启动晶体结构预测|OA|GN模型|计算老本比基于DFT方法低三个数量级|数据库 (启动晶体结构是什么)

本文目录导航：

• 「数据库+GN模型+OA」启动晶体结构预测，计算老本比基于DFT方法低三个数量级
• 布鲁克海文蛋白质数据库文件结构

「数据库+GN模型+OA」启动晶体结构预测，计算老本比基于DFT方法低三个数量级

晶体结构预测（CSP）旨在应用给定分子（包括中性分子和离子）的结构预测在特定温度和压力条件下的热稳固性最佳晶体结构。

这一迷信畛域常年存在应战，近期，龚新高院士与尹万健传授率领的钻研团队，驳回了一种机器学习方法，联合图网络（GN）和提升算法（OA），在数据库中建设了晶体结构与构成焓之间的相关模型，减速寻觅具备最低构成焓的晶体结构。

该钻研以“应用图网络与提升算法启动晶体结构预测”为题，于2022年3月21日宣布在《Nature Communications》上。

经过这种方法，钻研人员构建了一个灵敏的框架，该框架包括数据库、图网络和提升算法三个局部，准许资料数据库、晶体图示意和提升算法的调整，以顺应不同需求。

钻研团队应用开明量子资料数据库（OQMD）版本1.3和Matbench构成能数据集（MatB）训练了图网络模型。

随机搜查（RAS）、粒子群提升（PSO）和贝叶斯提升（BO）作为提升算法成功，钻研不同组合对29种二元化合物晶体结构预测的功能。

结果显示，联合MatB训练的BO提升算法与图网络模型（GN(MatB)-BO）在预测精度和计算老本上体现最佳。

经过比拟两种数据库训练的图网络模型（GN(OQMD)和GN(MatB)）在预测晶体结构的功能，发现虽然GN(OQMD)的平均相对误差（MAE）较低，但在CSP功能上不如GN(MatB)。

这或者是由于GN(OQMD)适度拟合了数据。

在运行GN-OA方法识别29种化合物的晶体结构时，钻研人员发现，无论是经常使用OQMD还是MatB训练，CSP的提升算法精度顺序为BO > RAS > PSO。

在MatB上训练的GN模型通常在预测准确性上优于在OQMD上训练的模型。

与基于密度泛函切实（DFT）的方法相比，以前方法在预测精度和计算老本方面均有所限度。

虽然GN模型基于DFT计算训练，因此其准确度不可超越DFT结果，但与基于DFT的CSP相比，GN(MatB)-BO方法的计算老本清楚降落三个数量级。

综上所述，该钻研提出了一种灵敏的框架，联合图网络与提升算法启动晶体结构预测，相较于基于DFT的方法，其预测晶体结构的计算老本大幅降落。

但是，该方法仍存在局限性，须要进一步开展晶体结构表征、结构搜查和算法并行化等方向，以更有效地预测复杂和未知结构。

这一钻研为数据驱动的晶体结构预测开拓了新路径，有望在无需低廉的DFT计算的状况下提高预测效率。

布鲁克海文蛋白质数据库文件结构

在蛋白质晶体结构数据库PDB中，蛋白质分子结构以独立的文件方式记载，这些文件被称为PDB的入口文件。

每一个文件对应一个大分子结构，经过惟一的ID码启动识别。

早期，每一种大分子对应一个文件，后在1997年，每一种动物大分子有了三个相关文件：全文文件、书目文件和图形文件。

每个PDB入口文件蕴含多个局部，包括题目、注释、一级结构、异质、二级结构、连通性注释、各种个性、结晶学、坐标变换、原子坐标、化学衔接和簿记等。

文件中的每行被称为一条记载或入口，共80列，最后一个字符为行完结符。

PDB文件被视为记载类型的汇合，不同于相关数据库的库文件，后者每条记载由不同数据类型和数据格局的多个字段组成，一切记载的字段结构相反。

PDB文件蕴含多种记载类型，每类记载都有不同的格局。

基于记载类型在一个PDB入口文件中产生的次数，可将记载分为六类：单次记载型、单次接续型、屡次记载型、屡次接续型、分组记载型和其余记载型。

单次记载型如HEADER、END和CRYST1仅产生一次性，没有接续局部。

单次接续型如AUTHOR、CAVEAT和COMPND在概念上存在一次性，内容超越一行时有接续批示字段。

屡次记载型如ATOM、CONECT和HELIX在文件中屡次产生。

屡次接续型如FORMUL、HETATM和HETNAM在概念上存在屡次，每条记载内容超越一行的局部有接续批示字段。

分组记载型如ENDMDL、MODEL和TER用于其余记载类别的分组。

其余记载类型如JRNL（文献援用）和REMARK（普通注释）。

每个记载类型由固定的列数宰割成多个字段，每个字段蕴含数据类型、字段名和字段定义。