Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Coarse-Grained Modeling Using Neural Networks Trained on Structural Data
Stockholm University, Faculty of Science, Department of Materials and Environmental Chemistry (MMK).ORCID iD: 0000-0001-5234-7848
Stockholm University, Faculty of Science, Department of Materials and Environmental Chemistry (MMK).
Stockholm University, Faculty of Science, Department of Materials and Environmental Chemistry (MMK). Stockholm University, Science for Life Laboratory (SciLifeLab).ORCID iD: 0000-0002-9390-5719
Number of Authors: 32023 (English)In: Journal of Chemical Theory and Computation, ISSN 1549-9618, E-ISSN 1549-9626, Vol. 19, no 19, p. 6704-6717Article in journal (Refereed) Published
Abstract [en]

We propose a method of bottom-up coarse-graining, in which interactions within a coarse-grained model are determined by an artificial neural network trained on structural data obtained from multiple atomistic simulations. The method uses ideas of the inverse Monte Carlo approach, relating changes in the neural network weights with changes in average structural properties, such as radial distribution functions. As a proof of concept, we demonstrate the method on a system interacting by a Lennard-Jones potential modeled by a simple linear network and a single-site coarse-grained model of methanol-water solutions. In the latter case, we implement a nonlinear neural network with intermediate layers trained by atomistic simulations carried out at different methanol concentrations. We show that such a network acts as a transferable potential at the coarse-grained resolution for a wide range of methanol concentrations, including those not included in the training set.

Place, publisher, year, edition, pages
2023. Vol. 19, no 19, p. 6704-6717
National Category
Physical Sciences Materials Chemistry
Identifiers
URN: urn:nbn:se:su:diva-223178DOI: 10.1021/acs.jctc.3c00516ISI: 001069923500001PubMedID: 37712507OAI: oai:DiVA.org:su-223178DiVA, id: diva2:1807524
Available from: 2023-10-26 Created: 2023-10-26 Last updated: 2024-03-11Bibliographically approved
In thesis
1. Development of large-scale molecular and nanomaterial models
Open this publication in new window or tab >>Development of large-scale molecular and nanomaterial models
2024 (English)Doctoral thesis, comprehensive summary (Other academic)
Abstract [en]

Molecular simulations can access unique atomic-scale information about new materials, pharmaceuticals, and biological environments, making cost-effective predictions and aiding experimental studies. They are particularly useful for describing the mechanisms of nanoscale phenomena and the biological/inorganic interfaces. However, the computational cost of molecular simulations increases with the size of the system as well as with the model complexity, which is related to the accuracy of the simulation. This thesis aims to develop efficient large-scale molecular models that capture important structural details of the atomistic simulations. In particular, we focus on the TiO2-lipid interface, which forms in the living cells, exposed to TiO2 nanomaterials, but is also relevant in the context of biomedical applications. We have studied the interface using atomistic molecular dynamics simulations and found that the characteristics of the lipid adsorption depend on the type of the TiO2 surface, lipid headgroup composition, and the presence of cholesterol. We then derive a coarse-grained molecular model of the TiO2-lipid interface to enable the large-scale simulations of TiO2 nanoparticles interacting with model cell membranes. We show that the strength of the lipid adsorption increases with the size of the nanoparticle and that a small TiO2 nanoparticle can become partially wrapped by a lipid membrane. To improve the transferability of the coarse-grained model, we design and test an artificial neural network that learns the interactions in coarse-grained water-methanol solutions from the structural data obtained in multiple reference simulations at atomistic resolution. We show that in the studied system, the neural network learns the many-body interactions and accurately reproduces the structural properties of the solution at different concentrations. 

Abstract [sv]

