Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
Zur Ablage hinzufügen
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  Statistically Optimal Force Aggregation for Coarse-Graining Molecular Dynamics

Krämer, A., Durumeric, A. E. P., Charron, N. E., Chen, Y., Clementi, C., & Noé, F. (2023). Statistically Optimal Force Aggregation for Coarse-Graining Molecular Dynamics. The Journal of Physical Chemistry Letters, 14(17), 3970-3979. doi:10.1021/acs.jpclett.3c00444.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/21.11116/0000-000D-C56D-B Versions-Permalink: https://hdl.handle.net/21.11116/0000-000E-3C7F-2
Genre: Zeitschriftenartikel

Dateien

einblenden: Dateien
ausblenden: Dateien
:
acs.jpclett_Krämer et al_2023.pdf (Verlagsversion), 6MB
Öffnen   Speichern
Datei-Permalink:
https://hdl.handle.net/21.11116/0000-000D-C56F-9
Name:
acs.jpclett_Krämer et al_2023.pdf
Beschreibung:
-
OA-Status:
Keine Angabe
Sichtbarkeit:
Öffentlich
MIME-Typ / Prüfsumme:
application/pdf / [MD5]
Technische Metadaten:
Öffnen
Copyright Datum:
-
Copyright Info:
© 2023 The Authors
Lizenz:
-

Externe Referenzen

einblenden:

Urheber

einblenden:
ausblenden:
 Urheber:
Krämer, Andreas , Autor
Durumeric, Aleksander E. P. , Autor
Charron, Nicholas E. , Autor
Chen, Yaoyi1, Autor                 
Clementi , Cecilia , Autor
Noé , Frank , Autor
Affiliations:
1IMPRS for Biology and Computation (Anne-Dominique Gindrat), Dept. of Computational Molecular Biology (Head: Martin Vingron), Max Planck Institute for Molecular Genetics, Max Planck Society, ou_1479666              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: Machine-learned coarse-grained (CG) models have the potential for simulating large molecular complexes beyond what is possible with atomistic molecular dynamics. However, training accurate CG models remains a challenge. A widely used methodology for learning bottom-up CG force fields maps forces from all-atom molecular dynamics to the CG representation and matches them with a CG force field on average. We show that there is flexibility in how to map all-atom forces to the CG representation and that the most commonly used mapping methods are statistically inefficient and potentially even incorrect in the presence of constraints in the all-atom simulation. We define an optimization statement for force mappings and demonstrate that substantially improved CG force fields can be learned from the same simulation data when using optimized force maps. The method is demonstrated on the miniproteins chignolin and tryptophan cage and published as open-source code.

Details

einblenden:
ausblenden:
Sprache(n): eng - English
 Datum: 2023-04-102023-04-202023-05-04
 Publikationsstatus: Erschienen
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: DOI: 10.1021/acs.jpclett.3c00444
PMID: 37079800
 Art des Abschluß: -

Veranstaltung

einblenden:

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: The Journal of Physical Chemistry Letters
  Kurztitel : J. Phys. Chem. Lett.
Genre der Quelle: Zeitschrift
 Urheber:
Affiliations:
Ort, Verlag, Ausgabe: Washington, DC : American Chemical Society
Seiten: - Band / Heft: 14 (17) Artikelnummer: - Start- / Endseite: 3970 - 3979 Identifikator: ISSN: 1948-7185
CoNE: https://pure.mpg.de/cone/journals/resource/1948-7185