Akkurate molekular-mechanische Kraftfelder mittels Daten-getriebenen Parameter Typen Definitionen
Biophysik
Computergestütztes Werkstoffdesign und Simulation von Werkstoffverhalten von atomistischer bis mikroskopischer Skala
Zusammenfassung der Projektergebnisse
Molekular-mechanik Kraftfelder sind häufig verwendete Energiefunktionen zur Repräsentation molekularer Wechselwirkungen in Computersimulationen. Kraftfelder beschreiben auf sehr effiziente Weise, wie Atome und Moleküle miteinander wechselwirken, so dass Wissenschaftler die Wechselwirkungen von Proteinen mit anderen Biomolekülen oder Medikamenten studieren können. Die meisten der derzeit verwendeten Kraftfelder sind physikalisch motiviert und enthalten eine große Anzahl von physikalischen Parameterwerten, die anhand von sehr akkuraten Referenzberechnungen oder experimentellen Daten optimiert werden. Zusätzlich zu den physikalischen Parameterwerten enthalten Kraftfelder eine Reihe von Zuordnungsanweisungen, die so genannten Parameter-Typen Definitionen, welche festlegen, wie genau die physikalischen Parameterwerte auf die Moleküle und ihre Unterstrukturen (Atome, Bindungen, Winkel usw.) abgebildet werden. Diese Parameter-Typen Definitionen werden von einem menschlichen Experten manuell erstellt und beeinflussen, wie genau die physikalischen Parameterwerte optimiert werden. Diese manuelle Definition verursacht alle möglichen Probleme in Bezug auf die Genauigkeit und Übertragbarkeit (d. h. wie gut wird das Kraftfeld für Moleküle funktionieren, die es noch nie gesehen hat) der Kraftfelder. In der vorliegenden Arbeit habe ich einen Ansatz entwickelt, um die zugrundeliegenden Parameter-Typen Definitionen und die entsprechenden physikalischen Parameterwerte allein auf der Grundlage der für die Optimierung des Kraftfelds verwendeten Daten automatisch zu ermitteln. Daher entwickeln wir zum ersten Mal Kraftfelder mit Parameter-Typen Definitionen, die nicht von einem menschlichen Experten erstellt wurden. Wir haben erfolgreich eine Methode entwickelt und implementiert, welche in der Lage ist, ein komplettes Kraftfeld von Grund auf abzuleiten und dabei die Anzahl der Parameter und damit die Komplexität des Kraftfelds automatisch auf der Grundlage der Daten und statistisch aussagekräftiger Hyperparameter anzupassen. Wir zeigen, dass unsere Methode wie beabsichtigt funktioniert, indem wir Trainingsdaten aus einem bestehenden Kraftfeld erzeugen und dann unsere Methode das Kraftfeld von Grund auf rekonstruieren lassen. Wir haben festgestellt, dass das resultierende Kraftfeld nicht mit denselben Parameter-Typen Definitionen und physikalischen Parameterwerten rekonstruiert wird, sondern mit einfacheren, was zu derselben Genauigkeit führt. Unser Ansatz ist also nicht nur in der Lage, Kraftfelder von Grund auf neu zu erzeugen, sondern auch Kraftfelder, die noch weniger komplex sind als bestehende Kraftfelder.
