エネルギーの風景だけでなく、ディープラーニングのメカニズム的経路も含まれます 化学者や生物物理学者がメカニズムについて話すとき、実際には「システムが状態Aから状態Bへ移動する最も可能性の高い経路は何か?」を問うのです。統計力学の言葉で言えば、それは高次元の険しい地形を横断する最小自由エネルギー経路(MFEP)のことです。ただし、現実的な反応、タンパク質の折りたたみ、リガンド結合のために自由エネルギー面全体を収束させるのは、現代の強化サンプリングがあっても非常に高コストです。 レヴァンス・エランゴヴァンと共著者は異なる道を選びます。まず全体を計算するのではなく、深層のマルチタスク学習とバランスの取れたメタダイナミクスを組み合わせて、経路自体を学びます。彼らのニューラルネットワークはオートエンコーダであり、1次元潜在変数がデータ駆動の「経路座標」として機能し、Deep-TDA損失がこの1次元多様体の端を反応物および生成物の盆地に固定しています。潜在的な「進行」座標にバイアスを付けると、現在の経路に沿った運動が進みます。再建損失にバイアスを付けることで、サンプリングはそこから離れ、代替ルートを探るようになります。メタダイナミクスバイアスに基づくシミュレーテッド・アニーリングスケジュールは、システムが局所的なMFEPではなくグローバルMFEPに落ち着くのに役立ちます。 モデルが収束すると、デコーダはメカニズムジェネレーターとなり、潜在経路に沿って進み、ディスクリプタ空間全体に戻ることで「機構的指紋」—反応や立体構造転移を機械的に読みやすい形で記述する一連の構造変化—を生成します。著者らはこれを3つの非常に異なる問題で示しています。気相臭化水素化異性化ではMFEPが真の反応物を正しく通過し、チグノリン折りたたみでは学習経路が既知の水素結合再配置配列を回復し、カリクサレン宿主-ゲスト系では水媒介の「湿った」結合経路が乾燥経路を支配するアルゴリズムが再発見されます。 より大きなメッセージは説得力があります。強化サンプリングとディープラーニングを組み合わせることで、完全な高次元自由エネルギー曲面を収束させる必要を回避し、最小自由エネルギー経路を直接追いかけ、その経路を自動的に機構の定量的な指紋に変えることができるのです。これにより、静的構造からだけでなく、機械学習を用いて複雑なエネルギー環境を移動する動き、触媒、スクリーン配位子を予測する新たなモデルクラスへの扉が開かれます。 論文: