Accoppiamento di Machine Learning e Dinamica Molecolare: applicazioni di reti neurali a simulazioni in solvente implicito di proteine = Coupling Machine Learning and Molecular Dynamics: application of neural networks to implicit solvent simulations of proteins

L’applicazione di algoritmi di machine learning (ML) nell’ambito della dinamica molecolare (MD) è un campo di ricerca in continua espansione, pieno di sfide da affrontare ma che promette, grazie ai continui progressi, di rivoluzionare il modo con cui le molecole sono studiate in silico. In questo lavoro si è scelto di utilizzare i risultati di simulazioni MD di proteine per la costruzione di modelli surrogati di ML basati su reti neurali. Le reti neurali sono state utilizzate per predire proprietà legate all’evoluzione nel tempo della proteina simulata, ad esempio le coordinate degli atomi dopo un certo numero di passi di integrazione, le forze istantanee agenti su una conformazione specifica e le forze medie. Il lavoro si è concentrato sullo studio di simulazioni in solvente implicito di due peptidi: (AAQAA)3 e dialanina. Le simulazioni MD hanno permesso di ottenere ampi dataset, che sono poi stati utilizzati per l’allenamento delle reti neurali. Particolare attenzione è stata rivolta al garantire l’invarianza alla traslazione e alla rotazione degli input della rete neurale. Si è poi monitorata la capacità predittiva dei vari modelli ML implementati tramite l’utilizzo di strumenti, come le curve di apprendimento, che hanno consentito anche l’ottimizzazione degli iperparametri delle reti neurali. I risultati hanno evidenziato prestazioni nettamente migliori per le reti neurali aventi come obiettivo quello di predire le forze istantanee agenti su ciascuna conformazione proteica. I valori di forza predetti sono stati poi utilizzati per costruire delle corrispondenti strutture proteiche, che hanno mostrato un’ottima somiglianza con le conformazioni proteiche realmente simulate dall’algoritmo MD.