Development of a fast molecular dynamics simulation method using deep learning
Project/Area Number |
22K17993
|
Research Category |
Grant-in-Aid for Early-Career Scientists
|
Allocation Type | Multi-year Fund |
Review Section |
Basic Section 62010:Life, health and medical informatics-related
|
Research Institution | Tokyo Medical and Dental University |
Principal Investigator |
林 周斗 東京医科歯科大学, 難治疾患研究所, プロジェクト准教授 (30902332)
|
Project Period (FY) |
2022-04-01 – 2025-03-31
|
Project Status |
Granted (Fiscal Year 2022)
|
Budget Amount *help |
¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000)
Fiscal Year 2024: ¥650,000 (Direct Cost: ¥500,000、Indirect Cost: ¥150,000)
Fiscal Year 2023: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2022: ¥2,860,000 (Direct Cost: ¥2,200,000、Indirect Cost: ¥660,000)
|
Keywords | 深層学習 / 分子動力学シミュレーション / タンパク質 / 機械学習 |
Outline of Research at the Start |
タンパク質が持つ機能を解析するため、分子動力学シミュレーションによりタンパク質立体構造のダイナミクスを解析する研究が広く行われている。しかしながら、分子動力学シミュレーションには大きな計算コストを必要とするという問題点があり、大規模・網羅的なシミュレーションを行うにはスーパーコンピュータを用いても膨大な時間を要する。そこで本研究では、深層学習をベースとしたデータ駆動型のアプローチを用いることで分子動力学シミュレーションを高速に行う手法を開発し、効率的な大規模・網羅的シミュレーションの実現を目指す。
|
Outline of Annual Research Achievements |
深層学習を用いた高速分子動力学シミュレーション手法の開発に関して以下の成果を得た。 1. 学習データセットの準備:さまざまなタンパク質に対して古典分子動力学シミュレーションを実行し、深層学習モデルのための学習データセットを作成した。分子動力学シミュレーションに入力する初期立体構造としてAlphaFold2(Jumper, J. et al., Nature, 2021)を用いて計算されたタンパク質立体構造を利用した。 2. 深層ニューラルネットワークの開発:高速な分子動力学シミュレーションを目的とした深層ニューラルネットワークの開発を行った。具体的にはタンパク質原子の各座標・速度・力・原子種を入力として、一定時間後の座標・速度・力を予測する深層ニューラルネットワークを構築した。力学には回転同変性、鏡映同変性、平行移動同変性、置換同変性が存在するため、これらの同変性を備えた深層ニューラルネットワークを設計した。またシミュレーションの高速化のため、本モデルは溶媒原子を入力として受け取らず、溶媒原子がタンパク質原子に及ぼす相互作用も同時に学習させた。 3. 深層ニューラルネットワークの学習:1で取得した学習データセットを用いて、64フェムト秒後の座標・速度・力を予測する深層ニューラルネットワークの学習を行った。ベンチマークデータセットを用いた検証を行い、このモデルが10^(-2)オングストロームスケールの精度、および約20倍の高速化を達成していることを確認した。
|
Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
深層ニューラルネットワークの構築、および学習に必要なデータセットの取得は概ね完了した。また、ベンチマークデータセットを用いた検証により、このモデルの有用性を評価することができた。
|
Strategy for Future Research Activity |
本研究で開発した深層ニューラルネットワークを用いて長時間の分子動力学シミュレーションを行うためには、モデルにより推論された原子座標・速度・力を再度モデルに入力するという操作を何度も繰り返す必要がある。しかしながら、一般的にこのような操作を行うと推論結果は不安定になり分子構造の破綻を招く。そのため、今後の研究では分子構造を安定に保ったままシミュレーションを行うことのできる技術の開発を目指す。
|
Report
(1 results)
Research Products
(1 results)