Les chercheurs du CEST ont développé une nouvelle approche d'apprentissage automatique basée sur un espace latent à basse énergie (LOLS) et une théorie fonctionnelle de la densité (DFT) pour rechercher des conformères moléculaires.

La recherche de conformères moléculaires est un sujet de grande importance en chimie computationnelle, en conception de médicaments et en science des matériaux. Le défi consiste à identifier les conformères à faible énergie en premier lieu. Cette difficulté provient de la grande complexité des espaces de recherche, ainsi que du coût de calcul associé aux méthodes précises de chimie quantique. Dans le passé, la recherche de conformateurs prenait beaucoup de temps et de ressources informatiques.

Pour relever ce défi, le doctorant invité Xiaomi Guo, ainsi que d'autres chercheurs du CEST Lincan Fang, le professeur Patrick Rinke, le Dr Xi Chen et le professeur Milica Todorovic (Université de Turku) ont exploré la possibilité d'effectuer la recherche de conformères moléculaires dans un espace latent de faible dimension. Cette méthode utilise un auto-encodeur variationnel de modèle génératif (VAE) et biaise le VAE vers des configurations moléculaires à basse énergie pour générer des données plus informatives. De cette façon, le modèle peut apprendre efficacement la surface de potentiel à basse énergie et donc identifier les conformères moléculaires associés. Les équipes du CEST appellent leur nouvelle méthode LOLS (Low-Energy Latent Space) conformer search.

Dans un récent Journal of Chemical Theory and Computation publication, les auteurs ont testé cette nouvelle procédure LOLS sur des acides aminés et des peptides avec cinq à neuf dimensions de recherche. Les nouveaux résultats concordent bien avec les études précédentes. L'équipe a découvert que pour les petites molécules telles que la cystéine, il est plus efficace d'échantillonner les données dans l'espace réel ; cependant, LOLS s'avère plus adapté aux molécules plus grosses telles que les peptides. Les auteurs prévoient maintenant d'étendre leurs méthodes de recherche de structure à des matériaux plus complexes au-delà des molécules. + Explorer plus loin

Une nouvelle approche d'apprentissage automatique accélère la recherche de conformères moléculaires