Increasing efficiency of molecular simulation research and development with deep learning

通过深度学习提高分子模拟研究和开发的效率

• 批准号: 21J13283
• 负责人: 遠藤 克浩
• 金额: $ 1.34万
• 依托单位: Keio University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for JSPS Fellows
• 财政年份: 2021
• 资助国家: 日本
• 起止时间: 2021-04-28 至 2023-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-21J13283/
• 关键词: 分子シミュレーション; 分子動力学; モンテカルロ法; 機械学習; 深層学習; 統計力学; 代理モデル; Normalizing Flow

分子シミュレーションは様々な物性やその発現メカニズムを原子・分子レベルで調べることのできる強力で汎用的な手法である．しかしながら，計算コストや解析の難しさから，実際の研究開発への導入に課題がある．本年度は，この課題を深層学習を用いることで解決する研究を進めた．具体的には，(1)分子動力学シミュレーション(MD)代理モデルの学習に際して，求めたい統計量に直接関係しない余分な周囲粒子を学習に含めると，そうでない場合に比べて必要な分子シミュレーションデータの時間長さが大きく減少することを発見した．これは，注目粒子以外の粒子の情報が，注目粒子のダイナミクスに強い影響を与えているためではないかと考えられる．また，(2)MD結果を半自動解析する手法をたんぱく質-リガンド系に適用することによって，結合親和性をと強い相関のある量を短時間MDから教師なしで獲得することに成功した．すなわち，薬となる化合物を探索するためには，ごく短時間のMDを実行するだけで十分である可能性が示されたことになる．さらに，(3) モンテカルロ分子シミュレーション(MC)において，採択率を高めるような分子配置分布を機械学習モデルにより生成することに成功した．MCにおいては，統計力学が要請する分布となるべく近い分布で分子を移動させることができれば，効率的なシミュレーションを実現できることが知られている．本研究では，機械学習モデルの一つであるContinuous Normalizing Flowに基づく分布変形が実際に効率向上を達成できることを示し，また機械学習による分布獲得によってさらなる効率化を達成できる可能性を示した．

Molecular シ ミ ュ レ ー シ ョ ン は others 々 な property や そ の 発 now メ カ ニ ズ ム を atoms, molecules レ ベ ル で adjustable べ る こ と の で き る powerful で domestic な gimmick で あ る. Youdaoplaceholder0, computational コストや, analytical ながら, difficult さ さ ら, practical <s:1> research development へ, に introduction to に topic がある. This year, the を, <s:1>, <s:1> project を deep learning を will solve する research を into めた by using を る とで とで とで. Specific に は, (1) molecular dynamics シ ミ ュ レ ー シ ョ ン (MD) agent モ デ ル の learning に interstate し て, o め た い statistic に masato is directly し な い yu な zhou を learning に 囲 particles containing め る と, そ う で な に い occasion than べ て necessary な molecular シ ミ ュ レ ー シ ョ ン デ ー タ の long さ が big き く reduce す る こ と を 発 see し た. こ れ は, attention outside の particles が の intelligence, attention particle の ダ イ ナ ミ ク ス に strong い influence を え て い る た め で は な い か と exam え ら れ る. ま た, (2) the MD results を semi-automatic analytical す る gimmick を た ん ぱ く mass - リ ガ ン ド department に applicable す る こ と に よ っ て, combined with affinity を と strong い phase masato の あ る を short amount of time the MD か ら teachers な し で get す る こ と に successful し た. す な わ ち, 薬 と な る compound を explore す る た め に は, ご く short の MD を line be す る だ け で very で あ が る possibility in さ れ た こ と に な る. さ ら に, (3) モ ン テ カ ル ロ molecular シ ミ ュ レ ー シ ョ ン (MC) に お い て, high rate of mining 択 を め る よ う な molecular configuration distribution を rote learning モ デ ル に よ り generated す る こ と に successful し た. MC に お い て は, statistical mechanics が to please す る distribution と な る べ く nearly い distribution で molecular を mobile さ せ る こ と が で き れ ば, the rate of unseen な シ ミ ュ レ ー シ ョ ン を be presently で き る こ と が know ら れ て い る. This study で は, rote learning モ デ ル の a つ で あ る Continuous Normalizing Flow に base づ く distribution - shaped が be interstate に sharper rate upward を reached で き る こ と を し, ま た rote learning に よ る distribution to obtain に よ っ て さ ら な る sharper rate change を achieve で き を る possibility in し た.

项目成果

リガンドが誘起するタンパク質揺らぎの変化と標的タンパク質との結合エネルギーの相関関係:教師なし深層学習を用いた解析

配体诱导的蛋白质波动变化与目标蛋白质结合能之间的相关性：使用无监督深度学习进行分析

• 发表时间: 2021
• 作者: 安田一希;遠藤克浩;山本詠士;平野秀典;泰岡顕治
• 通讯作者: 泰岡顕治

機械学習を用いた効率的なレプリカ交換モンテカルロ法によるLennard-Jones 粒子の相挙動

使用机器学习的高效副本交换蒙特卡罗方法的 Lennard-Jones 粒子的相行为

• DOI: 10.11436/mssj.24.70
• 发表时间: 2022
• 期刊: Ensemble
• 作者: Ishikawa;N.;& Umeda;S.;小和口 昌愛
• 通讯作者: 小和口 昌愛

Efficient Monte Carlo Sampling for Molecular Systems Using Continuous Normalizing Flow

• DOI: 10.1021/acs.jctc.1c01047
• 发表时间: 2022-03-08
• 期刊: JOURNAL OF CHEMICAL THEORY AND COMPUTATION
• 影响因子: 5.5
• 作者: Endo, Katsuhiro;Yuhara, Daisuke;Yasuoka, Kenji
• 通讯作者: Yasuoka, Kenji

Detection of liquid-like water molecules in premelting surfaces

检测预熔化表面中的液态水分子

• 发表时间: 2021
• 作者: Ikki Yasuda;Katsuhiro Endo;Noriyoshi Arai;Kenji Yasuoka
• 通讯作者: Kenji Yasuoka

グラフニューラルネットワークを用いた深層学習モデルによる結晶及び液体構造の分類

使用图神经网络的深度学习模型对晶体和液体结构进行分类

• 发表时间: 2021
• 作者: 石合智貴;遠藤克浩;泰岡顕治
• 通讯作者: 泰岡顕治