[论文解读] Generative Coarse-Graining of Molecular Conformations

Wujie Wang, Minkai Xu+6 more|arXiv (Cornell University)|Jan 28, 2022

Machine Learning in Materials Science被引用 23

一句话总结

CGVAE 引入一个概率性、等变框架，用于将粗粒化（CG）分子结构回映到细粒化（FG）的构型，捕捉 FG 不确定性和几何一致性。

ABSTRACT

Coarse-graining (CG) of molecular simulations simplifies the particle representation by grouping selected atoms into pseudo-beads and drastically accelerates simulation. However, such CG procedure induces information losses, which makes accurate backmapping, i.e., restoring fine-grained (FG) coordinates from CG coordinates, a long-standing challenge. Inspired by the recent progress in generative models and equivariant networks, we propose a novel model that rigorously embeds the vital probabilistic nature and geometric consistency requirements of the backmapping transformation. Our model encodes the FG uncertainties into an invariant latent space and decodes them back to FG geometries via equivariant convolutions. To standardize the evaluation of this domain, we provide three comprehensive benchmarks based on molecular dynamics trajectories. Experiments show that our approach always recovers more realistic structures and outperforms existing data-driven methods with a significant margin.

研究动机与目标

• 在信息损失条件下，推动从粗粒化（CG）到细粒化（FG）分子坐标的准确回映.
• 将回映建模为一个条件生成任务，以捕捉 FG 不确定性。
• 开发一个符合 E(3) 对称性的等变且几何一致的解码器。
• 提供对 CG 无关的基准和度量，以标准化 CG 回映领域的评估。

提出的方法

• 提出一个概率性 CG-to-FG 模型（CGVAE），通过潜变量 z 学习 p(x|X)，并使用编码器 qϕ(z|x,X) 与解码器 pθ(x|X,z)。
• 使用不变的 FG-to-CG 编码器，结合消息传递与汇聚来获得参数化 z 的 CG 嵌入。
• 仅从 CG 结构建模先验 pψ(z|X)，以在没有 FG 数据的情况下进行采样。
• 实现一个多通道等变解码器，使用向量和伪标量/伪向量特征以及 E(3) 等变卷积来预测 FG 坐标。
• 通过 R1 和 R2 强制几何一致性：M x̃ = X 且 Dec(QX+g) = Q Dec(X)+g，确保回映保持 CG 几何形状和等变性。
• 用重建损失（MSD 加图基损失）和 KL 散度正则化进行训练；通过从先验抽取 z 并解码来采样。

实验结果

研究问题

• RQ1 一个概率性、等变的回映模型是否能够在捕捉 FG 不确定性的同时，从 CG 输入中恢复出真实的 FG 几何形状？
• RQ2 如何在保持几何一致性的同时，使回映与特定 CG 映射解耦？
• RQ3 提出的基准和度量是否能够在不同 CG 分辨率下可靠评估重建质量和多样性？

主要发现

• 与基线确定性方法相比，CGVAE 在重建准确性、样本质量和多样性方面表现始终优越。
• 更高分辨率的 CG 表征由于每个 CG 球体的原子数量更少，导致 FG 重建精度提高。
• 较低分辨率的 CG 表征表现出更高的样本多样性（潜在变量 z 捕获的 FG 构象空间更大）。
• 该模型对 CG 映射无关，可应用于分子动力学仿真中使用的多样 CG 映射协议。
• 使用向量、伪标量以及基于叉积的更新的等变解码提高了在构建 FG 坐标时的表达力。