Increasing efficiency of molecular simulation research and development with deep learning

点击翻译按钮获取中文摘要

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．