Key points are not available for this paper at this time.
Verzerrte erweiterte Sampling-Methoden, die kollektive Variablen (CVs) nutzen, sind leistungsstarke Werkzeuge zur Probenentnahme konformationeller Ensembles. Aufgrund ihrer großen intrinsischen Dimensionen erfordert die effiziente Erzeugung konformationeller Ensembles für komplexe Systeme ein erweitertes Sampling auf hochdimensionalen Freie-Energie-Oberflächen. Während temperaturbeschleunigte Molekulardynamik (TAMD) viele CVs trivial in einer Simulation annehmen kann, erfordert die Entbiasierung der Simulation zur Erzeugung unverzerrter konformationeller Ensembles eine genaue Modellierung einer hochdimensionalen CV-Wahrscheinlichkeitsverteilung, was für traditionelle Dichteschätztechniken eine Herausforderung darstellt. Hier schlagen wir eine Entbiasierungsmethode vor, die auf dem scorebasierten Diffusionsmodell basiert, einer tiefen generativen Lernmethode, die in der Dichteschätzung über komplexe Datenszenarien hervorragend abschneidet. Wir zeigen, dass dieser Entbiasierungsansatz, der in mehreren TAMD-Simulationen getestet wurde, traditionelle Entbiasierungsmethoden deutlich übertrifft und genaue unverzerrte konformationelle Ensembles erzeugen kann. Mit dem vorgeschlagenen Ansatz kann TAMD CVs annehmen, die sich darauf konzentrieren, die Sampling-Effizienz zu verbessern, und die vorgeschlagene Entbiasierungsmethode ermöglicht eine genaue Bewertung der Ensemble-Mittelwerte wichtiger chemischer Merkmale.
Liu et al. (Wed,) haben diese Frage untersucht.