Editorial Ilmu Komputer & AI
Open AccessOA2023
OpenMM 8: Simulasi Dinamika Molekuler dengan Potensial Machine Learning
OpenMM 8 memperkenalkan dukungan untuk potensial machine learning PyTorch arbitrer, antarmuka tingkat tinggi untuk model terlatih, dan kernel CUDA yang dioptimalkan, memungkinkan simulasi akurat CDK8 dan kromofor GFP dengan biaya yang moderat.
Peter K. Eastman; Raimondas Galvelis; Raúl P. Peláez; C. Abreu; Stephen E. Farr; Emilio Gallicchio; Anton Gorenko; Mike Henry; Frank Hu; Jing Huang; Andreas Krämer; Julien Michel; Joshua A. Mitchell; Vijay S. Pande; J. P. Rodrigues; Jaime Rodríguez-Guerra; Andrew C. Simmonett; Sukrit Singh; Jason M. Swails; Philip Turner; Yuan-Qing Wang; Ivy Zhang; J. Chodera; G. de Fabritiis; T. Markland· Journal of Physical Chemistry B· 2023· DOI 10.1021/acs.jpcb.3c06662
Masalah inti
Machine learning (ML) semakin penting dalam simulasi molekuler, menawarkan potensi untuk meningkatkan akurasi sekaligus menjaga efisiensi. Toolkit dinamika molekuler OpenMM, yang banyak digunakan untuk simulasi biomolekuler, telah merilis versi 8 dengan fitur-fitur baru yang dirancang khusus untuk mendukung potensial ML. Karya ini menyajikan fitur-fitur tersebut dan menunjukkan kepraktisannya pada dua sistem uji: cyclin-dependent kinase 8 (CDK8) dan kromofor green fluorescent protein (GFP) dalam air. Motivasi utamanya adalah membuat simulasi berbasis ML dapat diakses dan efisien bagi berbagai kalangan pengguna.
Inovasi
OpenMM 8 memungkinkan model PyTorch arbitrer dimasukkan ke dalam simulasi, menghitung gaya dan energi langsung dari model. Antarmuka tingkat yang lebih tinggi menyederhanakan penggunaan fungsi potensial terlatih yang bersifat umum, memungkinkan pengguna memodelkan molekul yang diminati tanpa keahlian ML yang mendalam. Untuk mencapai kinerja tinggi, rilis ini mencakup kumpulan kernel CUDA yang dioptimalkan dan operasi PyTorch kustom. Optimasi ini mengurangi beban komputasi yang biasanya terkait dengan potensial ML, membuat simulasi praktis dengan hanya peningkatan biaya yang moderat dibandingkan force field tradisional.
Pendahuluan
Machine learning (ML) semakin penting dalam simulasi molekuler, menawarkan potensi untuk meningkatkan akurasi sekaligus menjaga efisiensi. Toolkit dinamika molekuler OpenMM, yang banyak digunakan untuk simulasi biomolekuler, telah merilis versi 8 dengan fitur-fitur baru yang dirancang khusus untuk mendukung potensial ML. Karya ini menyajikan fitur-fitur tersebut dan menunjukkan kepraktisannya pada dua sistem uji: cyclin-dependent kinase 8 (CDK8) dan kromofor green fluorescent protein (GFP) dalam air. Motivasi utamanya adalah membuat simulasi berbasis ML dapat diakses dan efisien bagi berbagai kalangan pengguna.
Mengapa penting
Integrasi potensial ML ke dalam OpenMM 8 merupakan langkah signifikan menuju penggunaan rutin ML dalam dinamika molekuler. Dengan mendukung model PyTorch arbitrer dan menyediakan antarmuka yang ramah pengguna untuk potensial terlatih, toolkit ini menurunkan hambatan bagi peneliti untuk mengadopsi simulasi berbasis ML. Optimasi kinerja memastikan bahwa peningkatan akurasi dari potensial ML datang dengan biaya yang terkelola. Karya ini memungkinkan aplikasi di masa depan dalam penemuan obat, rekayasa protein, dan bidang lain di mana pemodelan molekuler yang akurat sangat penting. Para penulis menyimpulkan bahwa fitur-fitur ini membuat penggunaan machine learning untuk meningkatkan akurasi simulasi menjadi praktis dengan biaya tambahan yang moderat.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten member…