当前位置：
X-MOL 学术
›
J. Chem. Theory Comput.
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
A Mode Evolution Metric to Extract Reaction Coordinates for Biomolecular Conformational Transitions
Journal of Chemical Theory and Computation ( IF 5.7 ) Pub Date : 2024-09-17 , DOI: 10.1021/acs.jctc.4c00744 Mitradip Das 1 , Ravindra Venkatramani 1
Journal of Chemical Theory and Computation ( IF 5.7 ) Pub Date : 2024-09-17 , DOI: 10.1021/acs.jctc.4c00744 Mitradip Das 1 , Ravindra Venkatramani 1
Affiliation
|
The complex, multidimensional energy landscape of biomolecules makes the extraction of suitable, nonintuitive collective variables (CVs) that describe their conformational transitions challenging. At present, dimensionality reduction approaches and machine learning (ML) schemes are employed to obtain CVs from molecular dynamics (MD)/Monte Carlo (MC) trajectories or structural databanks for biomolecules. However, minimum sampling conditions to generate reliable CVs that accurately describe the underlying energy landscape remain unclear. Here, we address this issue by developing a Mode evolution Metric (MeM) to extract CVs that can pinpoint new states and describe local transitions in the vicinity of a reference minimum from nonequilibrated MD/MC trajectories. We present a general mathematical formulation of MeM for both statistical dimensionality reduction and machine learning approaches. Application of MeM to MC trajectories of model potential energy landscapes and MD trajectories of solvated alanine dipeptide reveals that the principal components which locate new states in the vicinity of a reference minimum emerge well before the trajectories locally equilibrate between the associated states. Finally, we demonstrate a possible application of MeM in designing efficient biased sampling schemes to construct accurate energy landscape slices that link transitions between states. MeM can help speed up the search for new minima around a biomolecular conformational state and enable the accurate estimation of thermodynamics for states lying on the energy landscape and the description of associated transitions.
中文翻译：
用于提取生物分子构象转换反应坐标的模式进化指标
生物分子复杂、多维的能量景观使得提取合适的、非直观的集合变量 （CV） 来描述其构象转换具有挑战性。目前，采用降维方法和机器学习 （ML） 方案从分子动力学 （MD）/蒙特卡洛 （MC） 轨迹或生物分子的结构数据库中获取 CV。然而，生成准确描述潜在能源格局的可靠 CV 的最低采样条件仍不清楚。在这里，我们通过开发一个 Mode evolution Metric （MeM） 来解决这个问题，以提取可以精确定位新状态并从非平衡 MD/MC 轨迹描述参考最小值附近的局部转变的 CV。我们提出了用于统计降维和机器学习方法的 MeM 的一般数学公式。将 MeM 应用于模型势能景观的 MC 轨迹和溶剂化丙氨酸二肽的 MD 轨迹表明，在参考最小值附近定位新状态的主成分在相关状态之间的轨迹局部平衡之前就出现了。最后，我们展示了 MeM 在设计高效偏采样方案方面的可能应用，以构建链接状态之间转换的准确能源景观切片。MeM 可以帮助加快寻找生物分子构象状态周围的新最小值，并能够准确估计位于能源景观上的状态的热力学和相关转变的描述。
更新日期：2024-09-17
中文翻译：
用于提取生物分子构象转换反应坐标的模式进化指标
生物分子复杂、多维的能量景观使得提取合适的、非直观的集合变量 （CV） 来描述其构象转换具有挑战性。目前，采用降维方法和机器学习 （ML） 方案从分子动力学 （MD）/蒙特卡洛 （MC） 轨迹或生物分子的结构数据库中获取 CV。然而，生成准确描述潜在能源格局的可靠 CV 的最低采样条件仍不清楚。在这里，我们通过开发一个 Mode evolution Metric （MeM） 来解决这个问题，以提取可以精确定位新状态并从非平衡 MD/MC 轨迹描述参考最小值附近的局部转变的 CV。我们提出了用于统计降维和机器学习方法的 MeM 的一般数学公式。将 MeM 应用于模型势能景观的 MC 轨迹和溶剂化丙氨酸二肽的 MD 轨迹表明，在参考最小值附近定位新状态的主成分在相关状态之间的轨迹局部平衡之前就出现了。最后，我们展示了 MeM 在设计高效偏采样方案方面的可能应用，以构建链接状态之间转换的准确能源景观切片。MeM 可以帮助加快寻找生物分子构象状态周围的新最小值，并能够准确估计位于能源景观上的状态的热力学和相关转变的描述。
京公网安备 11010802027423号