[論文レビュー] Elucidating the role of hydrogen bonding in the optical spectroscopy of the solvated green fluorescent protein chromophore: using machine learning to establish the importance of high-level electronic structure

Michael S. Chen, Yuezhi Mao+6 more|arXiv (Cornell University)|May 26, 2023

Photoreceptor and optogenetics researchNeuroscience被引用数 3

ひとこと要約

本研究は、400回のEOM-CCSD計算のみを用いて、溶媒化されたグリーンフルオレッセントタンパク質（GFP）クロモフォアの高エネルギー準位の励起状態エネルギー差を予測するためのデータ効率の高い転移学習フレームワークを導入した。この手法により、高水準の電子状態理論を用いる必要があることが明らかになった。特に、クロモフォアが環境の電場に敏感であるという点で、水素結合効果の正確なモデル化が求められる。EOM-CCSDはTDDFTに比べて、実験的吸収スペクトルの広がりをよりよく再現する。

ABSTRACT

Hydrogen bonding interactions with chromophores in chemical and biological environments play a key role in determining their electronic absorption and relaxation processes, which are manifested in their linear and multidimensional optical spectra. For chromophores in the condensed phase, the large number of atoms needed to simulate the environment has traditionally prohibited the use of high-level excited-state electronic structure methods. By leveraging transfer learning, we show how to construct machine-learned models to accurately predict high-level excitation energies of a chromophore in solution from only 400 high-level calculations. We show that when the electronic excitations of the green fluorescent protein chromophore in water are treated using EOM-CCSD embedded in a DFT description of the solvent, the optical spectrum is correctly captured and that this improvement arises from correctly treating the coupling of the electronic transition to electric fields, which leads to a larger response upon hydrogen bonding between the chromophore and water.

研究の動機と目的

• 高水準の電子状態理論を用いた凝縮相におけるクロモフォアの光学的スペクトルをシミュレートする計算的課題に対処すること。
• 大規模な溶媒化系におけるEOM-CCSD計算の高コストを克服するため、データ効率の高い機械学習戦略を開発すること。
• 水素結合の影響を正しく捉えるために、高水準の電子状態理論が必要かどうかを特定すること。
• 核量子効果と溶媒の動的挙動がスペクトルの広がりや赤シフトに与える影響を評価すること。
• TDDFTとEOM-CCSDが、水の中のGFPクロモフォアの線形および2次元電子スペクトルをどの程度正確にモデル化できるかを比較すること。

提案手法

• 300配置における低レベルのTD-CAM-B3LYP計算からの勾配を用いて、EOM-CCSDエネルギー差のための機械学習モデルを転移学習で初期化する。
• クロモフォアのみの構造と、完全に溶媒を含む構造の両方を用いて、水の中のGFPクロモフォアの400組の埋め込みEOM-CCSDエネルギー差を直接機械学習で学習する。
• 隠れた溶媒を用いた機械学習アプローチで、クロモフォアの幾何学的依存性をモデル化し、その後溶媒原子の位置を組み込んだ間接的溶媒モデルに拡張する。
• 平衡状態の基底状態の軌道に積分に基づく手法を適用し、線形吸収スペクトルおよび2次元電子スペクトル（2DES）を計算する。
• EOM-CCSDとTD-CAM-B3LYPモデルのスペクトル予測値を実験データと比較し、ピーク位置、幅、ダイナミックなストークスシフトに注目する。
• 核量子効果（NQEs）をab initio経路積分分子動力学を用いて含め、スペクトルの広がりや赤シフトへの影響を評価する。

実験結果

リサーチクエスチョン

• RQ1 転移学習は、クロモフォア励起エネルギーのための正確な機械学習モデルを訓練するにあたり、高水準のEOM-CCSD計算回数を削減できるか？
• RQ2 EOM-CCSDは、特にピーク幅と位置の観点から、TDDFTに比べて水の中のアニオン性GFPクロモフォアの実験的吸収スペクトルをよりよく再現するか？
• RQ3 水素結合は、クロモフォアの電子遷移エネルギーおよび溶液中における電場への感受性をどのように調整するか？
• RQ4 核量子効果は、水の中のGFPクロモフォアの励起エネルギー分布およびスペクトルの広がりにどのように影響するか？
• RQ5 環境の電場への感受性の違いにより、2次元電子スペクトルにおけるEOM-CCSDとTDDFTの間で、ダイナミックなストークスシフトにどの程度の差が生じるか？

主な発見

• 転移学習プロトコルは、400回の高水準EOM-CCSD計算のみを必要とし、従来の手法よりも10倍少ない計算量で、正確な機械学習モデルの学習が可能になった。
• EOM-CCSDに基づく機械学習モデルは、実験の広がりに近く、全幅半最大（FWHM）が0.55 eVの線形吸収スペクトルを生成した。一方、TDDFTはより狭いピーク（0.35 eV）を予測した。
• EOM-CCSDモデルは2.94 eVのピーク最大値を予測し、実験値と非常に良好に一致した。一方、TDDFTは赤シフトを低く評価し、ピークを2.75 eVと予測した。
• EOM-CCSDが実験と良好に一致する理由は、特に水素結合による環境の電場へのクロモフォアの感受性をより正確に記述していることに起因する。
• EOM-CCSDシミュレーションに核量子効果を含めると、吸収ピークがさらに赤シフトし、ピークが2.85 eVにシフトし、実験値との一致がさらに向上した。
• 2次元電子スペクトルでは、EOM-CCSDモデルが顕著に強いダイナミックなストークスシフトを示し、基底状態のブリーチングピークと励起状態の発光ピークが50 fsで明確に分離された。一方、TDDFTモデルでは100 fs経過後でもピークが重なっていた。