Moleküler dinamik simülasyonları, protein katlanması ve ilaç etkileşimleri gibi kritik biyolojik süreçleri anlamak için vazgeçilmez araçlardır. Ancak geleneksel tüm-atomik (AA) yöntemler, büyük moleküler sistemlerde çok yavaş kalıyor ve uzun zaman ölçeklerindeki olayları simüle etmekte zorlanıyor.
Araştırmacılar bu sorunu çözmek için kaba-grenli (CG) moleküler dinamik yöntemlerini geliştirmiş durumda. Bu teknikler, atomik detayları azaltarak simülasyon hızını artırıyor, ancak mevcut yapay zeka tabanlı CG potansiyeller sadece serbest enerji yüzeyinin gradyanını yakalıyor ve eğrilik bilgisini ihmal ediyordu.
Yeni geliştirilen çerçeve, bu eksikliği gidermek için force matching yöntemini stokastik Hessian-vektör çarpım (HVP) eşleştirmesiyle güçlendiriyor. Bu yaklaşım, tam Hessian matrisini hesaplamadan ikinci dereceden eğrilik bilgisini CG potansiyellerine entegre ediyor.
Sistem, hedef CG Hessian'ı iki bileşene ayırıyor: eğitim öncesi bir kez hesaplanan model-bağımsız projeksiyon AA Hessian'ı ve çevrimiçi olarak düşük maliyetle hesaplanan model-bağımlı kovaryans düzeltmesi. Rastgele prob vektörleri kullanarak objektif fonksiyonun tarafsız stokastik tahminleyicisi oluşturuluyor.
Dokuz hızlı katlanan protein üzerinde yapılan karşılaştırmalı testlerde, yeni yöntemin geleneksel force matching tekniklerine göre belirgin üstünlük sağladığı kanıtlandı. Bu gelişme, biyomoleküler simülasyonlarda daha doğru ve verimli modelleme imkanı sunuyor.