le mouvement le long du chemin actuel ; le biais de la perte de reconstruction pousse l'échantillonnage à s'en éloigner pour découvrir des routes alternatives. Un calendrier de recuit simulé sur le biais de métadynamique aide le système à se stabiliser sur le MFEP global plutôt que sur un local. Une fois que le modèle a convergé, le décodeur devient un générateur de mécanismes : en avançant le long du chemin latent et en décodant de nouveau dans l'espace des descripteurs complet, la méthode produit une "empreinte mécanistique" — une séquence de changements structurels qui décrit la réaction ou la transition conformationnelle de manière lisible par machine. Les auteurs montrent cela sur trois problèmes très différents : une isomérisation par hydrobromination en phase gazeuse où le MFEP passe correctement par le véritable réactif, le repliement de chignoline où le chemin appris récupère la séquence connue de réarrangements de liaisons hydrogène, et un système hôte-invité de calixarène où l'algorithme redécouvre le chemin de désengagement "humide" médié par l'eau qui domine sur une voie sèche. Le message plus large est convaincant : en combinant l'échantillonnage amélioré avec l'apprentissage profond, vous pouvez contourner le besoin de converger une surface complète d'énergie libre de haute dimension, aller directement vers le chemin de minimum d'énergie libre, et transformer automatiquement ce chemin en une empreinte quantitative du mécanisme. Cela ouvre la porte à une nouvelle classe de modèles où nous n'apprenons pas seulement des propriétés à partir de structures statiques, mais à partir d'empreintes mécanistiques — utilisant l'apprentissage automatique pour prédire la cinétique, concevoir des catalyseurs ou filtrer des ligands en fonction de la façon dont ils se déplacent à travers des paysages énergétiques complexes, pas seulement d'où ils commencent et où ils finissent. Article :