Molekylära simuleringar kan ge tillgång till unik information på atomnivå om nya material, läkemedel och biologiska miljöer, vilket gör det möjligt att göra kostnadseffektiva förutsägelser och underlätta experimentella studier. De är särskilt användbara för att beskriva mekanismerna för fenomen på nanoskala och de biologiska/oorganiska gränssnitten. Beräkningskostnaden för molekylära simuleringar ökar dock med systemets storlek såväl som med modellens komplexitet, vilket är relaterat till simuleringens noggrannhet. Den här avhandlingen syftar till att utveckla effektiva storskaliga molekylära modeller som fångar viktiga strukturella detaljer från de atomistiska simuleringarna. Särskilt fokuserar vi på gränssnittet mellan TiO2 och lipider, som bildas i levande celler, exponerade för TiO2-nanomaterial, men är också relevant inom biomedicinska tillämpningar. Vi har studerat gränssnittet med hjälp av atomistiska molekyldynamiksimuleringar och funnit att egenskaperna hos lipidadsorptionen beror på typen av TiO2-yta, sammansättningen av lipidhuvudgrupper och närvaron av kolesterol. Sedan härleder vi en grovkornig molekylär modell av TiO2-lipidgränssnittet för att möjliggöra storskaliga simuleringar av TiO2-nanopartiklar som interagerar med modellcellmembran. Vi visar att styrkan hos lipidadsorptionen ökar med nanopartiklens storlek och att en liten TiO2-nanopartikel delvis kan omslutas av ett lipidmembran. För att förbättra överförbarheten hos den grovkorniga modellen designar och testar vi ett artificiellt neuralt nätverk som lär sig interaktionerna i grovkorniga vatten-metanollösningar från strukturella data som erhållits i flera referenssimuleringar med atomär upplösning. Vi visar att i det studerade systemet lär sig det neurala nätverket flerkroppsinteraktioner och återger strukturegenskaperna hos lösningar med olika koncentrationer noggrant.

Abstract [ru]

Молекулярное моделирование может предоставить уникальную информацию с атомарным разрешением о новых материалах, лекарственных средствах и биологических средах, что делает его эффективным в прогнозировании и поддержке экспериментальных исследований. Особенной областью применения молекулярного моделирования является исследование процессов, происходящих на поверхности неорганических материалов, которые соприкосаются с биомолекулами. Однако, вычислительная сложность симуляций возрастает с размером моделируемой системы и сложностью модели, которая связана с точностью моделирования. Целью настоящей диссертации является разработка эффективных крупномасштабных молекулярных моделей, воспроизводящих ключевые особенности структуры молекулярных систем, полученных в ходе атомистического моделирования. В этой работе мы сосредотачиваемся на взаимодействии поверхности диоксида титана (TiO2) с молекулами липидов, которое возникает при попадании наночастиц TiO2 в живые клетки организма, что также является актуальным для биомедицинских исследований. Мы изучили взаимодействие с использованием атомистической молекулярной динамики и обнаружили, что адсорбция молекул липидов зависит от типа поверхности TiO2, функциональных групп в полярной части молекулы и присутствия холестерина. На основании полученных данных мы разработали грубозернистую молекулярную модель взаимодействия TiO2 с липидами для проведения крупномасштабных симуляций наночастиц диоксида титана, взаимодействующих с липидными мембранами, представляющих упрощённую структуру клеточных мембран. Наши симуляции показывают, что адсорбция липидов растёт вместе с радиусом наночастицы, а наночастица TiO2 с наименьшим радиусом оказывается лишь частично обёрнута липидной мембраной. Чтобы сделать полученные грубозернистые модели более универсальными, мы разработали и отладили нейронную сеть, которая учится воспроизводить взаимодействия в грубозернистых водно-метанольных растворах на основании структурных данных, полученных из нескольких атомистических симуляций. Мы демонстрируем, что в данной системе нейронная сеть учитывает многочастичные взаимодействия, что позволяет ей воспроизвести структурные свойства растворов разных концентраций с высокой точностью.  

Place, publisher, year, edition, pages
Stockholm: Department of Materials and Environmental Chemistry (MMK), Stockholm University, 2024. p. 86
Keywords
Molecular simulations, Coarse-grained models, Lipids, TiO2 surface, Machine learning
National Category
Physical Chemistry
Research subject
Physical Chemistry
Identifiers
urn:nbn:se:su:diva-227287 (URN)978-91-8014-705-7 (ISBN)978-91-8014-706-4 (ISBN)
Public defence
2024-05-03, Magnélisalen, Kemiska övningslaboratoriet, Svante Arrhenius väg 16 B and online via Zoom, public link is available at the department website, Stockholm, 14:00 (English)
Opponent
Supervisors
Available from: 2024-04-10 Created: 2024-03-11 Last updated: 2024-03-22Bibliographically approved

Open Access in DiVA

No full text in DiVA

Other links

Publisher's full textPubMed

Authority records

Ivanov, MikhailPosysoev, MaksimLyubartsev, Alexander P.

Search in DiVA

By author/editor
Ivanov, MikhailPosysoev, MaksimLyubartsev, Alexander P.
By organisation
Department of Materials and Environmental Chemistry (MMK)Science for Life Laboratory (SciLifeLab)
In the same journal
Journal of Chemical Theory and Computation
Physical SciencesMaterials Chemistry

Search outside of DiVA

GoogleGoogle Scholar

doi
pubmed
urn-nbn

Altmetric score

doi
pubmed
urn-nbn
Total: 25 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf