[论文解读] Global free energy landscapes as a smoothly joined collection of local maps

Federico Giberti, Gareth A. Tribello+1 more|arXiv (Cornell University)|Nov 16, 2020

Topological and Geometric Data Analysis参考文献 59被引用 19

一句话总结

ATLAS 是一种新颖的增强采样方法，通过高维集体变量（CV）空间中的高斯混合模型（GMM）将空间划分为局部势阱，在每个势阱内对低维主成分分析（PCA）投影应用类似温顿态的偏置。该方法通过平滑组合局部偏置，利用迭代重加权恢复无偏自由能面，显著提升了在高维势能面（如丙氨酸四肽的势能面）上的收敛速度，优于传统元动力学方法。

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.

研究动机与目标

• 克服传统增强采样方法在高维集体变量（CV）下表现受限的问题。
• 开发一种可扩展、自适应的偏置方法，即使在涉及大量 CV 时也能保持采样效率。
• 实现在无需全局低维流形的前提下，对自由能景观的精确重构。
• 在模拟过程中自动识别亚稳态并确定其局部 CV 表示。

提出的方法

• 利用模拟轨迹对高维 CV 空间进行高斯混合模型（GMM）聚类，实现局部势阱的划分。
• 通过主成分分析（PCA）为每个势阱构建低维局部表示。
• 在每个势阱内，基于局部 PCA 坐标施加类似温顿态的元动力学偏置。
• 使用指示函数根据系统当前所处的势阱开启或关闭局部偏置，确保全局偏置的平滑性。
• 通过迭代轨迹重加权（ITRE）恢复无偏玻尔兹曼分布，用于自由能与热力学性质评估。
• 在模拟过程中，随着新亚稳态的发现，迭代更新 GMM 聚类与局部 CV 表示。

实验结果

研究问题

• RQ1 采用基于局部低维 CV 表示的分而治之策略，是否能提升高维自由能景观中的采样效率？
• RQ2 ATLAS 在复杂系统中与传统温顿态元动力学相比，收敛速度与精度如何？
• RQ3 ATLAS 是否能无需预先知晓系统势能面，自动识别并适应新的亚稳态？
• RQ4 即使未在偏置中使用，ATLAS 能在多大程度上准确恢复沿传统可解释 CV（如 Rg、nH）的自由能面？
• RQ5 ATLAS 中的局部偏置框架是否能通过提供物理直观的局部动力学，支持粗粒化模型的构建？

主要发现

• 在丙氨酸四肽的六维二面角空间中，ATLAS 比传统温顿态元动力学更快收敛至参考的平均力势（PMF）。
• 在自学习算法进行五轮迭代后，ATLAS 在丙氨酸四肽系统中成功识别出九个不同的势阱，对应于明确且稳定的构象状态。
• 最占主导的势阱之间的自由能差被准确恢复，且在 100 ps 模拟时间内即实现收敛。
• 与直接使用 Rg 和 nH 作为 CV 的元动力学模拟相比，ATLAS 轨迹沿 Rg 和氢键数（nH）的重加权自由能面（FES）收敛更快。
• 平滑的分段偏置方法使系统能够快速探索 GMM 识别出的全部九个相空间区域，未出现显著采样偏差或陷阱现象。
• 迭代重新聚类能力使 ATLAS 能够随着系统探索新区域，不断优化对自由能景观的描述，展现出强大的自适应能力。