Universitat Pompeu Fabra
De Fabritiis, Gianni
2016-09-16
115 p.
Universitat Pompeu Fabra. Departament de Ciències Experimentals i de la Salut
Molecular dynamics has established itself over the last years as a strong tool for structure-based molecular investigation in biology. Stefan Doerr's thesis concerns the application of machine learning methods to molecular dynamics data. The goal is twofold. To improve the sampling capabilities of molecular dynamics to allow for slower and more interesting biological processes to be studied and to improve the reproducibility, accessibility and power of molecular dynamics through the development of the required software tools. A great improvement in sampling speed is achieved in this thesis through the application and development of adaptive sampling methods. These allow the computer to build a model based on knowledge gathered from previous simulations and sample the configurational space in a more intelligent manner. On the other hand, through the development of the HTMD software which provides a unified framework for molecular discovery, the reproducibility of molecular experiments is increased, the access to MD research is simplified for new scientists and experiments can be easily performed in a high-throughput manner.
La dinámica molecular se ha establecido durante los últimos años como una herramienta importante para la investigación estructural molecular en biología. La tesis de Stefan Doerr trata sobre la aplicación de métodos de aprendizaje automático a datos de simulaciones de dinámica molecular. Los objetivos de la tesis son dos. La mejora de la capacidad investigadora de procesos lentos en biología mediante dinámica molecular y el aumento de la reproducibilidad, accesibilidad y potencia de la dinámica molecular a través del desarrollo de las herramientas respectivas de software. En esta tesis se expone una gran aceleración de muestreo mediante el uso de métodos de muestreo adaptativos. En estos métodos, el ordenador puede construir un modelo basado en las simulaciones y muestrear el espacio configuracional de manera más inteligente. Por otra parte, a través del desarrollo del software HTMD, que provee una estructura unificada para descubrimiento molecular, se incrementa la reproducibilidad de la investigación con simulaciones moleculares, se reduce la curva de aprendizaje de la dinámica molecular para investigadores noveles y se simplifica el trabajo con simulaciones de alto rendimient
Dinàmica molecular; Aprendizaje automático; Muestreo adaptativo; Reducción de dimensiones; Simulación; Molecular dynamics; Machine learning; Adaptative sampling; Dimensionality reduction; Simulation
577 - Material bases of life. Biochemistry. Molecular biology. Biophysics
ADVERTIMENT. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.
