生物大分子过渡态搜索算法及其中的机器学习

过渡态是物理化学家理解和调控生物大分子相关功能微观机制的关键.因其存在时间极短,难以被实验手段捕捉,全面刻画其结构必须通过物理定律驱动的模拟计算搜索予以实现.然而,与化学反应过程只涉及少量原子不同,生物大分子的功能性构象变化所涉的原子和坐标数量巨大,搜索其过渡态将不可避免地遭遇维数灾难,即反应坐标问题,因而催生了多种应对策略和算法.同时,随着近年来新型机器学习算法的大量涌现和日臻成熟,融入机器学习范式的过渡态搜索算法也已出现.本文首先回顾和梳理过渡态搜索代表性算法的设计思想,包括依赖集合变量的温和爬升动力学(gentlest ascent dynamics,GAD)、有限温度弦方法(finite temperature string,FTS)、快速断层扫描法(fast tomographic)、基于旅行商的自动路径搜索算法TAPS,以及过渡路径采样法(transition path sampling,TPS).然后,重点介绍TPS与强化学习融合而成的新型路径采样算法,解析强化学习在其中的作用,并厘清其适用场景.最后,我们提出一种将降维算法与GAD深度融合的新构想,讨论研发可保留过渡态信息的新型降维算法的必要性及可行性.