Scalable Kinetic Models: From Molecular Dynamics to Cellular Signaling

Deep-neural-network solution of the electronic Schrödinger equation

Auteurs: Jan Hermann, Zeno Schätzle, Frank Noé
Publié dans: Nature Chemistry, Numéro 12/10, 2020, Page(s) 891-897, ISSN 1755-4330
Éditeur: Nature Publishing Group
DOI: 10.1038/s41557-020-0544-y

TorchMD: A Deep Learning Framework for Molecular Simulations

Auteurs: Stefan Doerr, Maciej Majewski, Adrià Pérez, Andreas Krämer, Cecilia Clementi, Frank Noe, Toni Giorgino, Gianni De Fabritiis
Publié dans: Journal of Chemical Theory and Computation, Numéro 17/4, 2021, Page(s) 2355-2363, ISSN 1549-9618
Éditeur: American Chemical Society
DOI: 10.1021/acs.jctc.0c01343

Machine learning for protein folding and dynamics

Auteurs: Frank Noé, Gianni De Fabritiis, Cecilia Clementi
Publié dans: Current Opinion in Structural Biology, Numéro 60, 2020, Page(s) 77-84, ISSN 0959-440X
Éditeur: Elsevier BV
DOI: 10.1016/j.sbi.2019.12.005

Convergence to the fixed-node limit in deep variational Monte Carlo

Auteurs: Z. Schätzle, J. Hermann, F. Noé
Publié dans: The Journal of Chemical Physics, Numéro 154/12, 2021, Page(s) 124108, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/5.0032836

Coarse graining molecular dynamics with graph neural networks

Auteurs: Brooke E. Husic, Nicholas E. Charron, Dominik Lemm, Jiang Wang, Adrià Pérez, Maciej Majewski, Andreas Krämer, Yaoyi Chen, Simon Olsson, Gianni de Fabritiis, Frank Noé, Cecilia Clementi
Publié dans: The Journal of Chemical Physics, Numéro 153/19, 2020, Page(s) 194101, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/5.0026133

Discovery of a hidden transient state in all bromodomain families

Auteurs: Lluís Raich, Katharina Meier, Judith Günther, Clara D. Christ, Frank Noé, Simon Olsson
Publié dans: Proceedings of the National Academy of Sciences, Numéro 118/4, 2021, Page(s) e2017427118, ISSN 0027-8424
Éditeur: National Academy of Sciences
DOI: 10.1073/pnas.2017427118

Structure and assembly of the mitochondrial membrane remodelling GTPase Mgm1

Auteurs: Katja Faelber, Lea Dietrich, Jeffrey K. Noel, Florian Wollweber, Anna-Katharina Pfitzner, Alexander Mühleip, Ricardo Sánchez, Misha Kudryashev, Nicolas Chiaruttini, Hauke Lilie, Jeanette Schlegel, Eva Rosenbaum, Manuel Hessenberger, Claudia Matthaeus, Séverine Kunz, Alexander von der Malsburg, Frank Noé, Aurélien Roux, Martin van der Laan, Werner Kühlbrandt, Oliver Daumke
Publié dans: Nature, Numéro 571/7765, 2019, Page(s) 429-433, ISSN 0028-0836
Éditeur: Nature Publishing Group
DOI: 10.1038/s41586-019-1372-3

What Markov State Models Can and Cannot Do: Correlation versus Path-Based Observables in Protein-Folding Models

Auteurs: Ernesto Suárez, Rafal P. Wiewiora, Chris Wehmeyer, Frank Noé, John D. Chodera, Daniel M. Zuckerman
Publié dans: Journal of Chemical Theory and Computation, Numéro 17/5, 2021, Page(s) 3119-3133, ISSN 1549-9618
Éditeur: American Chemical Society
DOI: 10.1021/acs.jctc.0c01154

Learning continuous and data-driven molecular descriptors by translating equivalent chemical representations

Auteurs: Robin Winter, Floriane Montanari, Frank Noé, Djork-Arné Clevert
Publié dans: Chemical Science, Numéro 10/6, 2019, Page(s) 1692-1701, ISSN 2041-6520
Éditeur: Royal Society of Chemistry
DOI: 10.1039/c8sc04175j

Machine Learning for Molecular Simulation

Auteurs: Frank Noé, Alexandre Tkatchenko, Klaus-Robert Müller, Cecilia Clementi
Publié dans: Annual Review of Physical Chemistry, Numéro 71/1, 2020, Page(s) 361-390, ISSN 0066-426X
Éditeur: Annual Reviews, Inc.
DOI: 10.1146/annurev-physchem-042018-052331

Machine Learning of Coarse-Grained Molecular Dynamics Force Fields

Auteurs: Jiang Wang, Simon Olsson, Christoph Wehmeyer, Adrià Pérez, Nicholas E. Charron, Gianni de Fabritiis, Frank Noé, Cecilia Clementi
Publié dans: ACS Central Science, 2019, ISSN 2374-7943
Éditeur: American Chemical Society
DOI: 10.1021/acscentsci.8b00913

