Jalur mekanistik pembelajaran mendalam, bukan hanya lanskap energi Ketika ahli kimia atau biofisikawan berbicara tentang mekanisme, mereka benar-benar bertanya: apa rute yang paling mungkin diambil sistem saat bergerak dari keadaan A ke keadaan B? Dalam bahasa mekanika statistik, itu adalah jalur energi bebas minimum (MFEP) di lanskap berdimensi tinggi yang kasar. Tangkapannya adalah bahwa menyatukan permukaan energi bebas penuh untuk reaksi realistis, pelipatan protein, atau pengikatan ligan sangat mahal—bahkan dengan pengambilan sampel modern yang ditingkatkan. Revanth Elangovan dan rekan penulis mengambil rute yang berbeda: alih-alih terlebih dahulu menghitung seluruh lanskap, mereka mempelajari jalur itu sendiri dengan pembelajaran multitugas mendalam yang digabungkan erat dengan metadinamika yang teratur. Jaringan saraf mereka adalah autoencoder yang variabel laten 1D bertindak sebagai "koordinat jalur" berbasis data, sementara kehilangan Deep-TDA menyematkan ujung manifold 1D ini ke cekungan reaktan dan produk. Metadinamika bias di sepanjang koordinat "kemajuan" laten mendorong gerakan di sepanjang jalur saat ini; Bias kehilangan rekonstruksi mendorong pengambilan sampel menjauh darinya untuk menemukan rute alternatif. Jadwal simulasi anil pada bias metadinamika membantu sistem menetap di MFEP global daripada lokal. Setelah model menyatu, dekoder menjadi generator mekanisme: dengan berbaris di sepanjang jalur laten dan mendekode kembali ke ruang deskriptor penuh, metode ini menghasilkan "sidik jari mekanistik"—urutan perubahan struktural yang menggambarkan reaksi atau transisi konformasi dengan cara yang dapat dibaca mesin. Para penulis menunjukkan ini pada tiga masalah yang sangat berbeda: isomerisasi hidrobrominasi fase gas di mana MFEP dengan benar melewati reaktan sejati, lipatan chignolin di mana jalur yang dipelajari memulihkan urutan penataan ulang ikatan hidrogen yang diketahui, dan sistem inang-tamu kalixarena di mana algoritma menemukan kembali jalur pelepasan ikatan "basah" yang dimediasi air yang mendominasi rute kering. Pesan yang lebih besar menarik: dengan menggabungkan pengambilan sampel yang disempurnakan dengan pembelajaran mendalam, Anda dapat melewati kebutuhan untuk menyatukan permukaan energi bebas dimensi tinggi penuh, langsung mengejar jalur energi bebas minimum, dan secara otomatis mengubah jalur itu menjadi sidik jari kuantitatif dari mekanisme. Itu membuka pintu ke kelas model baru di mana kita tidak hanya mempelajari properti dari struktur statis, tetapi juga dari sidik jari mekanistik—menggunakan ML untuk memprediksi kinetika, katalis desain, atau ligan layar berdasarkan bagaimana mereka bergerak melalui lanskap energi yang kompleks, bukan hanya di mana mereka memulai dan berakhir. Kertas: