High-Dimensional Neural Networkモデルによる汎用的な粗視化AI力場の構築

• Item type: SIG Technical Reports(1)
• 公開日: 2024-11-27
• タイトル: High-Dimensional Neural Networkモデルによる汎用的な粗視化AI力場の構築
• タイトル / 言語: en
• タイトル: Development of a Generalized Coarse-Grained AI Force Field using a High-Dimensional Neural Network
• 言語: jpn
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 富士通株式会社
• 著者所属: 富士通株式会社
• 著者所属: 富士通株式会社
• 著者所属: 富士通株式会社
• 著者所属: 国立研究開発法人理化学研究所
• 著者所属: 国立研究開発法人理化学研究所
• 著者所属: 京都大学／国立研究開発法人理化学研究所
• 著者所属(英): en
• 著者所属(英): Fujitsu Limited
• 著者所属(英): en
• 著者所属(英): Fujitsu Limited
• 著者所属(英): en
• 著者所属(英): Fujitsu Limited
• 著者所属(英): en
• 著者所属(英): Fujitsu Limited
• 著者所属(英): en
• 著者所属(英): RIKEN Center for Computational Science
• 著者所属(英): en
• 著者所属(英): RIKEN Center for Computational Science
• 著者所属(英): en
• 著者所属(英): Kyoto University / RIKEN Center for Computational Science
• 著者名: 山田, 芙夕楓; 大山, 洋介; 長坂, 侑亮; 奥野, 伸吾; 金田, 亮; 徳久, 淳師; 奥野, 恭史
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 高精度なエネルギー予測はタンパク質ダイナミクスの解明に不可欠であり，機械学習を用いた AI 力場の開発が注目されている．しかしながら，既存の AI 力場ではタンパク質の種類ごとに個別の学習データとモデルが必要となり，汎化性能に関する課題が存在する．本研究では，新規タンパク質の全原子エネルギー予測可能な汎用的な粗視化 AI 力場を開発した．複数種のタンパク質の大規模構造データと単一の高次元ニューラルネットワークを用いて学習を行う手法を提案した．またメモリ容量制限を超えるデータセットに対応可能な新規データ読み出し方法を提案した．結果，AlphaFold ShortMD データセットにおいては相関係数（R値）0.82，Enhanced MD Sampling データセットにおいては R 値 0.74 という高い予測精度を実現した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Accurate energy prediction is crucial for understanding protein dynamics, leading to significant interest in the development of machine-learning based AI force fields. However, existing AI force fields require individual training data and models for each protein type, resulting in challenges regarding generalization performance. This study presents a generalized coarse-grained AI force field capable of predicting all-atom energies of novel proteins. We propose a training method using a large-scale structural dataset of multiple protein types and a single high-dimensional neural network. Furthermore, a novel data reading method is proposed to handle datasets exceeding memory capacity limitations. The resulting model achieved high prediction accuracy, with correlation coefficients (R-values) of 0.82 and 0.74 for the AlphaFold ShortMD and Enhanced MD Sampling datasets, respectively.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA12055912
• 書誌情報: 研究報告バイオ情報学（BIO）; 巻 2024-BIO-80, 号 14, p. 1-9, 発行日 2024-11-27
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8590
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会