Dynamic graphical models of molecular kinetics

Auteurs: Simon Olsson, Frank Noé
Publié dans: Proceedings of the National Academy of Sciences, Numéro 116/30, 2019, Page(s) 15001-15006, ISSN 0027-8424
Éditeur: National Academy of Sciences
DOI: 10.1073/pnas.1901692116

Boltzmann generators: Sampling equilibrium states of many-body systems with deep learning

Auteurs: Frank Noé, Simon Olsson, Jonas Köhler, Hao Wu
Publié dans: Science, Numéro 365/6457, 2019, Page(s) eaaw1147, ISSN 0036-8075
Éditeur: American Association for the Advancement of Science
DOI: 10.1126/science.aaw1147

Deflation reveals dynamical structure in nondominant reaction coordinates

Auteurs: Brooke E. Husic, Frank Noé
Publié dans: The Journal of Chemical Physics, Numéro 151/5, 2019, Page(s) 054103, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/1.5099194

Variational selection of features for molecular kinetics

Auteurs: Martin K. Scherer, Brooke E. Husic, Moritz Hoffmann, Fabian Paul, Hao Wu, Frank Noé
Publié dans: The Journal of Chemical Physics, Numéro 150/19, 2019, Page(s) 194108, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/1.5083040

Identification of kinetic order parameters for non-equilibrium dynamics

Auteurs: Fabian Paul, Hao Wu, Maximilian Vossel, Bert L. de Groot, Frank Noé
Publié dans: The Journal of Chemical Physics, Numéro 150/16, 2019, Page(s) 164120, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/1.5083627

Targeted Adversarial Learning Optimized Sampling

Auteurs: Jun Zhang, Yi Isaac Yang, Frank Noé
Publié dans: The Journal of Physical Chemistry Letters, Numéro 10/19, 2019, Page(s) 5791-5797, ISSN 1948-7185
Éditeur: American Chemical Society
DOI: 10.1021/acs.jpclett.9b02173

Kernel methods for detecting coherent structures in dynamical data

Auteurs: Stefan Klus, Brooke E. Husic, Mattes Mollenhauer, Frank Noé
Publié dans: Chaos: An Interdisciplinary Journal of Nonlinear Science, Numéro 29/12, 2019, Page(s) 123112, ISSN 1054-1500
Éditeur: American Institute of Physics
DOI: 10.1063/1.5100267

Nanoscale coupling of endocytic pit growth and stability

Auteurs: Martin Lehmann, Ilya Lukonin, Frank Noé, Jan Schmoranzer, Cecilia Clementi, Dinah Loerke, Volker Haucke
Publié dans: Science Advances, Numéro 5/11, 2019, Page(s) eaax5775, ISSN 2375-2548
Éditeur: AAAS
DOI: 10.1126/sciadv.aax5775

Collective hydrogen-bond rearrangement dynamics in liquid water

Auteurs: R. Schulz, Y. von Hansen, J. O. Daldrop, J. Kappler, F. Noé, R. R. Netz
Publié dans: The Journal of Chemical Physics, Numéro 149/24, 2018, Page(s) 244504, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/1.5054267

Efficient multi-objective molecular optimization in a continuous latent space

Auteurs: Robin Winter, Floriane Montanari, Andreas Steffen, Hans Briem, Frank Noé, Djork-Arné Clevert
Publié dans: Chemical Science, Numéro 10/34, 2019, Page(s) 8016-8024, ISSN 2041-6520
Éditeur: Royal Society of Chemistry
DOI: 10.1039/c9sc01928f

Diffusion-influenced reaction rates in the presence of pair interactions

Auteurs: Manuel Dibak, Christoph Fröhner, Frank Noé, Felix Höfling
Publié dans: The Journal of Chemical Physics, Numéro 151/16, 2019, Page(s) 164105, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/1.5124728

Reversible Interacting-Particle Reaction Dynamics

Auteurs: Christoph Fröhner, Frank Noé
Publié dans: The Journal of Physical Chemistry B, Numéro 122/49, 2018, Page(s) 11240-11250, ISSN 1520-6106
Éditeur: American Chemical Society
DOI: 10.1021/acs.jpcb.8b06981

Reactive SINDy: Discovering governing reactions from concentration data

Auteurs: Moritz Hoffmann, Christoph Fröhner, Frank Noé
Publié dans: The Journal of Chemical Physics, Numéro 150/2, 2019, Page(s) 025101, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/1.5066099

ReaDDy 2: Fast and flexible software framework for interacting-particle reaction dynamics

Auteurs: Moritz Hoffmann, Christoph Fröhner, Frank Noé
Publié dans: PLOS Computational Biology, Numéro 15/2, 2019, Page(s) e1006830, ISSN 1553-7358
Éditeur: PLOS
DOI: 10.1371/journal.pcbi.1006830

