Căi mecaniciste de învățare profundă, nu doar peisaje energetice Când chimiștii sau biofizicienii vorbesc despre un mecanism, de fapt se întreabă: care este cea mai probabilă cale pe care o urmează un sistem pe măsură ce trece de la starea A la starea B? În limbajul mecanicii statistice, aceasta este calea de energie liberă minimă (MFEP) printr-un peisaj accidentat, de înaltă dimensiune. Problema este că convergența întregii suprafețe de energie liberă pentru reacții realiste, plierea proteinelor sau legarea ligandului este extrem de costisitoare — chiar și cu eșantionarea modernă îmbunătățită. Revanth Elangovan și coautorii aleg o cale diferită: în loc să calculeze mai întâi întregul peisaj, ei învață calea în sine prin învățare multitasking profundă, strâns cuplată cu o metadinamică bine temperată. Rețeaua lor neuronală este un autoencoder a cărui variabilă latentă 1D acționează ca o "coordonată de drum" bazată pe date, în timp ce o pierdere Deep-TDA fixează capetele acestei varietăți 1D de bazinele reactanților și produselor. Metadinamica părtinitoare de-a lungul coordonatei latente "progres" determină mișcarea de-a lungul traiectoriei curente; Părtinirea pierderii prin reconstrucție îndepărtează eșantionarea de la aceasta pentru a descoperi rute alternative. Un program de recoacere simulată pe biasul metadinamic ajută sistemul să se stabilească pe MFEP global, nu pe unul local. Odată ce modelul a convergit, decodorul devine un generator de mecanisme: prin deplasarea pe calea latentă și decodarea înapoi la spațiul complet al descriptorului, metoda produce o "amprentă mecanică" — o secvență de schimbări structurale care descrie reacția sau tranziția conformațională într-un mod lizibil de mașină. Autorii demonstrează acest lucru pe trei probleme foarte diferite: o izomerizare hidrobrominată în fază gazoasă în care MFEP trece corect prin reactantul adevărat, plierea chignolinului unde calea învățată recuperează secvența cunoscută a rearanjamentelor legăturilor de hidrogen și un sistem gazdă-oaspete calixarene unde algoritmul redescobre calea de deblocare "umedă" mediată de apă care domină pe o rută uscată. Mesajul mai larg este convingător: combinând eșantionarea îmbunătățită cu învățarea profundă, poți evita necesitatea de a converge o suprafață completă de energie liberă de dimensiuni înalte, să urmezi direct calea minimă de energie liberă și să transformi automat acea cale într-o amprentă cantitativă a mecanismului. Aceasta deschide ușa către o nouă clasă de modele în care nu învățăm doar proprietăți din structuri statice, ci și din amprente mecaniciste — folosind ML pentru a prezice cinetica, a proiecta catalizatori sau a ecrana liganzi pe baza modului în care se mișcă prin peisaje energetice complexe, nu doar unde încep și se termină. Hârtie: