JCIM｜用人工神经网络压缩分子动力学轨迹：高效存储与共享的新思路

本文针对分子动力学模拟产生的大规模轨迹数据存储与共享难题，提出了一种基于自编码器的人工智能压缩方法。研究背景源于生物分子模拟数据量可达TB级别，现有存储方式效率低下制约了科研协作。研究目的是开发能大幅减少存储空间且保持数据完整性的压缩技术。通过设计全连接自编码器架构，对多种生物体系（包括蛋白质、膜复合物等）进行测试，结果表明该方法相比传统XTC格式可节省98%存储空间，重建轨迹与原始数据的结构特征误差小于1埃，二级结构和相互作用性质均得到完整保留。结论表明该技术为大规模模拟数据的高效管理提供了可行方案，未来可扩展至冷冻电镜等其它科学数据领域。