Nat. Comput. Sci. 速递

关键词：多体相互作用，自组织，路径采样，统计物理，深度学习，符号回归算法

论文题目：Machine-guided path sampling to discover mechanisms of molecular self-organization

论文来源：Nature Computational Science

论文链接：https://www.nature.com/articles/s43588-023-00428-z

大多数集体自组织过程是罕见事件（rare events），系统大部分时间处于可转移的亚稳态，而状态之间不经常发生的快速随机转变，在无偏的分子动力学模拟中很少被访问到。这些转变路径（transition paths）是捕捉重组过程的非常特殊的轨迹段。从模拟中学习分子机制需要将计算能力集中在对转变路径的采样上，并从中提炼出定量的模型。由于构型空间的高维度，采样和信息提取在实践中都具有极大的挑战性。

最新发表于 Nature Computational Science 的这篇文章，提出了一种自主的路径采样算法，它整合了深度学习和转变路径理论（transition path theory），来发现分子自组织现象的机制。该算法使用新启动的轨迹的结果来构建、验证和更新定量的机械模型。在学习周期结束时，这些模型指导采样，以加强对罕见自组织事件的采样。符号回归将学到的机制浓缩为人类可以解释的相关物理观测指标的形式。

应用于溶液中的离子缔合、气体水合物晶体形成、聚合物折叠和膜蛋白组装，该模型捕捉到了支配组装过程的多体溶剂运动，确定了经典成核理论的变量，揭示了不同分辨率下的折叠机制，并揭示了相互竞争的组装路径。这些机制描述可以跨越热力学状态和化学空间进行转移。

图 1. 学习离子在水中的组装机制。

图 2. 甲烷包合物成核机制的数据驱动发现。

图 3. 脂质膜中跨膜二聚体组装的竞争路径。

编译｜刘志航

AI+Science 读书会启动

详情请见：

人工智能和科学发现相互赋能的新范式：AI+Science 读书会启动