Các con đường cơ chế học sâu, không chỉ là cảnh quan năng lượng Khi các nhà hóa học hoặc sinh lý học nói về một cơ chế, họ thực sự đang hỏi: con đường nào có khả năng xảy ra nhất mà một hệ thống đi từ trạng thái A đến trạng thái B? Trong ngôn ngữ cơ học thống kê, đó là con đường năng lượng tự do tối thiểu (MFEP) qua một cảnh quan gồ ghề, nhiều chiều. Vấn đề là việc hội tụ bề mặt năng lượng tự do đầy đủ cho các phản ứng thực tế, gập protein, hoặc liên kết ligand là cực kỳ tốn kém - ngay cả với việc lấy mẫu nâng cao hiện đại. Revanth Elangovan và các đồng tác giả chọn một con đường khác: thay vì tính toán toàn bộ cảnh quan trước, họ học con đường đó với việc học đa nhiệm sâu gắn chặt với metadynamics được điều chỉnh tốt. Mạng nơ-ron của họ là một autoencoder mà biến số tiềm ẩn 1D của nó hoạt động như một "tọa độ đường đi" dựa trên dữ liệu, trong khi một tổn thất Deep-TDA giữ các đầu của đa tạp 1D này gắn với các bể phản ứng và sản phẩm. Việc điều chỉnh metadynamics dọc theo tọa độ "tiến trình" tiềm ẩn thúc đẩy chuyển động dọc theo con đường hiện tại; việc điều chỉnh tổn thất tái tạo đẩy việc lấy mẫu ra khỏi nó để khám phá các con đường thay thế. Một lịch trình làm nguội mô phỏng trên độ thiên lệch metadynamics giúp hệ thống ổn định vào MFEP toàn cầu thay vì một MFEP cục bộ. Khi mô hình đã hội tụ, bộ giải mã trở thành một máy phát cơ chế: bằng cách di chuyển dọc theo con đường tiềm ẩn và giải mã lại về không gian mô tả đầy đủ, phương pháp này tạo ra một "dấu vân tay cơ chế" - một chuỗi các thay đổi cấu trúc mô tả phản ứng hoặc chuyển tiếp cấu hình theo cách có thể đọc được bởi máy. Các tác giả cho thấy điều này trên ba vấn đề rất khác nhau: một phản ứng isomer hóa hydrobromination pha khí nơi MFEP đúng đi qua phản ứng thực tế, gập chignolin nơi con đường đã học phục hồi chuỗi các thay đổi liên kết hydro đã biết, và một hệ thống chủ - khách calixarene nơi thuật toán phát hiện lại con đường "không gắn" "ướt" được trung gian bởi nước chiếm ưu thế hơn một con đường khô. Thông điệp lớn hơn là hấp dẫn: bằng cách kết hợp việc lấy mẫu nâng cao với học sâu, bạn có thể bỏ qua nhu cầu hội tụ một bề mặt năng lượng tự do nhiều chiều đầy đủ, đi thẳng đến con đường năng lượng tự do tối thiểu, và tự động biến con đường đó thành một dấu vân tay định lượng của cơ chế. Điều đó mở ra cánh cửa cho một lớp mô hình mới nơi chúng ta không chỉ học các thuộc tính từ các cấu trúc tĩnh, mà từ các dấu vân tay cơ chế - sử dụng ML để dự đoán động học, thiết kế chất xúc tác, hoặc sàng lọc ligand dựa trên cách chúng di chuyển qua các cảnh quan năng lượng phức tạp, không chỉ là nơi chúng bắt đầu và kết thúc. Bài báo: