생체 분자의 장시간 역학 시뮬레이션은 계산 과학의 주요 과제이다. 향상된 샘플링 방법은 이러한 시뮬레이션을 가속화할 수 있지만, 미리 정의된 집단 변수에 의존하므로 메타 안정 상태 간의 복잡한 전환 메커니즘을 모델링하는 능력이 제한된다. 최근 생성 모델인 LD-FPG는 기준 구조로부터의 전체 원자 변형으로 정적 평형 앙상블을 샘플링하는 학습을 통해 이 문제를 해결할 수 있음을 입증했다. 이 연구에서는 LD-FPG의 학습된 잠재 공간 내에서 역학을 시뮬레이션하기 위한 모듈형 구성 요소인 Graph Latent Dynamics Propagator (GLDP)를 소개한다. 세 가지 종류의 전파기 (score-guided Langevin dynamics, Koopman 기반 선형 연산자, 자기 회귀 신경망)를 비교하여 장기간 안정성, 백본 및 측쇄 앙상블 충실도, TICA를 통한 시간적 운동성을 평가한다. 작은 펩타이드에서 혼합 토폴로지 단백질 및 대형 GPCR에 이르는 시스템에 대한 벤치마킹 결과, 자기 회귀 신경망이 가장 강력한 장기 롤아웃과 일관된 물리적 시간 척도를 제공하고, score-guided Langevin이 score가 잘 학습될 때 측쇄 열역학을 가장 잘 복구하며, Koopman이 변동을 억제하는 해석 가능하고 가벼운 기준선을 제공함을 밝혔다.
