Maschinelles Lernen für die Medizin: Beschleunigung der Metadynamik von supramolekularen Wirt-Gast-Komplexen für Therapie und Bildgebung
MiAMI
Zusammenfassung
Im Zusammenhang mit dreidimensionalen porösen supramolekularen Materialien (Metallkäfigen) versprechen Berechnungsmethoden eine Beschleunigung des anspruchsvollen Prozesses des Entwurfs und der Optimierung ihrer Wirt-Gast-Chemie und Verkapselungseigenschaften. Unter den möglichen atomistischen Simulationsansätzen hat sich die Metadynamik (metaD) als sehr leistungsfähig erwiesen. Allerdings ist die Wahl der chemischen Deskriptoren auf hoher Ebene, d. h. der kollektiven Variablen (CVs), zur Beschleunigung der numerischen Berechnung für komplexe Systeme nicht trivial. Um den Prozess der Identifizierung der CVs zu automatisieren, wenden wir hier verschiedene Algorithmen des maschinellen Lernens auf die metaD-Simulation von Metallkäfigen an, die für biomedizinische Anwendungen, einschließlich der Verabreichung von Medikamenten, der Bildgebung und der Therapie, entwickelt wurden.