[논문 리뷰] Two for One: Diffusion Models and Force Fields for Coarse-Grained Molecular Dynamics

Marloes Arts, Victor García Satorras외 7명|arXiv (Cornell University)|2023. 02. 01.

Protein Structure and Dynamics인용 수 10

한 줄 요약

이 논문은 거칠게 입자화된 단백질 구조에서 디노이즈 디퓨전 모델을 학습하여 i.i.d. CG 샘플과 MD용 보수적 CG 포스 필드를 얻고, 정확한 평형 분포와 보존된 동역학을 가능하게 한다.

ABSTRACT

Coarse-grained (CG) molecular dynamics enables the study of biological processes at temporal and spatial scales that would be intractable at an atomistic resolution. However, accurately learning a CG force field remains a challenge. In this work, we leverage connections between score-based generative models, force fields and molecular dynamics to learn a CG force field without requiring any force inputs during training. Specifically, we train a diffusion generative model on protein structures from molecular dynamics simulations, and we show that its score function approximates a force field that can directly be used to simulate CG molecular dynamics. While having a vastly simplified training setup compared to previous work, we demonstrate that our approach leads to improved performance across several small- to medium-sized protein simulations, reproducing the CG equilibrium distribution, and preserving dynamics of all-atom simulations such as protein folding events.

연구 동기 및 목표

• 학습 중에 원자 수준의 힘을 사용하지 않고도 열역학적으로 일관된 CG 포스 필드를 학습하는 것을 동기 부여한다.
• 점수 기반 확산 모델이 CG 평균 힘 포텐셜을 근사하고 CG MD에서 직접 사용할 수 있음을 보인다.
• 이 방법이 더 큰 단백질로 확장 가능하고 CG 시뮬레이션에서도 모든-원자와 유사한 동역학을 보존함을 보인다.
• i.i.d. CG 샘플 생성과 결정론적 CG 포스 필드를 모두 가능하게 하는 간단하고 단일 스테이지 학습 접근법을 제공한다.]
• method:[

제안 방법

• CG Boltzmann 분포에서 추출된 CG 샘플에 대한 디노이즈 디퓨전 확률 모델(DDPM)을 학습한다.
• DDPM 손실을 디노이즈 스코어 매칭과 연결하여 CG 힘을 근사하는 스코어 함수 추출.
• 확산 모델의 노이즈 예측기를 에너지 함수의 기울기로 매개변수화하여 보수적이고, 평행이동 불변이며 회전 등가인 힘 필드(SO(3) 등가성은 데이터 증강으로 확보)로 보장한다.
• 추출된 디노이징 포스 필드를 CG 랑저벤 다이나믹스에 사용하여 CG 분자 역학을 시뮬레이션한다.
• MD 중 포스 필드의 정확도와 계산적 안정성의 균형을 맞추기 위해 확산 스텝 i를 선택할 수 있게 한다.

실험 결과

연구 질문

• RQ1 CG 평형 샘플에서 학습된 디퓨전 모델이 MD 시뮬레이션에 적합한 보수적 CG 포스 필드를 학습할 수 있는가?
• RQ2 이 접근 방식이 CG 평형 분포를 재현하고 모든-원자 시뮬레이션에 비해 동역학을 보존하는가?
• RQ3 이 방법이 이전의 플로우 기반 접근법을 넘어 더 큰 CG 단백질로 확장 가능한가?
• RQ4 학습된 포스 필드가 에너지 사전 지식이나 교사-학생 증류 없이도 안정적인 CG MD를 제공하는가?
• RQ5 i.i.d. 샘플 생성 모드와 MD 기반 시뮬레이션 모드 모두에서 방법의 성능은 어떠한가?

주요 결과

• DFF 접근법은 이 dihedral 및 쌍 간 거리의 JS 발산으로 측정한 CG 평형 분포 재현에서 플로우 기반 기준선보다 우수하다.
• DFF 시뮬레이션은 TIC 기반 메타안정 상태를 통한 전이 확률에서 Flow-CGNet 시뮬레이션보다 더 정확한 동적 동작을 보이며, DFF i.i.d.는 샘플링 품질에서 Flow i.i.d.에 근접한다.
• 확산 모델은 전역 구조와 장거리 접촉을 더 잘 포착하며, 단백질 G(56 구슬)과 같은 더 큰 단백질에서도 플로우 기반 방법보다 우수하다.
• 학습된 DFF는 보수적이고, 평행이동 불변이며 회전 등가인 힘 필드로서, 명시적 에너지 사전 지식이 필요 없이도 안정적인 CG MD에 적합하다.
• 이 프레임워크는 빠르게 접히는 단백질로 확장 가능하며, 접힘/해제 이벤트와 메타안정 상태 인구를 포함한 주요 동역학 특징을 유지하며 TIC 기반 지표에서 우호적이다.