- 3 次围观
弹性网络模型（Elastic Network Models，ENMs），尤其是高斯网络模型（Gaussian Network Model，GNM）及其距离加权变体（mENM），能够以较低的计算成本基于 Cα 接触图预测逐残基蛋白质柔性。其核心局限在于假设弹簧常数均一，忽略了各个残基接触的化学身份、埋藏深度以及进化保守性。我们提出可学习图网络模型（Learnable Graph Network Model，LGNM），这是一种异质 ENM，其中每条边的弹簧常数由基于物理约束的图神经网络（Graph Neural Network，GNN）所预测的逐残基柔性系数参数化。该 GNN 使用来自 ATLAS 数据库中 413 个蛋白质的分子动力学（Molecular Dynamics，MD）导出的均方根波动（Root-Mean-Square Fluctuation，RMSF）谱进行训练，并采用 fold-disjoint 的 CATH 超家族划分。该学习目标是量子神经偏微分方程（Quantum Neural PDE，QNPDE）哈密顿量学习框架的一个实例，其中 K = 3 种算子类型使得量子梯度计算具有 O(K) 复杂度。在 91 个留出的测试蛋白上，LGNM 的按蛋白平均 Pearson 相关系数 r 达到 0.8549，而 mENM 为 r = 0.8024。该方法的实现已发布于 https://lgnm.compbiosysnbu.in/ ，供研究人员评估蛋白柔性及其下游过程。关键词：蛋白柔性；弹性网络模型；物理约束图神经网络；残基波动。
可学习图网络模型（LGNM）：一种具有量子哈密顿量学习的物理约束图神经网络 | bioRxiv
跳转至主要内容
首页 关于 投稿 提醒 / RSS 搜索此关键词 高级搜索 新结果
可学习图网络模型（LGNM）：一种具有量子哈密顿量学习的物理约束图神经网络
查看 ORCID 个人主页 Bhuwan Sharma ， 查看 ORCID 个人主页 Chiranjib Sarkar
doi： https://doi.org/10.64898/2026.07.14.738428
Bhuwan Sharma 北孟加拉大学 在 Google Scholar 上查找此作者 在 PubMed 上查找此作者 在持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。 其依据 CC-BY 4.0 国际许可协议公开提供。
返回顶部 上一页 下一页 发布于 2026 年 7 月 20 日。 下载 PDF 电子邮件 感谢您有兴趣传播有关 bioRxiv 的信息。 您的电子邮件 * 您的姓名 * 发送至 * 输入多个地址时，请分行输入或用逗号分隔。 您将要通过电子邮件发送以下内容 可学习图网络模型（LGNM）：具有量子哈密顿量学习的物理约束图神经网络 邮件主题 （您的姓名）已从 bioRxiv 转发了一个页面给您 邮件正文 （您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。 您的个人留言 验证码 此问题用于测试您是否为人类访问者，并防止自动化垃圾信息提交。 分享 可学习图网络模型（LGNM）：具有量子哈密顿量学习的物理约束图神经网络 Bhuwan Sharma，Chiranjib Sarkar bioRxiv 2026.07.14.738428； doi： https://doi.org/10.64898/2026.07.14.738428
分享本文： 复制 引文工具 可学习图网络模型（LGNM）：具有量子哈密顿量学习的物理约束图神经网络 Bhuwan Sharma，Chiranjib Sarkar bioRxiv 2026.07.14.738428； doi： https://doi.org/10.64898/2026.07.14.738428
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.14.738428v1?rss=1
🏷️ 蛋白质柔性 弹性网络模型 图神经网络 量子哈密顿量学习 分子动力学