基于线性张量化四角注意力的可扩展且量子精度的生物分子力场基础模型
化学物理
2025-07-04 v1 人工智能
机器学习
生物物理
摘要
准确的原子尺度生物分子模拟对于理解疾病机制、药物发现和生物材料设计至关重要，但现有模拟方法存在显著局限性。经典力场高效但缺乏对过渡态和细粒构象细节的准确性，这些细节在许多化学和生物过程中至关重要。量子力学（QM）方法高度准确但在大规模或长时间模拟中不可行。AI 基于的力场（AIFF）旨在实现 QM 水平的准确性和效率，但在平衡 many-body 模型复杂度、准确性和速度方面困难，常受限于训练数据的有限性和不足的验证以保证通用性。为克服这些挑战，我们引入了 LiTEN，这是一个具有张量化四角注意力（TQA）的等变神经网络。TQA 通过对高阶张量特征进行向量操作进行重新参数化，有效地以线性复杂度建模三、四体相互作用，避免了昂贵的球面谐波。基于 LiTEN，我们构建了 LiTEN-FF，这是一个稳健的 AIFF 基础模型，pre-trained 在广泛的 nablaDFT 数据集上以实现广泛化学推广，并在 SPICE 上进行 fine-tuning 以实现准确的溶剂系统模拟。LiTEN 在 rMD17、MD22 和 Chignolin 大多数评估子集上实现了最先进（SOTA）性能，优于 MACE、NequIP 和 EquiFormer 等领先模型。LiTEN-FF 实现了目前为止最全面的下游生物分子建模任务，包括 QM 级别的构象搜索、几何优化和自由能面构建，同时相较于 MACE-OFF 对大型生物分子（约1000个原子）实现 10 倍更快的推理速度。总之，我们提出了一个基于物理的、高度高效的框架，推动了复杂生物分子建模，为药物发现及相关应用提供了 versatile 的基础。
引用
@article{arxiv.2507.00884,
title = {A Scalable and Quantum-Accurate Foundation Model for Biomolecular Force Field via Linearly Tensorized Quadrangle Attention},
author = {Qun Su and Kai Zhu and Qiaolin Gou and Jintu Zhang and Renling Hu and Yurong Li and Yongze Wang and Hui Zhang and Ziyi You and Linlong Jiang and Yu Kang and Jike Wang and Chang-Yu Hsieh and Tingjun Hou},
journal= {arXiv preprint arXiv:2507.00884},
year = {2025}
}