從蛋白質摺疊或配體-受體結合等生物分子過程的長時間軌跡中尋找資料的低維表示是非常重要的，而動力學模型，如馬爾科夫模型已被證明在描述這些系統的動力學方面非常有用。VAMPNet是基於馬爾科夫過程的變異方法（VAMP），依靠神經網路來學習粗粒度的動力學。在本報告中，我們將VAMPNet和圖形神經網路結合起來，產生了一個端到端的框架，從長時間尺度的分子動力學軌跡中有效地學習高層次的動力學和可轉移狀態。該方法具有圖表示學習的優點，並使用圖訊息傳遞操作來生成每個資料點的嵌入，該嵌入被用於VAMPNet以生成粗粒度的表示。與標準的VAMPNet相比，這種型別的分子表徵產生了更高的解析度和更易解釋的馬爾科夫模型，使生物分子過程的動力學研究更加詳細。我們的GraphVAMPNet方法也得到了加強，它有一個注意力機制，可以找到重要的殘基，將其分為不同的可轉移狀態。
《GraphVAMPNet, using graph neural networks and variational approach to markov processes for dynamical modeling of biomolecules》
論文地址:http://arxiv.org/abs/2201.04609v1
