参考https://github.com/Tangcyu/Gen-COMPAS文献https://www.nature.com/articles/s41586-026-11025-1核心扩散模型 迭代增强采样committor 引导找 A↔B 过渡态 / 反应路径背景体系两个稳定态 A、B两个复合物结构。A、B 是势能面上两个极小点中间过渡态 TS 是鞍点属于稀有事件普通 MD 甚至常规增强采样很难直接采到因为势垒高自发穿越概率极低。这套方法核心思路扩散模型用来生成候选中间构象猜测路径再用 MDcommittor 函数筛选、修正、更新模型迭代收敛到真实反应通道和自由能面 FELGen-COMPAS 简要解析定位面向蛋白质稀有事件构象转变、折叠等的生成式提交概率committor引导路径采样模块化管线把扩散模型 VCN变分提交网络 MD模拟 RiteWeight重加权整合在一起用于采样跃迁路径、计算自由能面FEL。用途蛋白质稀有构象转变路径采样工具用来解决分子动力学MD很难采样到的蛋白构象跃迁A 态↔B 态用扩散模型生成蛋白中间构象 VCN 变分承诺网络学习反应坐标迭代生成过渡路径、做分子模拟、计算自由能面。核心思想稀有事件模拟难点直接MD很难采样两个稳态A↔B之间的过渡态区域。扩散模型生成大量蛋白质中间构象候选VCNVariational Committor Network学习反应坐标预测每个构象的提交概率committor q从该结构最终流向状态B的概率q≈0.5就是过渡区迭代闭环用VCN筛选靠近q0.5过渡区的生成构象作为TMD靶向分子动力学的目标跑TMD无偏MD得到新轨迹用RiteWeight对轨迹做统计重加权得到可靠自由能景观新数据回流下一轮训练扩散和VCN迭代提升采样。两轮迭代流程关键区别Iteration 0bootstrap启动轮无VCN训练扩散 → 采样构象 → kmeans聚类选代表结构 → PDB加氢/设置占有率 → NAMD跑TMD无偏MD → RiteWeight权重计算 → FEL自由能估计只用初始A/B盆地的无偏MD轨迹训练扩散做第一轮采样。Iteration ≥1committor引导轮核心训练扩散 →训练VCN→ 采样构象 →committor_slice只保留q在0.5±VCN.q_variance附近的过渡区构象作为候选 → PDB处理 → NAMD模拟 → RiteWeight → FEL用上一轮RiteWeight输出的数据训练VCN只筛选过渡态附近结构聚焦稀有跃迁路径。主要模块YAML统一配置管理Generative扩散模型SchNet注意力生成蛋白构象可逐轮调整噪声scale、训练epoch前期高噪声提升构象多样性后期降低噪声。VCN学习committor概率q_variance控制过渡区筛选窗口tau滞后时间在较宽范围结果稳健。Clustering仅第0轮使用对生成构象聚类提取代表结构。Occupancy给PDB补氢、设置原子占有率适配后续TMD可视化/模拟。NAMD调用NAMDColvars执行靶向MD(TMD)后接无偏MDTMD力常数是重点调参项不能过大造成结构畸变。RiteWeight核心重加权算法PNAS配套方法计算轨迹统计权重输出VCN训练数据区分transition_weightVCN训练与fel_weight自由能面时间对称。FEL_estimate由RiteWeight权重投影得到一维/二维加权自由能景观。运行控制特点主命令gen-compas基于yaml配置支持--dry-run预校验、--resume断点续跑、--stepwise分步暂停人工检查、单独执行/重跑单个步骤。迭代由用户指定轮次代码没有自动收敛判据需要人工检查committor切片、TMD轨迹、FEL判断是否停止。输出目录按迭代组织workflow_manifest.json记录各步骤状态作为断点恢复依据附带GUI工具gen-compas-config辅助编写/校验yaml配置。依赖与环境Python/PyTorch做AI模型MDTraj/MDAnalysis处理轨迹外部依赖NAMD≥3.0.2内置ColvarsNAMD不通过pip安装需要单独部署。提供Trp-cage蛋白demo可复现论文算例。核心调参要点TMD力常数平衡RMSD收敛和结构稳定性扩散采样噪声迭代早期大噪声扩构象多样性后期小噪声精细化采样VCN的τ滞后时间不要极端过小/过大中间区间结果不敏感评估指标不能只看生成模型loss必须看下游MD诊断TMD收敛性、committor双向一致性、多次独立运行可复现性。迭代闭环在哪一句话总结Gen-COMPAS构建迭代自增强闭环用扩散模型生成候选构象VCN锁定过渡态区域结合NAMD分子动力学RiteWeight统计重加权高效采样蛋白构象跃迁稀有事件并估计自由能面。A,B稳态初始MD轨迹 ↓ 【Iter0 Bootstrap】 train_diffusion → sample_diffusion → clustering → occupancy → NAMD(TMDMD) → RiteWeight → FEL ↓RiteWeight输出新轨迹进入闭环 【Iter≥1 Committor闭环】 train_diffusion → train_committor(VCN) → sample_diffusion → committor_slice(筛选q≈0.5) → occupancy → NAMD → RiteWeight → FEL ↑───────────────────────────────────────────────────────────────┘ RiteWeight输出回流开启新一轮迭代Iteration 0Bootstrap输出新轨迹数据进入Iteration ≥1 闭环新数据回流下一轮迭代初始数据A/B态无偏MD轨迹train_diffusion训练扩散模型sample_diffusion生成蛋白构象clustering聚类提取代表构象occupancyPDB补氢原子占有率namdTMD靶向MD 无偏MD模拟riteweightRiteWeight轨迹统计重加权fel_estimate加权自由能面FELtrain_diffusion热启动训练扩散train_committor训练VCN变分提交网络sample_diffusion扩散采样构象committor_slice筛选 q≈0.5 过渡区构象occupancyPDB补氢原子占有率namdTMD 无偏MD模拟riteweightRiteWeight重加权fel_estimate加权自由能面FEL这里有一个非常有意思的概念以及ideacommittor函数0.5概率值与鞍点区域 有某种对应这个idea可以借鉴比如说同样是蛋白质互作可以用commitor去生成一个位于两个状态之间的过渡态构象条件生成至于两个状态如何设置看你自己定义你自己定义状态A和B数据如何获取 Gen-COMPAS 蛋白质稀有构象转变路径采样工具
参考https://github.com/Tangcyu/Gen-COMPAS文献https://www.nature.com/articles/s41586-026-11025-1核心扩散模型 迭代增强采样committor 引导找 A↔B 过渡态 / 反应路径背景体系两个稳定态 A、B两个复合物结构。A、B 是势能面上两个极小点中间过渡态 TS 是鞍点属于稀有事件普通 MD 甚至常规增强采样很难直接采到因为势垒高自发穿越概率极低。这套方法核心思路扩散模型用来生成候选中间构象猜测路径再用 MDcommittor 函数筛选、修正、更新模型迭代收敛到真实反应通道和自由能面 FELGen-COMPAS 简要解析定位面向蛋白质稀有事件构象转变、折叠等的生成式提交概率committor引导路径采样模块化管线把扩散模型 VCN变分提交网络 MD模拟 RiteWeight重加权整合在一起用于采样跃迁路径、计算自由能面FEL。用途蛋白质稀有构象转变路径采样工具用来解决分子动力学MD很难采样到的蛋白构象跃迁A 态↔B 态用扩散模型生成蛋白中间构象 VCN 变分承诺网络学习反应坐标迭代生成过渡路径、做分子模拟、计算自由能面。核心思想稀有事件模拟难点直接MD很难采样两个稳态A↔B之间的过渡态区域。扩散模型生成大量蛋白质中间构象候选VCNVariational Committor Network学习反应坐标预测每个构象的提交概率committor q从该结构最终流向状态B的概率q≈0.5就是过渡区迭代闭环用VCN筛选靠近q0.5过渡区的生成构象作为TMD靶向分子动力学的目标跑TMD无偏MD得到新轨迹用RiteWeight对轨迹做统计重加权得到可靠自由能景观新数据回流下一轮训练扩散和VCN迭代提升采样。两轮迭代流程关键区别Iteration 0bootstrap启动轮无VCN训练扩散 → 采样构象 → kmeans聚类选代表结构 → PDB加氢/设置占有率 → NAMD跑TMD无偏MD → RiteWeight权重计算 → FEL自由能估计只用初始A/B盆地的无偏MD轨迹训练扩散做第一轮采样。Iteration ≥1committor引导轮核心训练扩散 →训练VCN→ 采样构象 →committor_slice只保留q在0.5±VCN.q_variance附近的过渡区构象作为候选 → PDB处理 → NAMD模拟 → RiteWeight → FEL用上一轮RiteWeight输出的数据训练VCN只筛选过渡态附近结构聚焦稀有跃迁路径。主要模块YAML统一配置管理Generative扩散模型SchNet注意力生成蛋白构象可逐轮调整噪声scale、训练epoch前期高噪声提升构象多样性后期降低噪声。VCN学习committor概率q_variance控制过渡区筛选窗口tau滞后时间在较宽范围结果稳健。Clustering仅第0轮使用对生成构象聚类提取代表结构。Occupancy给PDB补氢、设置原子占有率适配后续TMD可视化/模拟。NAMD调用NAMDColvars执行靶向MD(TMD)后接无偏MDTMD力常数是重点调参项不能过大造成结构畸变。RiteWeight核心重加权算法PNAS配套方法计算轨迹统计权重输出VCN训练数据区分transition_weightVCN训练与fel_weight自由能面时间对称。FEL_estimate由RiteWeight权重投影得到一维/二维加权自由能景观。运行控制特点主命令gen-compas基于yaml配置支持--dry-run预校验、--resume断点续跑、--stepwise分步暂停人工检查、单独执行/重跑单个步骤。迭代由用户指定轮次代码没有自动收敛判据需要人工检查committor切片、TMD轨迹、FEL判断是否停止。输出目录按迭代组织workflow_manifest.json记录各步骤状态作为断点恢复依据附带GUI工具gen-compas-config辅助编写/校验yaml配置。依赖与环境Python/PyTorch做AI模型MDTraj/MDAnalysis处理轨迹外部依赖NAMD≥3.0.2内置ColvarsNAMD不通过pip安装需要单独部署。提供Trp-cage蛋白demo可复现论文算例。核心调参要点TMD力常数平衡RMSD收敛和结构稳定性扩散采样噪声迭代早期大噪声扩构象多样性后期小噪声精细化采样VCN的τ滞后时间不要极端过小/过大中间区间结果不敏感评估指标不能只看生成模型loss必须看下游MD诊断TMD收敛性、committor双向一致性、多次独立运行可复现性。迭代闭环在哪一句话总结Gen-COMPAS构建迭代自增强闭环用扩散模型生成候选构象VCN锁定过渡态区域结合NAMD分子动力学RiteWeight统计重加权高效采样蛋白构象跃迁稀有事件并估计自由能面。A,B稳态初始MD轨迹 ↓ 【Iter0 Bootstrap】 train_diffusion → sample_diffusion → clustering → occupancy → NAMD(TMDMD) → RiteWeight → FEL ↓RiteWeight输出新轨迹进入闭环 【Iter≥1 Committor闭环】 train_diffusion → train_committor(VCN) → sample_diffusion → committor_slice(筛选q≈0.5) → occupancy → NAMD → RiteWeight → FEL ↑───────────────────────────────────────────────────────────────┘ RiteWeight输出回流开启新一轮迭代Iteration 0Bootstrap输出新轨迹数据进入Iteration ≥1 闭环新数据回流下一轮迭代初始数据A/B态无偏MD轨迹train_diffusion训练扩散模型sample_diffusion生成蛋白构象clustering聚类提取代表构象occupancyPDB补氢原子占有率namdTMD靶向MD 无偏MD模拟riteweightRiteWeight轨迹统计重加权fel_estimate加权自由能面FELtrain_diffusion热启动训练扩散train_committor训练VCN变分提交网络sample_diffusion扩散采样构象committor_slice筛选 q≈0.5 过渡区构象occupancyPDB补氢原子占有率namdTMD 无偏MD模拟riteweightRiteWeight重加权fel_estimate加权自由能面FEL这里有一个非常有意思的概念以及ideacommittor函数0.5概率值与鞍点区域 有某种对应这个idea可以借鉴比如说同样是蛋白质互作可以用commitor去生成一个位于两个状态之间的过渡态构象条件生成至于两个状态如何设置看你自己定义你自己定义状态A和B数据如何获取