Tecnologías innovadoras e inteligentes para el agua del futuro y la vida sustentable

Predicción y Análisis de la Dinámica No Lineal de Macromoléculas

No programado

20m

Auditorio/Baja-1 - Aula Magna FPUNA (FACULTAD POLITECNICA)

Ponentes

Osmar Gayoso (Facultad Politécnica - Universidad Nacional de Asunción) Luis Fernando Albrizzi Fleitas (Facultad Politécnica - Universidad Nacional de Asunción)

Descripción

Abstract
Este trabajo presenta un esquema de análisis y construcción de modelos matemáticos lineales de dinámicas nolineales, empleando datos obtenidos a partir de simulaciones de dinámica molecular en proteínas. Para ello, se utilizan la teoría de Koopman (TK), el Extended Dynamic Mode Decomposition (EDMD) y el Principal Component Analysis (PCA). La TK y el EDMD obtienen la aproximación lineal de la mecánica que gobierna el movimiento de la molécula en su medio, mientras que el PCA reduce la dimensión de los datos, permitiendo una mayor interpretabilidad. Nuestro trabajo es capaz de agilizar el análisis de los datos relevantes y, al mismo tiempo, aumenta la interpretabilidad de los datos obtenidos en simulaciones de dinámica molecular aplicadas a proteínas.

Keywords: Koopman theory, EDMD, PCA, Dinámica Molecular,Proteínas, Proteínas, Sistemas Dinámicos No Lineales.
Agradecimiento
Al apoyo financiero recibido por el Consejo Nacional de Ciencia y Tecnología (CONACYT) a través del proyecto PINV01-277 de PROCIENCIA.
Referencias
Mardt, A., Pasquali, L., Wu, H., & Noé, F. (2018). VAMPnets for deep learning of molecular kinetics. Nature Communications, 9(1). https://doi.org/10.1038/s41467-017-02388-1
Brunton, S. L., & Kutz, J. N. (2019). Data-driven science and engineering: Machine learning, dynamical systems, and control. Cambridge University Press. https://doi.org/10.1017/9781108380690
Koopman, B. O. (1931). Hamiltonian systems and transformation in Hilbert space. Proceedings of the National Academy of Sciences of the United States of America, 17(5), 315-318. https://doi.org/10.1073/pnas.17.5.315