学习肽中氢原子转移反应的势能面

氢原子转移（HAT）反应在许多生物过程中至关重要，例如受损蛋白质中的自由基迁移，但其机制途径仍未被完全理解。由于需要在生物学相关尺度上达到量子化学精度，模拟HAT具有挑战性；因此，经典力场和基于DFT的分子动力学都不适用。机器学习势能提供了一种替代方案，能够以接近量子精度学习势能面（PES）。然而，训练这些模型以泛化到各种HAT构型（尤其是在蛋白质中的自由基位置）需要定制的数据生成和仔细的模型选择。在此，我们系统地在肽中生成HAT构型，使用半经验方法和DFT构建大型数据集。我们基准测试了三种图神经网络架构（SchNet、Allegro和MACE）在学习HAT PES以及从能量预测中间接预测反应势垒方面的能力。MACE在能量、力和势垒预测方面始终优于其他模型，在分布外DFT势垒预测上实现了1.13 kcal/mol的平均绝对误差。通过分子动力学，我们展示了我们的MACE势能是稳定的、具有反应性的，并且能够泛化到训练数据之外，以模拟I型胶原蛋白中的HAT势垒。这种精度使得将机器学习势能整合到大规模胶原蛋白模拟中成为可能，从而根据预测的势垒计算反应速率，推进对肽中HAT和自由基迁移的机制理解。我们分析了标度律、模型可迁移性和成本-性能权衡，并概述了通过将机器学习势能与过渡态搜索算法和主动学习相结合来改进的策略。我们的方法可推广到其他生物分子系统，从而能够在复杂环境中对化学反应性进行量子精度的模拟。