[논문 리뷰] Global free energy landscapes as a smoothly joined collection of local maps

Federico Giberti, Gareth A. Tribello외 1명|arXiv (Cornell University)|2020. 11. 16.

Topological and Geometric Data Analysis참고 문헌 59인용 수 19

한 줄 요약

ATLAS는 고차원 집합 변수(CV) 공간을 가우시안 혼합 모델(GMM)을 사용해 국소적 웅덩이로 분할하고, 각 웅덩이 내에서 저차원 주성분 분석(PCA) 투영에 대해 웰템퍼티드 메타다이나믹스 유사 편향을 적용하는 새로운 샘플링 방법이다. 이는 국소적 편향을 부드럽게 조합하고 반복적 재가중을 통해 비편향 자유 에너지 표면을 복원함으로써, 알라닌 테트라펩타이드와 같은 고차원 경로에서 기존 메타다이나믹스보다 수렴 속도가 빠른 복잡한 시스템의 효율적 샘플링을 가능하게 한다.

ABSTRACT

Enhanced sampling techniques have become an essential tool in computational chemistry and physics, where they are applied to sample activated processes that occur on a time scale that is inaccessible to conventional simulations. Despite their popularity, it is well known that they have constraints that hinder their applications to complex problems. The core issue lies in the need to describe the system using a small number of collective variables (CVs). Any slow degree of freedom that is not properly described by the chosen CVs will hinder sampling efficiency. However, exploration of configuration space is also hampered by including variables that are not relevant to describe the activated process under study. This paper presents the Adaptive Topography of Landscape for Accelerated Sampling (ATLAS), a new biasing method capable of working with many CVs. The root idea of ATLAS is to apply a divide-and-conquer strategy where the high-dimensional CVs space is divided into basins, each of which is described by an automatically-determined, low-dimensional set of variables. A well-tempered metadynamics-like bias is constructed as a function of these local variables. Indicator functions associated with the basins switch on and off the local biases, so that the sampling is performed on a collection of low-dimensional CV spaces, that are smoothly combined to generate an effectively high-dimensional bias. The unbiased Boltzmann distribution is recovered through reweighing, making the evaluation of conformational and thermodynamic properties straightforward. The decomposition of the free-energy landscape in local basins can be updated iteratively as the simulation discovers new (meta)stable states.

연구 동기 및 목표

• 고차원 집합 변수(CV)에서 어려움을 겪는 기존 강화 샘플링 방법의 한계를 극복하기 위해.
• 많은 수의 CV가 포함된 경우에도 샘플링 효율성을 유지할 수 있는 확장 가능하고 적응형 편향 방법을 개발하기 위해.
• 전역적인 저차원 다양체가 필요하지 않은 자유 에너지 경로의 정확한 재구성 가능하게 하기 위해.
• 시뮬레이션 중에 메타안정 상태와 그들의 국소적 CV 표현을 자동으로 식별하기 위해.

제안 방법

• 시뮬레이션 트레이잭터리에 가우시안 혼합 모델(GMM)을 적용하여 고차원 CV 공간을 국소적 웅덩이로 분할하기.
• 각 웅덩이에 대해 주성분 분석(PCA)을 통해 저차원 국소 표현을 구성하기.
• 각 웅덩이 내에서 국소 PCA 좌표의 함수로서 웰템퍼티드 메타다이나믹스 유사 편향을 적용하기.
• 시스템의 현재 웅덩이에 따라 국소 편향을 켜거나 끄는 지시 함수를 사용하여 부드러운 전역 편향 보장하기.
• 반복적 궤적 재가중(ITRE)을 통해 비편향 볼츠만 분포를 복원하여 자유 에너지 및 열역학적 성질 평가하기.
• 새로운 메타안정 상태가 시뮬레이션 도중 발견됨에 따라 반복적으로 GMM 클러스터링과 국소 CV 표현을 업데이트하기.

실험 결과

연구 질문

• RQ1 국소적 저차원 CV 표현을 사용한 분할-통합 전략이 고차원 자유 에너지 경로에서 샘플링 효율성을 향상시킬 수 있는가?
• RQ2 복잡한 시스템에서 ATLAS는 기존의 웰템퍼티드 메타다이나믹스와 비교해 수렴 속도와 정확도 측면에서 어떻게 성능을 내는가?
• RQ3 ATLAS는 시스템의 경로를 사전에 알지 못해도 새로운 메타안정 상태를 자동으로 식별하고 적응할 수 있는가?
• RQ4 ATLAS는 편향에 사용되지 않은 전통적이고 해석 가능한 CV(예: Rg, nH)를 따라 정확한 자유 에너지 표면을 얼마나 잘 복원할 수 있는가?
• RQ5 ATLAS의 국소 편향 프레임워크는 물리적으로 직관적인 국소 역학을 제공함으로써 군집 모델 개발을 지원할 수 있는가?

주요 결과

• ATLAS는 알라닌 테트라펩타이드의 6차원 회전각 공간에서 기존의 웰템퍼티드 메타다이나믹스보다 参考 평균력 위치 에너지(PMF)에 더 빨리 수렴했다.
• 자기학습 알고리즘 5회 반복 후 ATLAS는 알라닌 테트라펩타이드 시스템에서 9개의 명확한 웅덩이를 성공적으로 식별했으며, 이는 잘 정의된 메타안정 상태에 해당했다.
• 가장 다수의 웅덩이를 차지하는 상태들 간의 자유 에너지 차이는 정확히 복원되었으며, 시뮬레이션 시간 100 ps 이내에 수렴이 관찰되었다.
• 백본 반지름의 궤도(Rg)와 수소 결합 수(nH)를 따라 재가중된 FES는 ATLAS 궤적에서 기존 메타다이나믹스 시뮬레이션보다 더 빨리 수렴했다.
• 부드럽고 조각별 편향 접근 방식 덕분에 ATLAS는 GMM가 식별한 9개의 위상공간 영역을 모두 신속하게 탐색했으며, 심각한 샘플링 편향이나 갇힘 현상 없이 진행되었다.
• 반복적 재클러스터링 기능 덕분에 ATLAS는 시스템이 새로운 영역을 탐색함에 따라 자유 에너지 경로의 기술을 개선할 수 있었으며, 뛰어난 적응성과 안정성을 입증했다.