用于蛋白质-配体系统及更广体系模拟的机器学习分子力学力场
化学物理
2024-06-28 v4 人工智能
摘要
开发可靠且可扩展的分子力学(MM)力场——表征分子体系势能面的快速经验模型——对生物分子模拟与计算机辅助药物设计不可或缺。在此,我们引入一个通用且可扩展的机器学习 MM 力场 \texttt{espaloma-0.3},以及使用图神经网络的端到端可微框架,以克服传统基于规则方法的局限。该力场在单个 GPU-天(gpu-day)内训练以拟合超过 1.1M 个能量与力计算的大规模多样化量子化学数据集,可复现与药物发现高度相关的化学域(包括小分子、肽与核酸)的量子化学能量性质。此外,该力场保持小分子的量子化学能量最小化几何,并保留肽的凝聚相性质,自洽地参数化蛋白质与配体,产生稳定模拟并给出高度准确的结合自由能预测。该方法论作为系统性构建更精确且易扩展至感兴趣新化学域的力场的前进路径,展现出显著前景。
引用
@article{arxiv.2307.07085,
title = {Machine-learned molecular mechanics force field for the simulation of protein-ligand systems and beyond},
author = {Kenichiro Takaba and Iván Pulido and Pavan Kumar Behara and Chapin E. Cavender and Anika J. Friedman and Michael M. Henry and Hugo MacDermott Opeskin and Christopher R. Iacovella and Arnav M. Nagle and Alexander Matthew Payne and Michael R. Shirts and David L. Mobley and John D. Chodera and Yuanqing Wang},
journal= {arXiv preprint arXiv:2307.07085},
year = {2024}
}