[論文レビュー] Scalable Hybrid Deep Neural Networks/Polarizable Potentials Biomolecular Simulations including long-range effects

Théo Jaffrelot Inizan, Thomas Plé+6 more|arXiv (Cornell University)|Jul 28, 2022

Protein Structure and Dynamics被引用数 4

ひとこと要約

本論文では、深層ニューラルネットワーク（DNN）ポテンシャル（ANI-2X）と極性化力場（AMOEBA）をハイブリッド化することで、大規模バイオ分子系（最大100,000原子）の高精度で長時間スケールの分子動力学的シミュレーションを可能にするスケーラブルな分子動力学フレームワーク、Deep-HPを提案する。DNNを用いた溶質-溶質相互作用と、AMOEBAの明示的な長距離電気双極子相互作用を組み合わせ、多重タイムステップ戦略を用いることで、約10倍の高速化を達成し、化学的精度で溶媒化および結合自由エネルギーを計算可能となった。

ABSTRACT

Deep-HP is a scalable extension of the \TinkerHP\ multi-GPUs molecular dynamics (MD) package enabling the use of Pytorch/TensorFlow Deep Neural Networks (DNNs) models. Deep-HP increases DNNs MD capabilities by orders of magnitude offering access to ns simulations for 100k-atom biosystems while offering the possibility of coupling DNNs to any classical (FFs) and many-body polarizable (PFFs) force fields. It allows therefore to introduce the ANI-2X/AMOEBA hybrid polarizable potential designed for ligand binding studies where solvent-solvent and solvent-solute interactions are computed with the AMOEBA PFF while solute-solute ones are computed by the ANI-2x DNN. ANI-2X/AMOEBA explicitly includes AMOEBA's physical long-range interactions via an efficient Particle Mesh Ewald implementation while preserving ANI-2X's solute short-range quantum mechanical accuracy. The DNNs/PFFs partition can be user-defined allowing for hybrid simulations to include biosimulation key ingredients such as polarizable solvents, polarizable counter ions, etc... ANI-2X/AMOEBA is accelerated using a multiple-timestep strategy focusing on the models contributions to low-frequency modes of nuclear forces. It primarily evaluates AMOEBA forces while including ANI-2x ones only via correction-steps resulting in an order of magnitude acceleration over standard Velocity Verlet integration. Simulating more than 10 $μ$, we compute charged/uncharged ligands solvation free energies in 4 solvents, and absolute binding free energies of host-guest complexes from SAMPL challenges. ANI-2X/AMOEBA average errors are within chemical accuracy opening the path towards large-scale hybrid DNNs simulations, at force-field cost, in biophysics and drug discovery.

研究の動機と目的

• 短距離の量子力学的効果と長距離の電気双極子相互作用を両方モデル化できる、深層ニューラルネットワークポテンシャルと極性化力場を統合したスケーラブルな分子動力学フレームワークの開発。
• ANI-2X（DNN）とAMOEBA（PFF）の長所を組み合わせることで、100k原子、マイクロ秒スケールの大規模バイオ分子シミュレーションを高精度で実現すること。
• DNN力の計算を補正ステップでのみ実行する多重タイムステップ統合スキームを用いることで、計算コストを低減し、シミュレーションを高速化すること。
• 多様な溶媒およびホスト-ゲスト錯体において、溶媒化および結合自由エネルギーを化学的精度で計算できること。
• 極性化溶媒、反イオン、および溶質を含む、柔軟なハイブリッドシミュレーションを可能にする、ユーザー定義の分割スキームの提供。

提案手法

• Deep-HPを介して、PyTorch/TensorFlowのDNNモデルをネイティブにサポートするようにTinker-HP MDパッケージを拡張し、GPU加速を活用したハイブリッドシミュレーションを実現。
• 溶質-溶質相互作用をANI-2X DNNで、溶媒-溶媒および溶質-溶媒相互作用をAMOEBA極性化力場でモデル化するハイブリッド ANI-2X/AMOEBA ポテンシャルを実装。
• 効率的な粒子格子Ewald（PME）法を用いて、AMOEBAの長距離電気双極子相互作用を明示的に含めつつ、ANI-2Xの短距離相互作用における量子力学的精度を保持。
• 多重タイムステップ統合戦略を適用：AMOEBAの力は全ステップで計算されるが、ANI-2Xの力は補正ステップでのみ適用され、計算コストを削減。
• ユーザー定義の分割スキームを用いて、極性化反イオンや溶媒を含む柔軟なハイブリッドシミュレーションを可能に。
• SAMPLチャレンジにおけるアルコール的変換から自由エネルギーを計算するために、ベネットの受容率（BAR）法を採用。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドDNN/極性化力場手法は、大規模バイオ分子系において、溶媒化および結合自由エネルギーの計算で化学的精度を達成できるか？
• RQ2 DNNベースのMDシミュレーションにおいて、計算スケーラビリティを損なわず、長距離電気双極子効果を正確かつ効率的に組み込む方法は何か？
• RQ3 多重タイムステップ統合スキームは、DNNベースのMDシミュレーションをどの程度高速化できるか、かつ精度を維持できるか？
• RQ4 ANI-2X/AMOEBAハイブリッドポテンシャルは、溶媒化およびホスト-ゲスト結合を含む複雑なバイオ分子環境を高精度でモデル化できるか？
• RQ5 Deep-HPフレームワークは、100,000原子系をマイクロ秒スケールでシミュレートする際、性能と精度をどの程度達成できるか？

主な発見

• ANI-2X/AMOEBAハイブリッドポテンシャルは、4種類の溶媒において、電荷を有する・持たない両方のリガンドについて、溶媒化自由エネルギー予測を化学的精度（≤1 kcal/mol）で達成した。
• SAMPLチャレンジのホスト-ゲスト錯体の絶対的結合自由エネルギーは、平均誤差が化学的精度内であり、本手法の予測能力を裏付けた。
• 最大10 μsのシミュレーションが成功裏に実行され、フレームワークが長時間スケールのバイオ分子動力学的シミュレーションを実現できることを示した。
• 多重タイムステップ戦略により、標準的なVelocity Verlet統合と比較して計算コストを約1桁低減し、100k原子系のnsスケールシミュレーションを可能にした。
• Deep-HPは、古典的力場のコストで、ハイブリッドDNN/PFFの精度を備えた大規模バイオ分子系（100k原子）のスケーラブルなマルチGPUシミュレーションを可能にした。
• ユーザー定義の分割スキームにより、極性化溶媒や反イオンといった重要なバイオ分子的特徴を柔軟にモデル化でき、シミュレーションの現実性が向上した。