基于TorchMD的粗粒化分子动力模拟研究

摘要

粗粒化模型通过简化原子性质以及原子间的相互作用实现生物大分子长时间尺度的分子动力学模拟.深度学习通过模拟人类的认知过程实现海量数据的准确分类和回归过程.本论文将这两种技术进行融合,利用基于深度学习的粗粒化分子动力学模拟技术研究分子在不同状态之间的变化过程,并提出基于TorchMD的分子动力学模拟的分析框架.在本工作中,MFDP聚类算法被用于在三维的CV变量空间中进行聚类,并确定分子的若干主要状态,在完成聚类的同时,给出各类中的代表分子构象,并给出类之间的分子构象.这为后续利用String算法分析分子在不同状态间的转换路径打下基础.通过String算法,迭代搜索得到分子在不同状态之间的变化路径以及对应的势能变化曲线.通过与已有文献的结果进行对比,验证了基于TorchMD的粗粒化分子动力学模拟的理论框架可以在相对较短的时间尺度里研究分子的变化过程.