在生成空间中学习隐式偏差以加速蛋白质动力学模拟

arXiv:2606.01833v2 公告类型：替换 摘要：蛋白质动力学的生成式模拟器能够以分子动力学一小部分的成本生成合理的轨迹，但它们会继承训练分布，并且在长时域外推过程中往往会重复访问已知状态，而不是到达稀有状态。受经典增强采样的启发，我们在预训练模拟器的生成空间中引入一种隐式的、依赖历史的偏差。具体而言，历史感知评分估计器通过距离加权偏差增强冻结的模拟器，引导反向时间采样远离此前生成的结构，并通过环境支持项进行正则化。为在长时域内保持结构有效性，我们采用基于评分的细化步骤，利用冻结的模拟器将漂移后的样本重新投影到数据流形上。实验表明，该方法：（i）在 DynamicPDB-80 上将多样性提升了 $35\%$；（ii）对于 $12$ 个零样本 Fast-Folding 蛋白，仅使用学习到的偏差，就能以高达约 ${\sim}15\times$ 的速度达到无偏模拟器的覆盖范围；将其与细化步骤结合后，达到该覆盖范围的速度最高提升至约 ${\sim}37\times$，同时覆盖的低能量状态数量增加至约 ${\sim}3\times$。代码即将发布。