深度学习机制路径，而不仅仅是能量景观 当化学家或生物物理学家谈论机制时，他们实际上在问：一个系统从状态A移动到状态B时，最可能的路径是什么？用统计力学的语言来说，那就是在崎岖的高维景观中，最小自由能路径（MFEP）。问题在于，收敛现实反应、蛋白质折叠或配体结合的完整自由能表面是非常昂贵的——即使使用现代增强采样。 Revanth Elangovan及其合著者采取了不同的路线：他们不是首先计算整个景观，而是通过与良温度元动力学紧密耦合的深度多任务学习来学习路径。他们的神经网络是一个自编码器，其1D潜变量充当数据驱动的“路径坐标”，而Deep-TDA损失将这个1D流形的两端固定在反应物和产物盆地上。沿着潜在的“进展”坐标偏置元动力学驱动当前路径的运动；偏置重构损失则推动采样远离它，以发现替代路径。元动力学偏置上的模拟退火调度帮助系统收敛到全局MFEP，而不是局部MFEP。 一旦模型收敛，解码器就成为机制生成器：通过沿着潜在路径行进并解码回完整描述空间，该方法生成“机制指纹”——一系列结构变化，以机器可读的方式描述反应或构象转变。作者在三个非常不同的问题上展示了这一点：气相溴化异构化，其中MFEP正确地经过真实反应物，chignolin折叠，其中学习到的路径恢复了已知的氢键重排序列，以及一个calixarene主客体系统，其中算法重新发现了水介导的“湿”解离路径，该路径在干路径上占主导地位。 更大的信息是引人注目的：通过将增强采样与深度学习结合，您可以绕过收敛完整高维自由能表面的需要，直接追求最小自由能路径，并自动将该路径转化为机制的定量指纹。这为一类新模型打开了大门，我们不仅从静态结构中学习属性，而是从机制指纹中学习——利用机器学习预测动力学、设计催化剂或筛选配体，基于它们如何在复杂的能量景观中移动，而不仅仅是它们的起点和终点。 论文：