机构名称：
¥ 1.0
在处理生物物理学中的复杂概率时，已经提出了机器学习作为理论建模的一种替代方法。但是，从这个角度来看，我们认为更成功的方法是这两种方法的正确组合。我们讨论了来自物理建模神经元处理的想法如何导致计算神经网络的早期表述，例如Hopfield Networks。然后，我们展示了如何通过共享的能量代表来彼此相互关联的Potts模型，Boltzmann机器和Transformer架构等模型学习方法。我们总结了最新的效果，以建立这些联系，并提供有关如何整合物理建模和机器学习如何成功解决生物分子结构，动态，功能，进化和设计方面的最新问题的示例。实例包括蛋白质结构预测；分子动力学模拟的计算复杂性和准确性的提高；更好地推断了蛋白质突变的影响，从而改善了进化建模，最后机器学习如何彻底改变了蛋白质工程和设计。超越了自然存在的蛋白质序列，讨论了与蛋白质设计的连接，其中合成序列能够折叠到由植根于物理原理的模型驱动的自然存在的基序。我们表明，该模型是“可学习的”，并提出了它在可以折叠成目标结构的独特序列的生成中的未来使用。
生物物理学中的机器学习
主要关键词
相关文件推荐
