分层贝叶斯高斯过程为自由能曲线提供自适应的不确定性估计
- 广义分层高斯过程将超参数和观测噪声视为不确定量而非固定值，因此误差范围会随数据信息量而变化。
- 该方法被应用于肽与膜相互作用的伞形采样和扩展拉格朗日元动力学模拟。
- 回顾性比较表明，在不同采样和数据条件下，预测的不确定性与实际重构误差相吻合。
💡 要点 基于摘要的观点
平时我们给自由能曲线配上自举法误差棒，也就这样了。若采样稀疏处误差带能自动变宽，确实有助于分辨真实势垒与噪声。但这里的检验是回顾性的，对象只是肽-膜体系，而脂质弛豫缓慢，常规假设本来就容易失效。在信任它之前，我想先看到它与分块平均、独立重复模拟的对比，以及在蛋白-配体体系上的表现。
📄 原论文 · Journal of Chemical Theory and Computation (ACS) ↗ Uncertainty Quantification for Free Energy Calculations by Generalized Hierarchical Bayesian Inference