ترجمه فارسی مقاله خوشه‌بندی زیرفضای زمانی برای داده‌های دینامیک مولکولی

چکیده

We introduce MOSCITO (MOlecular Dynamics Subspace Clustering with Temporal Observance), a subspace clustering for molecular dynamics data. MOSCITO groups those timesteps of a molecular dynamics trajectory together into clusters in which the molecule has similar conformations. In contrast to state-of-the-art methods, MOSCITO takes advantage of sequential relationships found in time series data. Unlike existing work, MOSCITO does not need a two-step procedure with tedious post-processing, but directly models essential properties of the data. Interpreting clusters as Markov states allows us to evaluate the clustering performance based on the resulting Markov state models. In experiments on 60 trajectories and 4 different proteins, we show that the performance of MOSCITO achieves state-of-the-art performance in a novel single-step method. Moreover, by modeling temporal aspects, MOSCITO obtains better segmentation of trajectories, especially for small numbers of clusters.

چکیده به فارسی (ترجمه ماشینی)

ما Moscito (خوشه بندی زیر فضای مولکولی با رعایت زمانی) را معرفی می کنیم ، یک خوشه بندی زیر فضای برای داده های دینامیک مولکولی.Moscito آن زمان های یک مسیر دینامیک مولکولی را با هم به خوشه هایی که در آن مولکول دارای ترکیبات مشابهی است ، گروه های گروهی را گروه بندی می کنند.بر خلاف روشهای پیشرفته ، Moscito از روابط پی در پی موجود در داده های سری زمانی استفاده می کند.بر خلاف کار موجود ، Moscito نیازی به یک روش دو مرحله ای با پردازش خسته کننده ندارد ، اما به طور مستقیم از خصوصیات اساسی داده ها مدل می کند.تفسیر خوشه ها به عنوان حالت های مارکوف به ما امکان می دهد عملکرد خوشه بندی را بر اساس مدل های حالت مارکوف ارزیابی کنیم.در آزمایشات در 60 مسیر و 4 پروتئین مختلف ، ما نشان می دهیم که عملکرد Moscito در یک روش تک مرحله ای رمان به عملکرد پیشرفته می رسد.علاوه بر این ، با مدل سازی جنبه های زمانی ، Moscito تقسیم بندی بهتری از مسیرها ، به ویژه برای تعداد کمی از خوشه ها را بدست می آورد.