Los avances en el aprendizaje profundo han revolucionado la predicción de la estructura molecular, pero las aplicaciones del mundo real a menudo requieren comprender las distribuciones de equilibrio en lugar de solo estructuras individuales. Los métodos actuales, como las simulaciones de dinámica molecular, requieren un uso intensivo de computación y son insuficientes para capturar toda la gama de flexibilidad molecular. La predicción de la distribución del equilibrio es crucial para evaluar las propiedades macroscópicas y los estados funcionales de moléculas como la adenilato quinasa. Si bien el aprendizaje profundo se ha mostrado prometedor en simulaciones generales, tiene problemas con la generalización. Los generadores de Boltzmann ofrecen una solución potencial al generar distribuciones de equilibrio, pero aún es necesario mejorar su aplicabilidad en diferentes moléculas.
Investigadores de Microsoft Research AI4Science, Beijing, China; Universidad de Ciencia y Tecnología de China, Microsoft Quantum, Redmond, WA, EE.UU.; y Microsoft Research AI4Science, Berlín, Alemania, han desarrollado Graformador distribucional (DiG), un marco de aprendizaje profundo destinado a predecir la distribución de equilibrio de sistemas moleculares. Inspirándose en el recocido termodinámico, DiG emplea redes neuronales para transformar una distribución simple hacia el equilibrio basándose en descriptores moleculares como gráficos químicos o secuencias de proteínas. Esto permite la generación eficiente de diversas conformaciones y estimaciones de densidades estatales significativamente más rápido que los métodos tradicionales. DiG demuestra versatilidad en diversas tareas moleculares y puede generalizarse en diferentes sistemas moleculares. DiG aproxima la distribución de equilibrio simulando un proceso de difusión, facilitando la predicción de propiedades moleculares y permitiendo el diseño inverso de estructuras con las propiedades deseadas.
DiG, un marco de aprendizaje profundo, va más allá de predecir estructuras moleculares individuales para estimar sus distribuciones de equilibrio. Inspirado en el concepto de calentamiento-recocido, emplea un proceso de difusión para transformar la distribución objetivo hacia una más simple y luego la invierte. Las redes neuronales profundas predicen el proceso inverso al aproximar la función de puntuación, lo que facilita la generación de diversas estructuras moleculares. DiG también permite la generación de estructuras guiadas por propiedades y la interpolación entre estados mediante el mapeo de estructuras en un espacio latente. Este enfoque innovador avanza en el modelado de estructuras moleculares, ofrece predicciones eficientes de distribuciones de equilibrio y facilita el diseño guiado por propiedades.
DiG muestra su versatilidad al abordar con éxito diversos desafíos de diseño y modelado molecular. Para el muestreo de conformación de proteínas, genera hábilmente diversas estructuras consistentes con el panorama energético, lo cual es crucial para comprender los comportamientos y las interacciones de las proteínas. Al aprovechar datos experimentales y simulados, junto con métodos de entrenamiento innovadores como PIDP, DiG reproduce con precisión distribuciones conformacionales complejas, incluso para proteínas con múltiples estados funcionales. Además, demuestra su capacidad para interpolar entre estados, proporcionando información sobre las vías de transición conformacionales.
Al ampliar su alcance, DiG se destaca en el muestreo de estructuras de ligandos alrededor de los sitios de unión, prediciendo con precisión las estructuras de ligandos dentro de los bolsillos farmacológicos. Su rendimiento, validado con datos experimentales, subraya su potencial para aplicaciones de diseño de fármacos. Además, DiG demuestra su valía en el muestreo de adsorbato de catalizador, identificando de manera eficiente sitios de adsorción activa en las superficies del catalizador. Sus predicciones se alinean estrechamente con las obtenidas mediante métodos computacionales intensivos como la teoría funcional de la densidad, destacando su velocidad y precisión. Por último, DiG muestra su capacidad para la generación de estructuras guiadas por propiedades, lo que permite tareas de diseño inverso, como la generación de alótropos de carbono con las bandas prohibidas electrónicas deseadas. Esto demuestra su potencial para acelerar los procesos de diseño y descubrimiento de materiales.
En conclusión, DiG revoluciona las ciencias moleculares al predecir distribuciones de equilibrio de manera eficiente, lo que permite un muestreo molecular diverso, crucial para comprender las relaciones estructura-función y diseñar moléculas y materiales. DiG aprende representaciones moleculares a partir de descriptores como secuencias de proteínas o fórmulas compuestas mediante el empleo de arquitecturas avanzadas de aprendizaje profundo, capturando con precisión distribuciones complejas en un espacio de alta dimensión. Su ventaja de velocidad sobre los métodos tradicionales como las simulaciones MD o el muestreo MCMC ofrece un potencial transformador y reduce significativamente los costos computacionales. Con su capacidad para explorar vastos espacios conformacionales, DiG acelera el descubrimiento de estructuras moleculares, lo que impacta en diversos campos, incluidas las ciencias biológicas, el diseño de fármacos, la catálisis y la ciencia de materiales.
Revisar la Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo. Únete a nuestro Canal de telegramas, Canal de discordiay LinkedIn Grarriba.
Si te gusta nuestro trabajo, te encantará nuestro Boletin informativo..
No olvides unirte a nuestro SubReddit de 42k+ ML
A Sana Hassan, pasante de consultoría en Marktechpost y estudiante de doble titulación en IIT Madras, le apasiona aplicar la tecnología y la inteligencia artificial para abordar los desafíos del mundo real. Con un gran interés en resolver problemas prácticos, aporta una nueva perspectiva a la intersección de la IA y las soluciones de la vida real.