Automating MD simulations for Proteins using Large language Models: NAMD-Agent

📄 arXiv: 2507.07887v1 📥 PDF

作者: Achuth Chandrasekhar, Amir Barati Farimani

分类: cs.CL, cs.CE, q-bio.BM

发布日期: 2025-07-10

备注: 34 pages

💡 一句话要点

提出NAMD-Agent，利用大语言模型自动化蛋白质分子动力学模拟流程。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 分子动力学模拟 大语言模型 自动化 蛋白质 CHARMM GUI

📋 核心要点

  1. 分子动力学模拟输入文件准备繁琐易错，阻碍了蛋白质研究的效率。
  2. 利用Gemini 2.0 Flash等LLM，结合Python脚本和Selenium自动化CHARMM GUI，实现MD输入文件的自动生成。
  3. 该方法减少了设置时间，降低了手动错误，并支持并行处理，提升了蛋白质模拟效率。

📝 摘要（中文）

分子动力学(MD)模拟是理解蛋白质结构、动力学和原子水平功能的关键工具。然而，为MD模拟准备高质量的输入文件可能耗时且容易出错。本文介绍了一个自动化流程，该流程利用大型语言模型(LLM)，特别是Gemini 2.0 Flash，结合Python脚本和基于Selenium的Web自动化，来简化MD输入文件的生成。该流程利用CHARMM GUI全面的基于Web的界面，为NAMD准备可用于模拟的输入。通过整合Gemini的代码生成和迭代改进能力，自动编写、执行和修改模拟脚本，以导航CHARMM GUI，提取适当的参数，并生成所需的NAMD输入文件。使用其他软件执行后处理，以进一步优化模拟输出，从而实现完整且基本无需手动操作的工作流程。结果表明，该方法减少了设置时间，最大限度地减少了手动错误，并为并行处理多个蛋白质系统提供了可扩展的解决方案。这种自动化框架为LLM在计算结构生物学中更广泛的应用铺平了道路，为模拟自动化的未来发展提供了一个强大且适应性强的平台。

🔬 方法详解

问题定义：分子动力学(MD)模拟在蛋白质研究中至关重要，但手动准备输入文件既耗时又容易出错。研究者需要手动操作CHARMM GUI等工具，提取参数并编写脚本，过程繁琐且容易引入人为误差，限制了研究效率和可扩展性。

核心思路：利用大型语言模型(LLM)的代码生成和迭代改进能力，自动化CHARMM GUI的操作和参数提取过程。通过LLM自动生成、执行和修改模拟脚本，从而避免手动操作，减少人为错误，并提高效率。

技术框架：NAMD-Agent的核心是一个自动化流程，它使用LLM（Gemini 2.0 Flash）作为控制中心。该流程首先接收蛋白质信息，然后利用LLM生成Python脚本，该脚本使用Selenium库自动与CHARMM GUI的Web界面交互。LLM根据CHARMM GUI的反馈迭代改进脚本，直到成功提取所有必要的参数并生成NAMD输入文件。最后，使用其他软件进行后处理，以进一步优化模拟输出。

关键创新：该方法的核心创新在于将LLM的代码生成能力与Web自动化技术相结合，实现了分子动力学模拟输入文件的自动生成。与传统的手动方法相比，该方法显著减少了人工干预，降低了出错率，并提高了效率。此外，该框架具有良好的可扩展性，可以并行处理多个蛋白质系统。

关键设计：该方法依赖于Gemini 2.0 Flash的强大代码生成能力，并利用Selenium库模拟用户在Web界面上的操作。LLM需要能够理解CHARMM GUI的界面结构和参数含义，并生成相应的Python代码来提取这些参数。此外，LLM还需要具备迭代改进代码的能力，以应对CHARMM GUI的各种反馈和错误信息。具体的参数设置和损失函数等技术细节在论文中未明确说明，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文展示了使用NAMD-Agent自动化生成分子动力学模拟输入文件的可行性。虽然论文中没有提供具体的性能数据或与基线的详细比较，但强调了该方法显著减少了手动设置时间，并最大限度地减少了手动错误，为并行处理多个蛋白质系统提供了可扩展的解决方案。具体提升幅度未知。

🎯 应用场景

该研究成果可广泛应用于蛋白质结构预测、药物设计、蛋白质相互作用研究等领域。通过自动化分子动力学模拟流程，可以加速新药研发，深入理解蛋白质功能，并为生物工程提供更强大的工具。未来，该方法有望扩展到其他计算生物学领域，例如基因组学和代谢组学。

📄 摘要（原文）

Molecular dynamics simulations are an essential tool in understanding protein structure, dynamics, and function at the atomic level. However, preparing high quality input files for MD simulations can be a time consuming and error prone process. In this work, we introduce an automated pipeline that leverages Large Language Models (LLMs), specifically Gemini 2.0 Flash, in conjunction with python scripting and Selenium based web automation to streamline the generation of MD input files. The pipeline exploits CHARMM GUI's comprehensive web-based interface for preparing simulation-ready inputs for NAMD. By integrating Gemini's code generation and iterative refinement capabilities, simulation scripts are automatically written, executed, and revised to navigate CHARMM GUI, extract appropriate parameters, and produce the required NAMD input files. Post processing is performed using additional software to further refine the simulation outputs, thereby enabling a complete and largely hands free workflow. Our results demonstrate that this approach reduces setup time, minimizes manual errors, and offers a scalable solution for handling multiple protein systems in parallel. This automated framework paves the way for broader application of LLMs in computational structural biology, offering a robust and adaptable platform for future developments in simulation automation.