| Yhteenveto: | In this work a custom graph convolutional network was succesfully constructed and
trained to predict interaction energies in molecular dynamics simulations between
Au25(SR)18 nanoclusters and BSA proteins based on their physical and chemical
features. Data from molecular dynamics simulations was used as target data in supervised learning. The performance of this model was compared to a feed forward neural
network with Weisfeiler-Lehman updates on graph form data. The energy terms
predicted were the non-bonded Lennard-Jones and Coulombic terms for the force field
used in the simulations. The models were created using the Keras Tensorflow package.
Both neural network architectures showed valid performance and the graph convolutional network based on localised spectral filters on graphs was at least as effective
as the feed forward neural network with Weisfeiler-Lehman updates. The results
show that these machine learning methods could be used in the future to improve
molecular dynamics simulations by creating a better initialization for the simulations.
To get more reliable results and generalise the models a larger data set would be
required.
Tässä tutkielmassa tutkittiin vuorovaikutusenergioiden ennustamista Au25(SR)18
nanoklusterien ja BSA-proteiinien välillä kahdella eri neuroverkkoarkkitehtuurilla.
Mallien kouluttaminen toteutettiin nanoklusterien ja proteiinien graafimuotoista
esitystä hyödyntäen. Ennustetut vuorovaikutusenergiatermit olivat Lennard-Jones ja
Coulombinen vuorovaikutusenergia simulaatioissa käytetylle voimakentälle. Ensimmäinen käytetty neuroverkkoarkkitehtuuri oli yksinkertainen eteenpäinsyöttävä malli,
jossa datan esikäsittelyssä käytettiin Weisfeiler-Lehman -päivityksiä graafiesityksen
parantamiseksi. Toinen käytetty koneoppimismalli oli graafikonvoluutioverkko, joka
perustui graafien lokalisoituihin spektraalifilttereihin. Verkot rakennettiin hyödyntämällä Keras Tensorflow -pakettia.
Molempien mallien ennustuksien ja validaatiodatan välinen suhde oli hyvin lineaarinen. Molemmat mallit toimivat siis hyvin vuorovaikutusenergioiden ennustamiseen.
Näiden tulosten pohjalta työssä käytettyä graafineuroverkkoa ja eteenpäinsyöttävää
neuroverkkoa voisi hyödyntää molekyylidynamiikkasimulaatioiden alustamisen parantamiseen tulevaisuudessa. Suurin rajoittava tekijä tutkimuksessa oli käytetyn datan
määrä. Luotettavampien tulosten saamiseksi ja mallien yleistämiseksi vaadittaisiin
suurempi määrä dataa. Datamäärän lisääminen auttaisi luotettavampien johtopäätösten muodostamiseen myös siitä, kumpi neuroverkkoarkkitehtuuri on luotettavampi
ja tehokkaampi vuorovaikutusenergioiden ennustamisessa.
|
|---|