排序方式： 共有3条查询结果，搜索用时 7 毫秒
1
1.
分子构象的聚类是搜索分子动力学模拟轨迹中代表构象的主要方法。 它是分析复杂构象改变或分子间相互作用机制的关键步骤. 作为一种基于密度的聚类算法,密度峰值搜索算法因其聚类的准确度而被应用于分子聚类过程中. 但随着模拟时长的增长,密度峰值搜索算法较低的计算效率限制了其应用的可能. 本文提出K-means密度峰值搜索算法的聚类算法,它是密度峰值搜索算法在计算效率方面的一个扩展版本,用于解决密度峰值搜索算法中巨大的资源消耗问题. 在K-means密度峰值搜索算法中,首先,通过高效的聚类算法(例如K-means)进行初始聚类,得到的聚类中心被定义为具有权重的典型点. 然后,对加权的典型点通过密度峰值搜索算法实现二次聚类,并细化点为核心点、边界点、加细光晕点. 在与密度峰值搜索算法具有相似的精度的同时,计算复杂度由O(n2)降至O(n). 通过二面角,二级结构,关联图描述的分子构象,将KFDP用于多个模拟轨迹的聚类过程中. 并通过与K-means聚类算法,DBSCAN聚类算法的比较结果,验证了K-means密度峰值搜索算法的优势. 相似文献
2.
分子的相互作用在分子动力学模拟过程中起着关键的作用. 受限于计算资源,大分子的长时间尺度的相互作用能无法通过量化计算实现. 本文采用一种深度学习框架-深度张量神经网络来预测三个有机分子相关体系中量化精度的相互作用能. 其中,分子的几何结构和原子类型作为网络的输入用于预测相互作用能. 通过分层生成的数据集合实现了网络中隐层参数的优化和训练. 相互作用能的预测结果显示,深度张量神经网络可以在较短的时间内,在1 kcal/mol的平均绝对误差的范围内准确预测分子间的相互作用能. 这一过程提高了计算效率,并为计算相互作用能提供了可靠的计算框架. 相似文献
3.
粗粒化模型通过简化原子性质以及原子间的相互作用实现生物大分子长时间尺度的分子动力学模拟. 深度学习通过模拟人类的认知过程实现海量数据的准确分类和回归过程. 本论文将这两种技术进行融合,利用基于深度学习的粗粒化分子动力学模拟技术研究分子在不同状态之间的变化过程,并提出基于TorchMD的分子动力学模拟的分析框架. 在本工作中,MFDP聚类算法被用于在三维的CV变量空间中进行聚类,并确定分子的若干主要状态,在完成聚类的同时,给出各类中的代表分子构象,并给出类之间的分子构象. 这为后续利用String算法分析分子在不同状态间的转换路径打下基础. 通过String算法,迭代搜索得到分子在不同状态之间的变化路径以及对应的势能变化曲线. 通过与已有文献的结果进行对比,验证了基于TorchMD的粗粒化分子动力学模拟的理论框架可以在相对较短的时间尺度里研究分子的变化过程. 相似文献
1