报告题目 (Title)：Effective energy rescaling kinetic network model: from linear regression to neural network（低频有效能量标度的动力学网络模型：从线性回归到神经网络）
报告人 (Speaker)：左光宏 研究员（国科温州研究院）
报告时间 (Time)：2023年10月23日（周一）10:45
报告地点 (Place)：校本部 E106
邀请人 (Inviter)：郭盼
主办部门：永利物理系
报告摘要：
分子动力学模拟在理解生物大分子的动力学行为和功能方面具有重要意义。对其模拟轨迹进行合理分析并提取转移网络能够揭示动力学和热力学性质，同时有效地减少计算资源的消耗。通常，分析复杂系统的动力学需要在高维空间中进行，但各个维度的重要性不同，导致“度量衡”问题。最近的研究中，我们基于谐振近似模型，通过傅里叶变换从系统总能量中提取低频有效能量，并使用它标度分析空间，无需超参数即可获得慢运动空间。首先，我们基于线性回归方法，利用有效能量对高维空间进行了重标度，然后对其中的动力学进行了聚类分析，以找到系统在不同态之间的转变关系。我们成功将该方法应用于分析外场中布朗粒子的运动和具有十二个残基的长链系统的模拟轨迹，获得了良好的结果。最近的研究还表明，有效能量与坐标之间存在非线性变化关系。因此，我们引入神经网络方法来实现空间的重标度，并用它来分析模型蛋白Chignolin的动力学行为，显著提高了有效能量与特征空间的拟合度，提高了各构象之间的区分度，从而提高了蛋白质构象的聚类分析效率。此外，我们还使用Saliency Map研究了蛋白质状态转变过程中的重要反应坐标。该方法能够有效地结合分子动力学和机器学习的优势，清晰地展现分子系统的动力学行为，对理解复杂系统的动力学轨迹至关重要。
