블로그

Dec 11, 2023

기계

Nature Computational Science 3권, 페이지 334–345(2023)이 기사 인용 8339 액세스 8 인용 44 Altmetric Metrics 세부 정보 공동 다체에 의해 구동되는 분자 자기 조직

Nature Computational Science 3권, 334~345페이지(2023)이 기사 인용

8339 액세스

8 인용

44 알트메트릭

측정항목 세부정보

공동의 다체 상호작용에 의해 구동되는 분자 자기 조직은 무생물과 생명체를 모두 정의하는 질서 있는 구조를 생성합니다. 여기서는 분자 자기 조직화 현상의 메커니즘을 발견하기 위해 딥러닝과 전이 경로 이론을 통합한 자율 경로 샘플링 알고리즘을 제시합니다. 알고리즘은 새로 시작된 궤적의 결과를 사용하여 정량적 기계 모델을 구성, 검증하고 필요한 경우 업데이트합니다. 학습 주기를 마무리하면서 모델은 샘플링을 안내하여 희귀한 조립 이벤트의 샘플링을 향상시킵니다. 기호 회귀는 학습된 메커니즘을 관련 물리적 관찰 가능 항목의 관점에서 인간이 해석할 수 있는 형태로 압축합니다. 용액의 이온 결합, 가스 수화물 결정 형성, 고분자 접힘 및 막-단백질 조립에 적용하여 조립 과정을 지배하는 다체 용매 운동을 포착하고 고전 핵 생성 이론의 변수를 식별하며 다양한 수준의 접힘 메커니즘을 밝혀냅니다. 해결하고 경쟁적인 조립 경로를 공개합니다. 기계적 설명은 열역학적 상태와 화학적 공간 전반에 걸쳐 전달 가능합니다.

일반적이면서도 미묘하게 조율된 상호작용이 복잡한 구조 형성에 어떻게 협력하는지 이해하는 것이 분자 자기 조립을 조종하는 열쇠입니다. 컴퓨터 실험으로서 분자 역학(MD) 시뮬레이션은 자기 조직화 프로세스에 대한 원자적으로 상세하고 편견 없는 관점을 약속합니다3. 그러나 대부분의 집단적 자기 조직화 과정은 MD 통합 단계를 제한하는 빠른 분자 운동보다 훨씬 더 긴 시간 규모에서 발생하는 드문 사건입니다. 시스템은 준안정 상태에서 대부분의 시간을 소비하며, 상태 간 드물고 빠른 확률론적 전환은 편향되지 않은 MD 시뮬레이션에서는 거의 해결되지 않습니다. 이러한 전환 경로(TP)는 재구성 프로세스를 캡처하는 매우 특별한 궤적 세그먼트입니다. 시뮬레이션을 통해 분자 메커니즘을 학습하려면 TP를 샘플링하고 정량적 모델을 추출하는 데 집중할 수 있는 계산 능력이 필요합니다5. 구성 공간의 차원이 높기 때문에 실제로 샘플링과 정보 추출이 매우 어렵습니다. 우리의 알고리즘은 두 가지 문제를 동시에 해결합니다. 복잡한 분자 현상의 정량적 기계 모델을 자동으로 동시에 구축하고, 모델을 즉시 검증하며, 이를 사용하여 일반 MD에 비해 수십 배로 샘플링을 가속화합니다.

통계 역학은 자기 조직화 사건의 저차원 기계 모델을 얻기 위한 일반적인 틀을 제공합니다. 이 기사에서는 두 상태 A와 B(각각 조립 또는 분해) 사이를 재구성하는 시스템에 중점을 두지만 임의의 수의 상태로 일반화하는 것은 간단합니다. 두 상태를 연결하는 각 TP에는 재구성 중에 시스템을 캡처하는 일련의 스냅샷이 포함되어 있습니다. 결과적으로 TPE(전환 경로 앙상블)는 가장 높은 해상도의 메커니즘입니다. 전환이 사실상 확률론적이므로 해당 메커니즘을 정량화하려면 확률론적 프레임워크가 필요합니다. 커밋터 pS(x)를 궤적이 S = A 또는 B로 먼저 상태 S에 들어갈 확률로 정의합니다. 여기서 x는 구성 공간에서 시작점 X를 나타내는 특징의 벡터이고 pA(x) + 에르고딕 역학의 경우 pB(x) = 1입니다. 커미터 pB는 반응 A → B의 진행 상황을 보고하고 Markovian 방식6,7으로 궤적 운명을 예측하여 이상적인 반응 좌표8,9로 만듭니다. 체스 게임에서 커미터는 반복되는 게임에서 주어진 초기 보드 위치에 대해 흑이 승리할 확률로 생각할 수 있습니다10. 분자 시뮬레이션 이상의 응용을 위한 최소 요구 사항은 (1) 커미터와 유사한 양이 존재하고 (2) 시스템의 역학이 적어도 순방향으로 반복적으로 샘플링될 수 있다는 것입니다. 따라서 다양한 가능한 사건(A, B, …)의 확률은 시스템의 순간 상태 X에 대해 적어도 부분적으로 인코딩되어야 하며(따라서 학습 가능해야 함) 시스템의 동역학은 반복 샘플링이 가능해야 합니다. 효율적인 컴퓨터 시뮬레이션을 통해 그러나 초기 조건을 만족스럽게 제어하여 실제 시스템을 반복적으로 준비할 수 있다면 프레임워크를 사용하여 관찰되고 제어된 초기 조건을 고려하여 이 시스템의 예상 운명을 예측하는 방법을 배울 수 있습니다.