Investigadores del MIT presentan el modelado generativo de la dinámica molecular: un marco de IA multitarea para acelerar el diseño y las simulaciones moleculares

La dinámica molecular (MD) es un método popular para estudiar sistemas moleculares y procesos microscópicos a nivel atómico. Sin embargo, las simulaciones MD pueden ser bastante costosas desde el punto de vista computacional debido a las intrincadas resoluciones temporales y espaciales necesarias. Debido a la carga informática, se han realizado muchas investigaciones sobre técnicas alternativas que puedan acelerar la simulación sin sacrificar la precisión. La creación de modelos sustitutos basados ​​en el aprendizaje profundo es una de esas estrategias que puede reemplazar eficazmente las simulaciones MD convencionales.

En una investigación reciente, un equipo de investigadores del MIT introdujo el uso de modelos generativos para simular movimientos moleculares. Este marco elimina la necesidad de calcular las fuerzas moleculares en cada paso mediante el uso de modelos de aprendizaje automático que se entrenan con datos obtenidos mediante simulaciones MD para proporcionar rutas moleculares creíbles. Estos modelos generativos pueden funcionar como modelos sustitutos multitarea adaptables, capaces de llevar a cabo múltiples tareas cruciales para las cuales generalmente se emplean simulaciones MD.

Estos modelos generativos se pueden entrenar para una variedad de tareas eligiendo y acondicionando cuidadosamente marcos específicos de la trayectoria de una molécula. Estas tareas incluyen lo siguiente.

1. Simulación directa: a partir de una configuración inicial determinada, el modelo puede pronosticar la evolución de un sistema químico a lo largo del tiempo.

2. Muestreo de rutas de transición: el modelo puede producir rutas potenciales que expliquen cómo una molécula cambia de un estado estable a otro, por ejemplo, durante un cambio conformacional o una reacción química.

3. Muestreo mejorado de trayectoria: si una trayectoria molecular se ha registrado a una frecuencia más baja (es decir, con pasos grandes), el modelo puede producir fotogramas intermedios para aumentar la resolución temporal y capturar movimientos moleculares más rápidos.

Además de estas tareas, el modelo generativo se puede utilizar para pintar, donde los elementos de un sistema molecular están ausentes, y el modelo predice y completa los componentes faltantes. Esto es particularmente útil para trabajos que involucran diseño molecular donde ciertos comportamientos dinámicos deben basarse en estructuras sin terminar.

Este marco también crea nuevas oportunidades para el diseño molecular condicionado por la dinámica. Al condicionar el modelo generativo a ciertas regiones de una molécula, se pueden crear nuevas moléculas que satisfagan criterios estructurales y muestren cualidades dinámicas deseables. Este es un paso hacia el diseño de moléculas de acuerdo con su comportamiento dinámico en lugar de simplemente analizar la dinámica molecular mediante el uso del aprendizaje automático.

La eficacia de estos modelos generativos se ha evaluado mediante simulaciones de pequeños sistemas moleculares como los tetrapéptidos. Los modelos pudieron generar conjuntos que son consistentes con los producidos por simulaciones MD convencionales en estas pruebas al producir trayectorias moleculares realistas. El modelo también demostró ser prometedor en la producción de conjuntos realistas de monómeros de proteínas, lo que indica que sistemas biológicos más grandes y complicados pueden encontrarle uso.

En conclusión, esta investigación muestra cómo el modelado generativo puede permitir actividades que son difíciles de realizar con los métodos actuales o incluso con las propias simulaciones MD estándar, desbloqueando así valor adicional de los datos de simulación MD. Esta estrategia tiene el potencial de estimular avances en campos como el diseño molecular, el descubrimiento de fármacos y la investigación de materiales al mejorar las capacidades de las simulaciones moleculares.

Mira el Papel y GitHub. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo y únete a nuestro Canal de telegramas y LinkedIn Grarriba. Si te gusta nuestro trabajo, te encantará nuestro hoja informativa..

No olvides unirte a nuestro SubReddit de más de 50.000 ml

¿Está interesado en promocionar su empresa, producto, servicio o evento ante más de 1 millón de desarrolladores e investigadores de IA? ¡Colaboremos!