包含长程效应的可扩展深度神经网络/极化势混合生物分子模拟
化学物理
2025-10-21 v4
摘要
Deep-HP 是 \TinkerHP\ 多 GPU 分子动力学（MD）包的可扩展扩展，支持使用 Pytorch/TensorFlow 深度神经网络（DNNs）模型。Deep-HP 将 DNNs MD 能力提升了数个数量级，可对 10 万原子生物体系进行 ns 级模拟，同时提供将 DNNs 与任意经典力场（FFs）及多体极化力场（PFFs）耦合的可能。因此，它可引入为配体结合研究设计的 ANI-2X/AMOEBA 混合极化势，其中溶剂-溶剂与溶剂-溶质相互作用由 AMOEBA PFF 计算，而溶质-溶质相互作用由 ANI-2x DNN 计算。ANI-2X/AMOEBA 通过高效的粒子网格 Ewald 实现显式包含 AMOEBA 的物理长程相互作用，同时保持 ANI-2X 溶质短程量子力学精度。DNNs/PFFs 的划分可由用户定义，使混合模拟可包含生物模拟关键要素，如极化溶剂、极化反离子等。ANI-2X/AMOEBA 采用多时间步策略加速，聚焦于模型对核力低频模式的贡献。它主要计算 AMOEBA 力，仅通过校正步纳入 ANI-2x 力，从而比标准 Velocity Verlet 积分快一个数量级。模拟超过 10 ，我们计算了 4 种溶剂中带电/不带电配体的溶剂化自由能，以及来自 SAMPL 挑战的宿主-客体复合物的绝对结合自由能。ANI-2X/AMOEBA 的平均误差在化学精度内，为在生物物理与药物发现中以力场代价进行大规模混合 DNNs 模拟开辟了道路。
引用
@article{arxiv.2207.14276,
title = {Scalable Hybrid Deep Neural Networks/Polarizable Potentials Biomolecular Simulations including long-range effects},
author = {Théo Jaffrelot Inizan and Thomas Plé and Olivier Adjoua and Pengyu Ren and Hattice Gökcan and Olexandr Isayev and Louis Lagardère and Jean-Philip Piquemal},
journal= {arXiv preprint arXiv:2207.14276},
year = {2025}
}