[论文解读] A fuzzy-set theoretical framework for computing exit rates of rare events in potential-driven diffusion processes

Marcus Weber, Natalia Ernst|arXiv (Cornell University)|Aug 2, 2017

Neural Networks and Applications参考文献 2被引用 4

一句话总结

本论文提出了一种基于模糊集理论的框架，通过利用无穷小生成元的特征函数的PCCA+聚类定义隶属函数χ，计算势能驱动扩散过程中罕见事件的退出率。该方法通过χ与其时间演化版本P^τχ之间的线性关系，实现了对平均首次退出时间及退出率的高效估计，避免了维度灾难，并为传统罕见事件模拟方法提供了一种低方差的替代方案。

ABSTRACT

This article is about molecular simulation. However, the theoretical results apply for general overdamped Langevin dynamics simulations. Molecular simulation is often used for determining the stability of a complex (e.g., ligand-receptor). The stability can be measured by computing the expected holding time of the complex before its dissociation. This dissociation can be seen as an exit event from a certain part S of the conformational state space. Determining exit rates (i.e, for SDE-based simulations exiting from a given starting set S) for a stochastic process in which the exit event occurs very rarely is obviously hard to solve by straight forward simulation methods. Finding a low variance procedure for computing rare event statistics is still an open problem. Imagine now, e.g., a simulation of a diffusion process. As long as the time-dependent state trajectory is inside the starting set S, no information is gained about the rare event statistics. Only at that point of time, when the process leaves the starting set, a piece of information about the exit rate is collected. If S, however, is a fuzzy set given by a membership function, then there might be additional information of the kind "the process is about to leave the set". However, how to define an exit rate from a fuzzy set?

研究动机与目标

• 解决在过阻尼朗之万动力学中估计罕见退出事件的挑战，其中标准模拟方法因过渡事件不频繁而面临高方差问题。
• 通过隶属函数χ对亚稳态的模糊集表示，克服直接模拟效率低下的问题。
• 基于模糊隶属度提出退出率的新理论定义，以更好区分接近核心的轨迹与接近退出的轨迹。
• 提供一种计算高效、低方差的退出率估计方法，无需依赖高维离散化或复杂的重加权方案。
• 通过n-戊烷的分子动力学模拟，将模糊退出率框架与传统的基于集合的退出率估计方法进行对比验证。

提出的方法

• 通过将PCCA+（Perron聚类分析）应用于无穷小生成元L*的特征函数，定义模糊集χ，以捕捉构象状态空间中的亚稳态结构。
• 利用福克-普朗克方程及其关联的福克-普朗克算子L，建模状态空间Γ中概率密度的时间演化。
• 通过从多个初始点进行短时间模拟（τ = 1 ps），估算时间演化后的隶属函数P^τχ，利用该过程的马尔可夫性质。
• 建立χ(x)与P^τχ(x)之间的线性关系，其中直线的斜率和截距分别给出基于χ的退出率ε₁和平均首次退出时间t₁(x) = 1/ε₁χ(x)。
• 利用χ ∈ [0,1]的性质，编码亚稳态的程度，从而提供一种连续、信息丰富的接近退出的度量，优于基于二值集合的方法。
• 通过在多个核心上并行化轨迹模拟和P^τχ计算，实现对高维系统的高效扩展。

实验结果

研究问题

• RQ1 如何构建一个模糊隶属函数χ，以在不依赖预定义集合的前提下，表示势能驱动扩散过程中亚稳态的特性？
• RQ2 从模糊集出发的退出率的数学定义是什么？它与平均首次退出时间及时间演化隶属函数之间有何关系？
• RQ3 χ(x)与P^τχ(x)之间的线性关系是否能够以低于传统基于集合方法的方差，实现对退出率的估计？
• RQ4 在n-戊烷等真实分子系统中，模糊退出率与传统的基于集合的退出率在定量上如何比较？
• RQ5 所提出的方法在高维构象空间中在多大程度上避免了维度灾难？

主要发现

• 模糊退出率估计值约为0.01 ps⁻¹，与基于集合的退出率0.025 ps⁻¹处于同一数量级但显著更低，表明其为更保守且可能更准确的估计。
• 观察到χ(x)与模拟的平均退出时间t(x)之间存在强线性相关性，验证了理论关系t₁(x) = 1/ε₁χ(x)，并确认了模糊框架的一致性。
• 与基于集合的方法相比，该方法将估计的退出率降低了2.5倍，表明模糊框架通过考虑渐进的退出趋势，更准确地捕捉了真实的亚稳态动力学。
• 隶属函数χ成功实现了逐点估计，且未受到维度灾难的影响，即使在高维状态空间中也能实现高效计算。
• 通过轨迹模拟与P^τχ计算的联合并行化，框架展现出鲁棒性与可扩展性，当起始点数量可被可用核心数整除时性能达到最优。
• 验证结果表明，χ(x) = 1的起始点的平均退出时间约为40 ps，与理论预测t₁(x) = 1/ε₁χ(x)一致，支持了模糊退出率模型的可靠性。