机器学习优化RNA分子静电能预测：全连接神经网络与H原子剔除研究

云计算在科学研究中的应用日益广泛，特别是在RNA分子力场计算领域。传统的实验方法成本高且难以实时获取详细信息，而分子力场模拟作为一种计算密集型技术，通过云计算的优势得以大幅降低成本，提供精确的化学反应过程观察。本文聚焦于改进RNA分子力场中的静电能项计算，特别是针对原子多级距的预测。 传统RNA分子力场模型通常采用点电荷模型来处理静电相互作用，但这未能真实反映量子力学中的电子分布，导致预测精度不高。作者提出利用全连接神经网络（FCN）这一机器学习方法，通过对原子间距离的多级距进行预测，显著提高了计算效率和结果的准确性。通过剔除氢原子（H）的结构进行预测，实验结果显示，去除H原子后预测性能有所提升，证明了H原子在RNA电子云分布中的位置信息存在冗余，其对整体静电影响较小，可以忽略。这不仅支持了在研究过程中使用饱和H原子结构的合理性，还揭示了在构建RNA分子力场时可以简化处理的策略。 量子化学拓扑理论是这项工作的理论基础，它结合了分子结构和量子力学，帮助理解电子云的复杂行为。通过对H原子的简化处理，研究者们能够更专注于其他关键因素，如非对称的电子分布和几何结构对静电势的影响。这种方法的改进不仅提升了计算效率，也为深入研究RNA的生物功能和生理作用提供了更为精确的工具。 总结来说，本文主要贡献在于开发了一种基于全连接神经网络的云计算策略，用于改进RNA分子力场中的静电能项计算，通过简化模型减少计算负担，同时提高预测精度。这对于理解RNA在生物学和医学领域的多种功能以及优化药物设计等具有重要意义。