語音播報
近日,中國科學院國家納米科學中心施興華團隊聯(lián)合清華大學高華健團隊,開發(fā)了基于強化學習的增強采樣方法——Adaptive CVgen,并將這一方法應用于蛋白質折疊和富勒烯(C60)合成研究。相關研究成果以Adaptive CVgen: Leveraging Reinforcement Learning for Advanced Sampling in Protein Folding and Chemical Reactions為題,發(fā)表在《美國國家科學院院刊》(PNAS)上。
解析微觀體系的動態(tài)演化過程是基礎研究中的重點,但缺乏有效的方法來解析微觀體系的動態(tài)過程。以冷凍電鏡為例,它能夠解析蛋白質的晶體結構,但僅能捕捉到穩(wěn)定的靜態(tài)信息,而無法揭示其瞬態(tài)或動態(tài)演化過程。相比之下,理論計算方法在探索微觀體系的動態(tài)行為方面展現(xiàn)出優(yōu)勢。當前,主流研究工具分為基于深度學習的結構預測工具、分子動力學模擬、以增強采樣方法為主的長時間模擬方法。增強采樣方法可進行長時間尺度模擬而具有廣闊前景。然而,當前的應用多僅局限于少數(shù)簡單體系,普適性尚未得到驗證,因此亟需開發(fā)具有廣泛適用性的增強采樣方法。
Adaptive CVgen屬于自適應采樣方法的范疇。這類方法的特點之一是在模擬過程中不改變體系的自由能面形貌,能夠同時獲取體系的熱力學和動力學信息。Adaptive CVgen具有兩個創(chuàng)新之處。一是引入高維反應坐標,可覆蓋體系演化過程中可能出現(xiàn)的各種狀態(tài);二是利用強化學習整合高維反應坐標以預測體系演化的方向。在蛋白質折疊研究中,該方法展現(xiàn)出普適性,無需調整任何參數(shù)即可模擬包含多種二級結構的蛋白質折疊動態(tài)過程。這推動了復雜體系長時間模擬的研究進程。
Adaptive CVgen可推廣至更為復雜的體系,如生物催化、基因表達與調控、藥物設計與開發(fā)、化學合成、催化反應、工程材料等學科領域。這一方法有望推動復雜體系動力學研究的發(fā)展,為相關領域提供新的思路與工具。
研究工作得到國家重點研發(fā)計劃、國家自然科學基金和中國科學院戰(zhàn)略性先導科技專項的支持。
Adaptive CVgen方法流程圖
Adaptive CVgen采樣得到的構象演化過程
© 1996 - 中國科學院 版權所有 京ICP備05002857號-1 京公網安備110402500047號 網站標識碼bm48000002
地址:北京市西城區(qū)三里河路52號 郵編:100864
電話: 86 10 68597114(總機) 86 10 68597289(總值班室)
編輯部郵箱:casweb@cashq.ac.cn
© 1996 - 中國科學院 版權所有 京ICP備05002857號-1 京公網安備110402500047號 網站標識碼bm48000002
地址:北京市西城區(qū)三里河路52號 郵編:100864
電話: 86 10 68597114(總機) 86 10 68597289(總值班室)
編輯部郵箱:casweb@cashq.ac.cn
© 1996 - 中國科學院 版權所有
京ICP備05002857號-1
京公網安備110402500047號
網站標識碼bm48000002
地址:北京市西城區(qū)三里河路52號 郵編:100864
電話:86 10 68597114(總機)
86 10 68597289(總值班室)
編輯部郵箱:casweb@cashq.ac.cn