Hierarchisches Deep Learning für skalierbare Molekulardynamik-Analyse

Die Analyse atomarer Trajektorien aus Molekulardynamik-Simulationen ist oft ein rechenintensives Unterfangen, insbesondere wenn keine etablierten quantitativen Merkmale vorliegen. Graph Neural Networks (GNNs) können diese Hürde überwinden, indem sie Informationen zwischen benachbarten Atomen austauschen, doch bislang waren sie bei großen Biomolekülen mit tausenden Residuen wegen Speicher- und Laufzeitbeschränkungen kaum praktikabel.

In der neuen Studie wird gezeigt, wie lokale Informationen gezielt aggregiert werden können, um Speicherbedarf und Rechenzeit drastisch zu senken, ohne atomare Details zu verlieren. Dadurch können Protein‑Nukleinsäure‑Komplexe mit mehreren tausend Residuen auf einem einzelnen GPU in wenigen Minuten analysiert werden.

Für Systeme mit einigen hundert Residuen, für die ausreichend Daten zur Verfügung stehen, demonstriert die Methode zudem eine verbesserte Leistung und eine höhere Interpretierbarkeit der Ergebnisse. Damit eröffnet das hierarchische geometrische Deep Learning einen neuen, skalierbaren Weg, komplexe molekulare Dynamiken zu untersuchen.