JAMUN: Transferable Molecular Conformational Ensemble Generation with Walk-Jump Sampling

蛋白质结构的构象集合对于理解蛋白质功能以及在新型模式如隐秘口袋中的药物发现都极为重要。当前用于采样集合的技术要么计算效率低下，要么无法应用于其训练数据之外的系统。我们提出了带有通用噪声的Walk-Jump加速分子集合（JAMUN），这是朝着高效采样任意蛋白质玻尔兹曼分布目标迈出的一步。通过将Walk-Jump采样扩展到点云，JAMUN能够以比传统分子动力学或最先进的机器学习方法快几个数量级的速度生成集合。此外，JAMUN还能够预测在训练过程中未见过的小肽的稳定盆地。

该论文旨在解决蛋白质结构的构象系综采样问题，特别是如何高效地生成任意蛋白质的Boltzmann分布。当前的方法要么计算效率低下，要么无法泛化到训练数据之外的系统。

论文提出了一种名为JAMUN的新方法，通过扩展Walk-Jump采样技术到点云，实现了比传统分子动力学和最先进的机器学习方法快几个数量级的系综生成。JAMUN能够在未见训练数据的情况下预测小肽的稳定盆地，展示了其泛化能力。

1. 实验设计包括对多种蛋白质系统的测试，验证了JAMUN在速度和准确性上的优势。 2. 使用了公开的数据集，并且提供了开源代码，便于其他研究者复现和进一步研究。 3. 论文还探讨了JAMUN在药物发现中的潜在应用，特别是在识别隐秘口袋方面。

1. "Enhancing Sampling in Molecular Dynamics Simulations Using Deep Learning" 2. "Deep Learning for Protein Structure Prediction: Advances and Challenges" 3. "Accelerating Molecular Dynamics with Machine Learning Force Fields" 4. "Exploring Cryptic Pockets in Proteins for Drug Discovery"