Microsoft AI Research presenta un nuevo marco de aprendizaje profundo llamado Distributional Graphormer (DiG) para predecir la distribución de equilibrio de sistemas moleculares.

Microsoft AI Research presenta DiG, un nuevo marco de aprendizaje profundo para predecir la distribución de equilibrio de sistemas moleculares.

La estructura de una molécula dicta sus propiedades y funciones. Por eso, la predicción de estructuras es un problema importante en la ciencia molecular. Los científicos moleculares están celebrando la precisión revolucionaria de enfoques de aprendizaje profundo como AlphaFold y RoseTTAFold en la identificación de las estructuras más probables para las proteínas a partir de sus secuencias de aminoácidos. Sin embargo, la predicción estructural solo puede proporcionar una imagen parcial de la función de una proteína, y este método solo entrega una única instantánea.

La investigación reciente de Microsoft presenta Distributional Graphormer (DiG), un nuevo marco de aprendizaje profundo para la predicción de estructuras de proteínas basado en distribuciones de equilibrio. Espera resolver este problema fundamental y darle un impulso a la ciencia molecular. DiG es un gran avance en la modelización de conjuntos de estructuras según distribuciones de equilibrio, en lugar de solo una. Debido a su capacidad para anticipar distribuciones, se pueden aplicar a sus aspectos macroscópicos la mecánica estadística y la termodinámica, que regulan los sistemas moleculares a nivel microscópico.

DiG mejora su trabajo anterior, Graphormer, un transformador de gráficos de propósito general que puede describir con precisión estructuras moleculares, para proporcionar un nuevo enfoque en la predicción de distribuciones. DiG, una versión mejorada de Graphormer, ahora puede predecir directamente la distribución objetivo a partir de descriptores moleculares fundamentales mediante el uso de redes neuronales profundas, una capacidad nueva y poderosa.

• ChatGPT obtiene una puntuación en el 1% superior en la prueba de creatividad humana
• Una forma sencilla de mejorar las entrevistas de ciencia de datos
• Este documento de IA evalúa la capacidad de los LLM para adaptarse a nuevas variantes de tareas existentes

Se basa en el concepto de recocido simulado, una técnica bien establecida en termodinámica y optimización que ha inspirado la creación de modelos de difusión que han llevado a avances significativos en el campo del contenido generado artificialmente (CGAA) en los últimos años. A través de la modelización de un proceso de recocido, una distribución simple se va refinando gradualmente para construir una distribución compleja permitiendo que explore y se estabilice en los estados más probables. DiG es un marco de aprendizaje profundo para sistemas moleculares que simula este procedimiento. Los modelos de difusión, originados en la mecánica estadística y la termodinámica, se utilizan con frecuencia como base para modelos de CGAA.

Utilizando Graphormer para convertir una distribución simple en una distribución compleja, DiG se basa en la difusión. Los datos o información utilizados para entrenar a DiG son flexibles. Al minimizar la diferencia entre las probabilidades basadas en la energía y las probabilidades predichas por DiG, las funciones de energía de los sistemas moleculares pueden ser utilizadas por DiG para guiar la transformación. Para enseñar a DiG, este método puede aprovechar el conocimiento existente del sistema.

A través de una serie de tareas de muestreo molecular que abarcan una amplia variedad de sistemas moleculares, incluyendo proteínas, complejos proteína-ligando y sistemas catalizador-adsorbente, el equipo demuestra la eficacia y promesa de DiG. Los resultados muestran que DiG no solo produce de manera eficiente y económica estructuras moleculares realistas y variadas, sino que también proporciona estimaciones de densidades de estados, que son esenciales para el cálculo de atributos macroscópicos utilizando la mecánica estadística.

El equipo cree que DiG representa un gran avance en el análisis cuantitativo de moléculas microscópicas y en la predicción de sus características macroscópicas, abriendo el camino a muchas nuevas líneas de investigación fascinantes en la ciencia molecular.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!