入嵌入块，随后进入ViSNet块以提取和编码几何表示。这些几何表示随后通过输出块用于预测分子的能量和力。 上图b中展示了ViSNet块的结构，包括一个消息块和一个更新块。这些模块协同工作，构成了称为ViS-MP的向量标量交互消息传递机制。通过ViS-MP传递的丰富几何信息由运行时几何计算模块以线性复杂度提取。 对于每种蛋白质单元，ViSNet被训练为一个能量守恒的势能模型，能够通过预测的势能梯度导出原子间的作用力。
研究人员将蛋白质单元数据集
随机分为训练集、验证集和测试集，并在不同类型 菲律宾电报数据 的蛋白质上进行了训练和验证。训练时使用了多种优化技术来提高模型的准确性和稳定性，并利用了GPU集群进行高效的训练。 AI²BMD模拟程序 为了使用AI²BMD的势能进行模拟，该研究团队设计了一个基于原子模拟环境的AI驱动MD模拟程序。该模拟程序支持云环境，可以将计算结果定期保存到云存储，以应对长时间计算中可能出现的断点。 程序启动时，初始蛋白质结构被输入到预处理模块，在该模块中添加溶剂和离子，并对结构进行弛豫。 然后，整个模拟系统进入MD循环，即程序的核心逻辑组件。
在MD循环的每次迭代中，
蛋白质首先通过蛋白质分片模块被分解为片段，随后被分配 生成式人工智能如何帮助理解客户意图 到不同的计算服务器上进行能量和力的计算。 分片后的蛋白质片段会被工作调度器分配到不同的服务器上。用户可以根据系统规模和计算需求，调整调度策略，以最大化GPU的利用率，或平衡各GPU上的计算负载。 分片后的蛋白质片段和溶剂原子以异步方式发送到不同进程中的计算服务器。其中，ViSNet服务器负责基于AI的蛋白质片段计算，溶剂服务器负责溶剂分子的计算。 各服务器完成计算后，能量和力的结果会汇总并用于更新整个系统。 MD模拟的大突破 AI²BMD在分子动力学MD模拟领域实现了显著的突破，具体体现在以下几个方面： 1从头算精度：AI²BMD引入了一种可推广的「机器学习力场」，即一个机器学习模型，用于模拟原子和分子间相互作用，实现了全原子蛋白质动态模拟的从头算精度。 不同蛋白质在AI²BMD与分子力学MM之间能量计算误差的评估 2解决泛化问题：AI²BMD首次解决了机器学习力场在蛋白质动态模拟中的泛化难题，展示了多种蛋白质的稳健从头算MD模拟。 3通用兼容性：AI²BMD将量子力学QM建模从小的局部区域扩展到整个蛋白质结构，且无需任何蛋白质的先验知识。这一突破消除了QM和MM计算之间的潜在不兼容性，同时加速了QM区域的计算数个数量级，计算成为可能。
因而，AI²BMD为众多后续应用铺
平了道路，为复杂生物分子动态表征提供了全新的视角。 4速度 ca 手机号码所 优势：AI²BMD比DFT和其他量子力学方法快了几个数量级，支持含有超过一万个原子的蛋白质的从头算计算，使其成为跨学科领域中最快的AI驱动MD模拟程序之一。 AI²BMD、DFT及其他AI驱动模拟软件的时间消耗比较 5多样的构象空间探索：在AI²BMD和MM进行的蛋白质折叠与解折模拟中，AI²BMD能够探索更多MM无法检测的构象空间。因此，AI²BMD在药物-靶点结合、酶催化、变构调控、固有无序蛋白等过程中，提供了更多研究蛋白质灵活运动的机会。这种能力更贴合湿实验数据，并为生物机制检测和药物开发提供了更全面的解释和指导。 AI²BMD从展开结构开始折叠Chignolin蛋白，比分子力学MM达到更小的能量误差，并探索了MM无法检测到的更多构象区域 6实验一致性：AI²BMD优于QM/MM混合方法，并在
