深度學習機制途徑，而不僅僅是能量景觀 當化學家或生物物理學家談論機制時，他們實際上在問：系統從狀態 A 移動到狀態 B 的最可能路徑是什麼？用統計力學的語言來說，那就是在崎嶇的高維景觀中，最小自由能路徑 (MFEP)。問題是，對於現實反應、蛋白質摺疊或配體結合，收斂完整的自由能表面是非常昂貴的——即使使用現代增強取樣。 Revanth Elangovan 和合著者採取了不同的路徑：他們不是首先計算整個景觀，而是通過與良溫度元動力學緊密耦合的深度多任務學習來學習路徑本身。他們的神經網絡是一個自編碼器，其 1D 潛在變量充當數據驅動的“路徑坐標”，而 Deep-TDA 損失則將這個 1D 流形的兩端固定在反應物和產物盆地上。沿著潛在的“進展”坐標偏置元動力學驅動當前路徑的運動；偏置重建損失則推動取樣遠離它，以發現替代路徑。對元動力學偏置的模擬退火計劃幫助系統穩定在全局 MFEP 上，而不是局部 MFEP。 一旦模型收斂，解碼器就成為機制生成器：通過沿著潛在路徑行進並解碼回完整描述空間，該方法生成“機制指紋”——一系列結構變化，描述反應或構象轉變，以機器可讀的方式。作者在三個非常不同的問題上展示了這一點：一個氣相氫溴化異構化，其中 MFEP 正確地經過真實反應物，chignolin 摺疊，其中學習的路徑恢復了已知的氫鍵重排序列，以及一個 calixarene 主客體系統，其中算法重新發現了水介導的“濕”解綁路徑，這一路徑在乾燥路徑上佔主導地位。 更大的信息是引人注目的：通過將增強取樣與深度學習相結合，您可以繞過收斂完整的高維自由能表面的需要，直接追求最小自由能路徑，並自動將該路徑轉化為機制的定量指紋。這為一類新模型打開了大門，在這些模型中，我們不僅從靜態結構中學習屬性，而是從機制指紋中學習——使用機器學習來預測動力學、設計催化劑或根據它們在複雜能量景觀中的運動來篩選配體，而不僅僅是它們的起始和結束位置。 論文：