The mechanism of RNA base fraying: Molecular dynamics simulations analyzed with core-set Markov state models

Auteurs: Giovanni Pinamonti, Fabian Paul, Frank Noé, Alex Rodriguez, Giovanni Bussi
Publié dans: The Journal of Chemical Physics, Numéro 150/15, 2019, Page(s) 154123, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/1.5083227?journalcode=jcp

Markov Models of Molecular Kinetics

Auteurs: Frank Noé, Edina Rosta
Publié dans: The Journal of Chemical Physics, Numéro 151/19, 2019, Page(s) 190401, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/1.5134029

OpenPathSampling: A Python Framework for Path Sampling Simulations. 1. Basics

Auteurs: David W. H. Swenson, Jan-Hendrik Prinz, Frank Noe, John D. Chodera, Peter G. Bolhuis
Publié dans: Journal of Chemical Theory and Computation, Numéro 15/2, 2018, Page(s) 813-836, ISSN 1549-9618
Éditeur: American Chemical Society
DOI: 10.1021/acs.jctc.8b00626

Molecular mechanism of inhibiting the SARS-CoV-2 cell entry facilitator TMPRSS2 with camostat and nafamostat

Auteurs: Tim Hempel, Lluís Raich, Simon Olsson, Nurit P. Azouz, Andrea M. Klingler, Markus Hoffmann, Stefan Pöhlmann, Marc E. Rothenberg, Frank Noé
Publié dans: Chemical Science, 2021, ISSN 2041-6520
Éditeur: Royal Society of Chemistry
DOI: 10.1039/d0sc05064d

Large-scale simulation of biomembranes incorporating realistic kinetics into coarse-grained models

Auteurs: Mohsen Sadeghi, Frank Noé
Publié dans: Nature Communications, Numéro 11/1, 2020, ISSN 2041-1723
Éditeur: Nature Publishing Group
DOI: 10.1038/s41467-020-16424-0

Neural mode jump Monte Carlo

Auteurs: Luigi Sbailò, Manuel Dibak, Frank Noé
Publié dans: The Journal of Chemical Physics, Numéro 154/7, 2021, Page(s) 074101, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/5.0032346

Neuraldecipher – reverse-engineering extended-connectivity fingerprints (ECFPs) to their molecular structures

Auteurs: Tuan Le, Robin Winter, Frank Noé, Djork-Arné Clevert
Publié dans: Chemical Science, Numéro 11/38, 2020, Page(s) 10378-10389, ISSN 2041-6520
Éditeur: Royal Society of Chemistry
DOI: 10.1039/d0sc03115a

Coupling of Conformational Switches in Calcium Sensor Unraveled with Local Markov Models and Transfer Entropy

Auteurs: Tim Hempel, Nuria Plattner, Frank Noé
Publié dans: Journal of Chemical Theory and Computation, Numéro 16/4, 2020, Page(s) 2584-2593, ISSN 1549-9618
Éditeur: American Chemical Society
DOI: 10.1021/acs.jctc.0c00043

Ensemble learning of coarse-grained molecular dynamics force fields with a kernel approach

Auteurs: Jiang Wang, Stefan Chmiela, Klaus-Robert Müller, Frank Noé, and Cecilia Clementi
Publié dans: Journal of Chemical Physics, 2020, ISSN 1089-7690
Éditeur: America Institute of Physics
DOI: 10.1063/5.0007276

Deep learning Markov and Koopman models with physical constraints

Auteurs: Andreas Mardt, Luca Pasquali, Frank Noé and Hao Wu
Publié dans: Proceedings of The First Mathematical and Scientific Machine Learning Conference, 2020
Éditeur: PMLR

Deep Generative Markov State Models

Auteurs: Hao Wu, Andreas Mardt, Luca Pasquali, Frank Noe
Publié dans: Proceedings of Neural Information Processing Systems (NeurIPS), Numéro 32nd Conference on Neural Information Processing Systems (NeurIPS 2018), 2018
Éditeur: -

Equivariant Flows: Exact Likelihood Generative Learning for Symmetric Densities

Auteurs: Jonas Köhler, Leon Klein, Frank Noe
Publié dans: 2020
Éditeur: PMLR

Stochastic Normalizing Flows

Auteurs: Hao Wu, Jonas Köhler and Frank Noé
Publié dans: 2020
Éditeur: NeurIPS

Machine Learning for Molecular Dynamics on Long Timescales

Auteurs: Frank Noé
Publié dans: Machine Learning Meets Quantum Physics, Numéro 968, 2020, Page(s) 331-372, ISBN 978-3-030-40244-0
Éditeur: Springer International Publishing
DOI: 10.1007/978-3-030-40245-7_16

Publications

Partager cette page

Télécharger