NepoIP/MM：利用结合极化效应的机器学习/分子力学模型实现精确生物分子模拟
化学物理
2025-08-04 v2
摘要
机器学习力场能够以量子力学精度模拟生物分子，同时显著降低计算成本，在生物物理学领域引起了越来越多的关注。同时，利用分子力学在模拟溶剂分子和长程相互作用方面的效率，混合机器学习/分子力学（ML/MM）模型为描述溶液中复杂的生物分子系统提供了一种更真实的方法。然而，采用静电嵌入的多尺度模型需要考虑由MM环境引起的ML区域的极化效应。为了解决这个问题，我们将最先进的NequIP架构改造为可极化的机器学习力场NepoIP，从而能够基于外部静电势对极化效应进行建模。我们发现，基于NepoIP/MM的纳秒级MD模拟对于周期性溶剂化的二肽体系是稳定的，并且收敛的采样结果与参考QM/MM水平表现出极好的一致性。此外，我们证明单个NepoIP模型可以在不同的MM力场之间迁移，并且可以适应水和蛋白质等截然不同的MM环境，这为开发用于静电嵌入ML/MM的通用机器学习生物分子力场奠定了基础。
引用
@article{arxiv.2502.02801,
title = {NepoIP/MM: Towards Accurate Biomolecular Simulation with a Machine Learning/Molecular Mechanics Model Incorporating Polarization Effects},
author = {Ge Song and Weitao Yang},
journal= {arXiv preprint arXiv:2502.02801},
year = {2025}
}