blog

Dec 11, 2023

Máquina

Nature Computational Science volume 3, páginas 334–345 (2023)Cite este artigo 8339 Acessos 8 citações 44 Detalhes de métricas altmétricas Auto-organização molecular impulsionada por muitos corpos coordenados

Nature Computational Science volume 3, páginas 334–345 (2023)Cite este artigo

8339 Acessos

8 citações

44 Altmétrico

Detalhes das métricas

A auto-organização molecular impulsionada por interações concertadas de muitos corpos produz as estruturas ordenadas que definem tanto a matéria inanimada quanto a viva. Aqui apresentamos um algoritmo de amostragem de caminho autônomo que integra aprendizado profundo e teoria de caminho de transição para descobrir o mecanismo dos fenômenos de auto-organização molecular. O algoritmo utiliza o resultado de trajetórias recém-iniciadas para construir, validar e – se necessário – atualizar modelos mecanicistas quantitativos. Fechando o ciclo de aprendizagem, os modelos orientam a amostragem para aprimorar a amostragem de eventos raros de montagem. A regressão simbólica condensa o mecanismo aprendido em uma forma interpretável pelo homem em termos de observáveis ​​físicos relevantes. Aplicado à associação de íons em solução, formação de cristais de hidrato de gás, dobramento de polímeros e montagem de membrana-proteína, capturamos os movimentos do solvente de muitos corpos que governam o processo de montagem, identificamos as variáveis ​​da teoria clássica de nucleação, descobrimos o mecanismo de dobramento em diferentes níveis de resolução e revelar caminhos de montagem concorrentes. As descrições mecanísticas são transferíveis através dos estados termodinâmicos e do espaço químico.

Compreender como as interações genéricas, mas sutilmente orquestradas, cooperam na formação de estruturas complexas é a chave para orientar a automontagem molecular . Como experimentos computacionais, as simulações de dinâmica molecular (MD) nos prometem visões atomicamente detalhadas e imparciais dos processos de auto-organização3. No entanto, a maioria dos processos coletivos de auto-organização são eventos raros que ocorrem em escalas de tempo muito mais longas do que os movimentos moleculares rápidos que limitam a etapa de integração MD. O sistema passa a maior parte do tempo em estados metaestáveis, e as transições estocásticas rápidas e infrequentes entre estados raramente são resolvidas em simulações MD imparciais, se é que o são. Esses caminhos de transição (TPs) são segmentos de trajetória muito especiais que capturam o processo de reorganização. Aprender mecanismos moleculares a partir de simulações requer que o poder computacional se concentre na amostragem de TPs4 e na destilação de modelos quantitativos a partir deles5. Devido à alta dimensionalidade do espaço de configuração, tanto a amostragem quanto a extração de informações são extremamente desafiadoras na prática. Nosso algoritmo aborda os dois desafios ao mesmo tempo. Ele constrói de forma autônoma e simultânea modelos mecanicistas quantitativos de eventos moleculares complexos, valida os modelos em tempo real e os utiliza para acelerar a amostragem em ordens de magnitude em comparação com o MD normal.

A mecânica estatística fornece uma estrutura geral para obter modelos mecanicistas de baixa dimensão de eventos de auto-organização. Neste artigo, focamos em sistemas que se reorganizam entre dois estados A e B (montados ou desmontados, respectivamente), mas generalizar para um número arbitrário de estados é simples. Cada TP que conecta os dois estados contém uma sequência de instantâneos que capturam o sistema durante sua reorganização. Consequentemente, o conjunto de caminhos de transição (TPE) é o mecanismo com a resolução mais alta. Como a transição é efectivamente estocástica, a quantificação do seu mecanismo requer um quadro probabilístico. Definimos o committor pS(x) como a probabilidade de que uma trajetória entre primeiro no estado S, com S = A ou B, respectivamente, onde x é um vetor de características que representa o ponto inicial X no espaço de configuração, e pA(x) + pB(x) = 1 para dinâmica ergódica. O comprometedor pB relata o progresso da reação A → B e prevê o destino da trajetória de forma Markoviana6,7, tornando-a a coordenada de reação ideal8,9. No jogo de xadrez, pode-se pensar no committer como a probabilidade de, digamos, as pretas vencerem para determinadas posições iniciais no tabuleiro em jogos repetidos10. Os requisitos mínimos para aplicações além das simulações moleculares são (1) que exista uma quantidade semelhante a um committer e (2) que a dinâmica do sistema possa ser amostrada repetidamente, pelo menos na direção direta. A probabilidade de diferentes eventos possíveis (A, B, …) deve, portanto, ser codificada pelo menos em parte (e, portanto, aprendível em termos de) do estado instantâneo X do sistema e a dinâmica do sistema deve ser passível de amostragem repetida, de preferência por simulação computacional eficiente. No entanto, se for possível preparar repetidamente um sistema real com controlo satisfatório sobre as condições iniciais, pode-se aprender a prever o destino provável deste sistema dadas as condições iniciais observadas e controladas utilizando a nossa estrutura.