Derin öğrenme mekanik yolları, sadece enerji manzaraları değil Kimyagerler veya biyofizikçiler bir mekanizmadan bahsettiklerinde, aslında soruyorlar: Bir sistemin A durumundan B durumuna geçiş yapması en olası yol nedir? İstatistiksel mekanik dilinde, bu, engebeli ve yüksek boyutlu bir manzarada minimum serbest enerji yoludur (MFEP). Sorun şu ki, gerçekçi reaksiyonlar, protein katlanması veya ligand bağlanması için tam serbest enerji yüzeyini birleştirmek son derece pahalı—modern geliştirilmiş örnekleme ile bile. Revanth Elangovan ve ortak yazarları farklı bir yol izliyor: önce tüm ortamı hesaplamak yerine, yolun kendisini derin çoklu görevli öğrenme ve iyi temperlenmiş metadinamikle sıkı bir şekilde öğreniyorlar. Sinir ağı, 1D gizli değişkeni veri odaklı "yol koordinati" olarak işlev gören bir otomatik kodlayıcıdır; Deep-TDA kaybı ise bu 1D manifoldun uçlarını reaktan ve ürün havzalarına sabitler. Gizli "ilerleme" koordinatı boyunca önyargılı metadinamikler, mevcut yol boyunca hareketi yönlendirir; Yeniden yapı kaybını yanlışlaştırmak, örnekleme alanından uzaklaştırarak alternatif yollar keşfetmeye yol açar. Metadinamik önyargısı üzerinde simüle edilmiş tavlama takvimi, sistemin yerel bir MFEP yerine küresel MFEP'ye yerleşmesine yardımcı olur. Model yakınsadıktan sonra, kodlayıcı bir mekanizma üreteci haline gelir: gizli yol boyunca yürüyüp tam tanımlayıcı alanına geri dönerek yöntem "mekanistik parmak izi" üretir—tepki veya konformasyonel geçişi makine tarafından okunabilir şekilde tanımlayan yapısal değişiklikler dizisi. Yazarlar bunu üç çok farklı problemde gösteriyor: MFEP'nin gerçek reaktanttan doğru şekilde geçtiği gaz fazı hidrobromasyon izomerizasyonu, öğrenilen yolun bilinen hidrojen bağ yeniden düzenleme dizisini geri kazandığı şignolin katlanması ve algoritmanın kuru bir rotada hakim olan su aracılı "ıslak" bağlanma yolunu yeniden keşfettiği kalisaren konak-misafir sistemi. Daha büyük mesaj etkileyici: gelişmiş örnekleme ile derin öğrenmeyi birleştirerek, tam yüksek boyutlu serbest enerji yüzeyini birleştirme ihtiyacını aşabilir, minimum serbest enerji yolunun hemen peşinden gidebilir ve bu yolu otomatik olarak mekanizmanın nicel parmak izine dönüştürebilirsiniz. Bu, sadece statik yapılardan değil, mekanistik parmak izlerinden de özellikleri öğrendiğimiz yeni bir model sınıfının kapısını açıyor—makine öğrenimi kullanarak kinetikleri, tasarım katalizörlerini veya ekran ligandlarını sadece nerede başlayıp bittiklerine değil, karmaşık enerji manzaralarında nasıl hareket ettiklerine göre tahmin ediyoruz. Makale: