文献

J-GLOBAL ID：201302294826181182   整理番号：13A1335506

蛋白質構造のダイナミクスのマルコフ状態モデルのための力学的距離の計量の学習

Learning Kinetic Distance Metrics for Markov State Models of Protein Conformational Dynamics

著者 (2件)： MCGIBBON Robert T. (Stanford Univ., California) ,  PANDE Vijay S. (Stanford Univ., California)
資料名： Journal of Chemical Theory and Computation  (Journal of Chemical Theory and Computation)
巻： 9  号： 7  ページ： 2900-2906  発行年： 2013年07月 
JST資料番号： W2328A  ISSN： 1549-9618  CODEN： JCTCCE  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 分子動力学シミュレーションは複雑な分子過程を探る強力な方法である。性能の向上で計算機システムは凝集をミリ秒シミュレーションデータを収集できる。この大量のデータを解析するのにMarkov状態モデル(MSM)が使用され,明確な構造空間の間で記憶のないジャンプ過程として系のダイナミクスをモデル化している。MSMの優位性はあるが,RMSDのような純粋の幾何学の基準で構造空間を明確化することが進められている。遅い構造変化の分子動力学を記述する計量法が不充分である。そこで,MDデータから構造をクラスター化する力学的距離の計量の学習アルゴリズムを開発した。このモデルは温度ジャンプでの3重項間のエネルギー移動とFRETの実験結果の予測にも使用できる。この力学的区別的な計量学習(KDML)により,距離の計量を最適化し,正確なマルコフ状態をモデルを限られたシミュレーションデータから構築することかできた。

シソーラス用語： *確率モデル ,  *計算機シミュレーション ,  *分子構造 ,  学習アルゴリズム
準シソーラス用語： Markovモデル ,  ダイナミックシミュレーション ,  計量法 ,  構造変化 ,  蛋白質構造 ,  分子動力学シミュレーション

分類 (3件)： 計算機シミュレーション  (JE11000H) ,  分子構造  (EB03020Y) ,  理論生物学一般  (EA02010D)

タイトルに関連する用語 (5件)： 蛋白質構造 ,  ダイナミクス ,  力学 ,  計量 ,  学習