経路のメタダイナミクスからの自由エネルギー計算のための効果的なデータ駆動型集合変数

さまざまな強化されたサンプリング（ES）メソッドは、いくつかの選択された集合変数（CV）の関数として、生物学的およびその他の分子プロセスに関連する多次元自由エネルギー景観を予測します。これらの方法の精度は、システムの関連する遅い程度の自由度をキャプチャする選択されたCVの能力に決定的に依存しています。複雑なプロセスの場合、そのようなCVを見つけることは本当の課題です。機械学習（ML）CVSは、原則として、この問題を処理するためのソリューションを提供します。ただし、これらの方法は、高品質のデータセットの可用性に依存しています。物理的な経路と遷移状態に関する情報を理想的に組み込んでいます。ここでは、Paths of Pathsアルゴリズムを介して軌道空間でのESシミュレーションによってこれらのデータセットをどのように生成できるかを示します。このアプローチは、ESシミュレーションにおける自由エネルギー景観の高速予測のために効率的なMLベースのCVを生成するための一般的かつ効率的な方法を提供することが期待されています。MLベースのCVとしての深い標的判別分析を使用して、2つの数値モデルのポテンシャルとアラニンジペプチドの異性化を2つの数値例で実証します。

A variety of enhanced sampling (ES) methods predict multidimensional free energy landscapes associated with biological and other molecular processes as a function of a few selected collective variables (CVs). The accuracy of these methods is crucially dependent on the ability of the chosen CVs to capture the relevant slow degrees of freedom of the system. For complex processes, finding such CVs is the real challenge. Machine learning (ML) CVs offer, in principle, a solution to handle this problem. However, these methods rely on the availability of high-quality datasets-ideally incorporating information about physical pathways and transition states-which are difficult to access, therefore greatly limiting their domain of application. Here, we demonstrate how these datasets can be generated by means of ES simulations in trajectory space via the metadynamics of paths algorithm. The approach is expected to provide a general and efficient way to generate efficient ML-based CVs for the fast prediction of free energy landscapes in ES simulations. We demonstrate our approach with two numerical examples, a 2D model potential and the isomerization of alanine dipeptide, using deep targeted discriminant analysis as our ML-based CV of choice.