Applications of machine learning in molecular simulations : Transcending barriers

Doerr, Stefan

Applications of machine learning in molecular simulations : Transcending barriers

Document Type

Doctoral thesis
Published Version

Author

Doerr, Stefan

Director

De Fabritiis, Gianni

Publication Date

2016-09-16

Pages

115 p.

Citation

Doerr, S. Applications of machine learning in molecular simulations : Transcending barriers. Universitat Pompeu Fabra; 2016. handle: http://hdl.handle.net/10803/459000

This citation was generated automatically.

Doctoral program

Programa de doctorat en Biomedicina

Abstract

Molecular dynamics has established itself over the last years as a strong tool for structure-based molecular investigation in biology. Stefan Doerr's thesis concerns the application of machine learning methods to molecular dynamics data. The goal is twofold. To improve the sampling capabilities of molecular dynamics to allow for slower and more interesting biological processes to be studied and to improve the reproducibility, accessibility and power of molecular dynamics through the development of the required software tools. A great improvement in sampling speed is achieved in this thesis through the application and development of adaptive sampling methods. These allow the computer to build a model based on knowledge gathered from previous simulations and sample the configurational space in a more intelligent manner. On the other hand, through the development of the HTMD software which provides a unified framework for molecular discovery, the reproducibility of molecular experiments is increased, the access to MD research is simplified for new scientists and experiments can be easily performed in a high-throughput manner.
La dinámica molecular se ha establecido durante los últimos años como una herramienta importante para la investigación estructural molecular en biología. La tesis de Stefan Doerr trata sobre la aplicación de métodos de aprendizaje automático a datos de simulaciones de dinámica molecular. Los objetivos de la tesis son dos. La mejora de la capacidad investigadora de procesos lentos en biología mediante dinámica molecular y el aumento de la reproducibilidad, accesibilidad y potencia de la dinámica molecular a través del desarrollo de las herramientas respectivas de software. En esta tesis se expone una gran aceleración de muestreo mediante el uso de métodos de muestreo adaptativos. En estos métodos, el ordenador puede construir un modelo basado en las simulaciones y muestrear el espacio configuracional de manera más inteligente. Por otra parte, a través del desarrollo del software HTMD, que provee una estructura unificada para descubrimiento molecular, se incrementa la reproducibilidad de la investigación con simulaciones moleculares, se reduce la curva de aprendizaje de la dinámica molecular para investigadores noveles y se simplifica el trabajo con simulaciones de alto rendimient

Keywords

Dinàmica molecular, Aprendizaje automático, Muestreo adaptativo, Reducción de dimensiones, Simulación, Molecular dynamics, Machine learning, Adaptative sampling, Dimensionality reduction, Simulation