基于粗粒化模型对有机溶剂的分子动力学模拟

在基于Boltzmann分布对四种基本构象进行Monte Carlo取样后, 通过与全原子模型的范德华势比较得到了Gay-Berne (GB)参数. 又在对用量化计算得到的分子体系的电势进行电荷、偶极矩和四极矩的拟合后, 得到了电多极展开势(EMP)参数. 利用得到的粗粒化参数, 基于粗粒化模型, 对CHCl₃及四氢呋喃(THF)两种有机溶剂进行了分子动力学模拟(MDS), 并将结果同全原子模拟进行了比较. 计算结果表明用粗粒化模型从整体上能重复全原子模型的模拟结果, 但在某些细节的计算与全原子模型有偏差, 其原因可能是目前工作仅考虑了单位点情况, 为此今后在对具有复杂结构的分子进行粗粒化模拟时还应考虑合理放置及增加相互作用位点.     

分子构象聚类中的K-means密度峰值搜索算法

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.     

三维各向同性振子的q形变及其波函数

详细分析了三维各向同性振子的三种典型的q形变形式。这三种q形变哈密顿量分别具有S₃,SU_q(2),及U_q(3)对称性。特别地,在第三种情形下给出U_q(3)?SO_q′(3)的具体实现。利用形变泛函映射,讨论了q形变振子与经典振子间的关系。     

基于TorchMD的粗粒化分子动力模拟研究

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.