《Current Opinion in Structural Biology》：Graph neural networks for molecular dynamics simulations
編輯推薦：
圖神經網絡（GNNs）作為分子動力學（MD）模擬的新型工具，通過原子交互圖結構學習量子級準確力場，自動發現增強采樣的關鍵變量，并加速長時程模擬。GNNs還能解析高維軌跡，揭示隱藏結構模式，應用于蛋白質-DNA組裝、預訓練特征化和隱秘口袋發現，顯著提升生物分子模擬的效率和機制解析能力。
Mohd Ahsan|Chinmai Pindi|Souvik Sinha|Amun C. Patel|Giulia Palermo
加州大學河濱分校生物工程系，美國加利福尼亞州河濱市大學大道900號，郵編52512
圖神經網絡（GNNs）正成為推進分子動力學（MD）模擬的強大工具，它們提供了數據驅動的框架，以補充傳統的基于物理的方法。通過將原子及其相互作用表示為圖，GNNs能夠自然地編碼化學和結構信息，從而實現基于量子數據的精確神經網絡力場訓練、自動發現用于增強采樣的集體變量，以及高效預測原子力以延長模擬時間尺度。除了推動MD的發展外，GNNs還便于分析高維軌跡，通過注意力機制或可轉移的嵌入提供可解釋的洞察力。諸如蛋白質-DNA組裝、預訓練的特征提取器和隱秘口袋發現等應用展示了GNNs的廣泛用途，突顯了它們在轉變生物分子模擬和加速機制與轉化發現方面的潛力。
章節摘錄
用于MD模擬的GNN基礎
GNNs作為一種強大的架構，用于構建機器學習力場（MLFFs），能夠在保持經典力場效率的同時達到量子級別的準確性[10]。與傳統依賴于預定義功能形式的力場不同，基于GNN的力場直接從高級量子力學數據中學習原子構型與其相關能量和力之間的復雜關系。通過將分子表示為圖，GNNs自然地融入了局部性特征，
利用GNN增強采樣并加速MD模擬
GNNs在分子模擬的兩個關鍵領域展示了巨大潛力：識別用于增強采樣的低維集體變量（CVs）以及預測原子力以加速MD模擬。這些進展直接解決了計算（生物）分子科學中的核心挑戰，包括在復雜系統中定義物理意義上的集體變量，以及與長時間尺度動態評估相關的高計算成本。
用于MD模擬分析的GNN
在這里，我們重點介紹了基于圖表示的新興GNN架構，這些架構最近被用于解析轉座蛋白TnsC在雙鏈DNA（dsDNA）上的組裝生物物理機制[13]。作為一種新興的基因組編輯方法，RNA引導的DNA轉座越來越多地利用深度學習來解析復雜的功能動態，并實現高效插入工具的精確工程[40]。其中，圖注意力機制尤為重要
結論
GNNs通過提供數據驅動的框架，正在迅速改變生物分子模擬的領域，補充并擴展了傳統的基于物理的方法。從實現量子級精確的神經網絡力場和自動發現集體變量，到加速MD模擬以及揭示高維數據中的隱藏結構或動態模式，GNNs在整個模擬流程中展現了其多功能性。重要的是，最近的進展突顯了它們的兩個關鍵優勢：
作者貢獻
MA、CP、SS和ACP參與了手稿的撰寫和圖表的準備工作。GP提出了綜述思路，并參與了撰寫和圖表準備。
利益沖突聲明
作者聲明他們沒有已知的可能會影響本文所報告工作的競爭性財務利益或個人關系。
致謝
本材料基于以下機構的支持：國家衛生研究院（資助編號：R01GM141329）和國家科學基金會（資助編號：CHE-2144823）。GP還感謝斯隆基金會（資助編號：FG-2023-20431）和Camille和Henry Dreyfus基金會（資助編號：TC-24-063）的支持。
