全原子和粗粒分子动力学是两个广泛使用的计算工具,用于研究蛋白质的构象状态。然而,这两种仿真方法遭受了这样的事实,即在没有获得超级计算资源的情况下,难以实现这些状态的时间和长度尺度。这种方法的一种替代方法是基于编码分子动力学的原子轨迹作为没有物理粒子的速记版本,然后学习通过使用人工智能来传播编码的轨迹。在这里,我们表明,作为Ramachandran盆地类的向量,分子动力学轨迹框架框架的简单文本表示保留了蛋白质在每个帧中的完整原子代表的大多数结构信息,并且可用于生成无原子轨迹适用于训练不同类型的生成神经网络。反过来,训练有素的生成模型可用于无限期地扩展无原子动力学,或在潜在的模型中从其表示中采样蛋白质的构象空间。我们将这种方法定义为没有分子的分子动力学,并表明它可以涵盖与传统分子动力学难以访问的蛋白质的物理相关状态。
translated by 谷歌翻译