[논문 리뷰] 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 Mao외 6명|arXiv (Cornell University)|2023. 05. 26.

Photoreceptor and optogenetics researchNeuroscience인용 수 3

한 줄 요약

이 연구는 고도의 전자구조 이론가 필요로 하는 EOM-CCSD 계산을 단 400회만 사용하여 수용액 상태의 녹색 형광 단백질(GFP) 염색체의 고에너지 준위 자극 상태 에너지 갭을 예측하기 위한 데이터 효율적인 전이 학습 프레임워크를 제안한다. 이 방법은 수소 결합 효과, 특히 염색체가 환경 전기장에 민감하게 반응하는 것을 정확히 모델링하기 위해 고수준 전자구조 이론이 필요하다는 것을 드러내며, TDDFT보다 EOM-CCSD가 넓어진 실험적 흡수 스펙트럼을 더 잘 재현한다.

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.

연구 동기 및 목표

• 고수준 전자구조 이론를 사용한 조밀한 상황에서 염색체의 광학 스펙트럼을 시뮬레이션하는 데 발생하는 계산적 과제를 해결하기 위해.
• 대규모 수용액 시스템에서 EOM-CCSD 계산의 높은 비용을 해결하기 위해 데이터 효율적인 기계학습 전략을 개발하기 위해.
• 수소 결합이 GFP 염색체의 광학적 성질에 미치는 영향을 정확히 포착하기 위해 고수준 전자구조 이론가 필요로 하는지 확인하기 위해.
• 핵의 양자 효과와 용매 동역학이 스펙트럼 넓이 증가와 적색 이동에 미치는 영향을 평가하기 위해.
• 수용액 내 GFP 염색체의 선형 및 2차원 전자 스펙트럼을 모델링할 때 TDDFT와 EOM-CCSD의 예측 능력을 비교하기 위해.

제안 방법

• 300개의 구조에서의 낮은 수준 TD-CAM-B3LYP 계산에서 유도된 기울기를 사용하여 EOM-CCSD 에너지 갭을 위한 기계학습 모델을 초기화하기 위해 전이 학습을 활용한다.
• 염색체 전용 및 전체 용매 포함 구조를 모두 사용하여, 수용액 내 GFP 염색체의 400개의 임bedded EOM-CCSD 에너지 갭에 대한 직접 기계학습 모델을 훈련시킨다.
• 은폐 용매 기반 기계학습 접근법을 사용하여 염색체 기하구조 의존성을 모델링한 후, 용매 원자 위치를 포함한 간접 용매 모델로 확장한다.
• 균형 상태의 기초 상태 궤적을 기반으로 누적법을 사용하여 선형 흡수 스펙트럼과 2차원 전자 스펙트럼(2DES)을 계산하기 위해 훈련된 모델을 적용한다.
• 실험 데이터와 비교하여 EOM-CCSD 및 TD-CAM-B3LYP 모델의 스펙트럼 예측을 피크 위치, 너비 및 동적 Stokes 이동에 중점을 두고 분석한다.
• 핵의 양자 효과(NQEs)를 ab initio 경로 적분 분자 동역학를 통해 포함하여 스펙트럼 넓이 증가와 적색 이동에 미치는 영향을 평가한다.

실험 결과

연구 질문

• RQ1 전이 학습은 염색체 전이 에너지를 정확히 예측하기 위한 기계학습 모델을 훈련하기 위해 필요한 고수준 EOM-CCSD 계산의 수를 줄일 수 있는가?
• RQ2 특히 피크 너비와 위치 측면에서, EOM-CCSD는 TDDFT보다 수용액 내 음성 GFP 염색체의 실험적 흡수 스펙트럼을 더 잘 재현하는가?
• RQ3 수소 결합은 용액 내에서 염색체의 전자 전이 에너지와 전기장에 대한 민감도를 어떻게 조절하는가?
• RQ4 핵의 양자 효과는 수용액 내 GFP 염색체의 전이 에너지 분포와 스펙트럼 넓이 증가에 어떤 영향을 미치는가?
• RQ5 환경 전기장에 대한 민감도의 차이로 인해, 2D 전자 스펙트럼에서 EOM-CCSD와 TDDFT 간의 동적 Stokes 이동은 어느 정도 다를까?

주요 결과

• 전이 학습 프rotocol는 정확한 기계학습 모델을 훈련하기 위해 고수준 EOM-CCSD 계산을 단 400회만 요구하였으며, 이는 이전 방법보다 10배 적은 계산 수였다.
• EOM-CCSD 기반 기계학습 모델은 전체 폭의 반이 최대 강도(FWHM)가 0.55 eV로 실험 결과의 넓이와 매우 유사하게 예측하였고, TDDFT는 더 좁은 피크(0.35 eV)를 예측하였다.
• EOM-CCSD 모델은 실험 결과와 뛰어난 일치를 보이며 피크 최대값을 2.94 eV로 예측하였고, TDDFT는 적색 이동을 과소평가하여 피크를 2.75 eV로 예측하였다.
• EOM-CCSD가 실험 결과와 더 잘 일치하는 이유는 특히 수소 결합에 의한 환경 전기장에 대한 염색체의 민감도를 더 정확히 기술하기 때문이다.
• EOM-CCSD 시뮬레이션에 핵의 양자 효과를 포함시켰더니 흡수 최대 피크가 추가로 적색 이동하여 2.85 eV로 이동하였고, 실험 결과와의 일치도가 향상되었다.
• 2D 전자 스펙트럼에서 EOM-CCSD 모델은 동적 Stokes 이동이 훨씬 더 두드러지게 나타났으며, 기초 상태 블리치 및 자극 방출 피크가 50 fs 간격으로 명확히 분리되어 있었고, TDDFT 모델은 심지어 100 fs일 때도 피크가 겹쳐져 있었다.