[논문 리뷰] Machine-learned molecular mechanics force field for the simulation of protein-ligand systems and beyond

Kenichiro Takaba, Iván Pulido외 12명|arXiv (Cornell University)|2023. 07. 13.

Protein Structure and Dynamics참고 문헌 114인용 수 13

한 줄 요약

Espaloma-0.3는 그래프 신경망 기반의 엔드-투-엔드 미분 가능(Class I MM) 힘장으로, 대규모 양자 화학 데이터로부터 학습하여 에너지와 힘을 정확히 재현하고, 단백질과 리간드를 자기일관적으로 매개변수화한다.

ABSTRACT

The development of reliable and extensible molecular mechanics (MM) force fields -- fast, empirical models characterizing the potential energy surface of molecular systems -- is indispensable for biomolecular simulation and computer-aided drug design. Here, we introduce a generalized and extensible machine-learned MM force field, exttt{espaloma-0.3}, and an end-to-end differentiable framework using graph neural networks to overcome the limitations of traditional rule-based methods. Trained in a single GPU-day to fit a large and diverse quantum chemical dataset of over 1.1M energy and force calculations, exttt{espaloma-0.3} reproduces quantum chemical energetic properties of chemical domains highly relevant to drug discovery, including small molecules, peptides, and nucleic acids. Moreover, this force field maintains the quantum chemical energy-minimized geometries of small molecules and preserves the condensed phase properties of peptides, self-consistently parametrizing proteins and ligands to produce stable simulations leading to highly accurate predictions of binding free energies. This methodology demonstrates significant promise as a path forward for systematically building more accurate force fields that are easily extensible to new chemical domains of interest.

연구 동기 및 목표

• 생체분자 시뮬레이션과 약물 발견을 위한 더 정확하고 확장 가능한 분자 역학 힘장의 필요성을 동기 부여한다.
• 양자 화학 데이터에서 학습된 연속 표현으로 원자 타이핑을 대체하는 확장 가능하고 미분 가능 프레임워크(espaloma-0.3)를 도입한다.
• espaloma-0.3가 새로운 화학 도메인(소분자, 펩타이드, 핵산)으로 확장될 수 있으며 양자 화학 에너지 최소값 및 응집상 특성을 보존함을 보여준다.
• 전통적 힘장과 비교하여 양자 화학 에너지와 힘 재현에서 우수한 정확성을 제공한다는 것을 보인다.

제안 방법

• 화학 그래프로부터 연속 원자 임베딩을 생성하기 위해 그래프 신경망을 사용하고, 이산적 원자 타이핑을 대체한다.
• 대칭 보존 풀링(Janossy 풀링)을 이용해 연속적인 결합, 각도, 토션 표현을 생성한다.
• 내재 불변 임베딩에서 엔드-투-엔드 미분 가능 설정으로 MM 파라미터(결합, 각도, 토션, 전하)를 예측하도록 신경망을 학습한다.
• 학습 안정화와 전이 가능성 향상을 위해 양자 화학 힘을 학습 및 정규화 전략에 포함한다.
• 비전하 항은 OpenFF 2.0 파라미터를 유지하고 전하 및 가변성 항만 예측하여 표준 MD 패키지에서 빠른 MM 에너지 계산을 가능하게 한다.
• 충전/정합 ELF10 같은 AM1-BCC 유사 부분 전하를 목표로 하는 전하 평형화 체계를 통해 생성한다.

Figure 1 : Espaloma is an end-to-end differentiable molecular mechanics parameter assignment scheme for arbitrary organic molecules. Espaloma ( e xtensible s urrogate p otenti al o ptimized by m ess a ge-passing ) is a modular approach for directly computing molecular mechanics force field parameter

실험 결과

연구 질문

• RQ1 Espaloma-0.3가 단일 힘장에서 단백질과 리간드를 자기일관적으로 매개변수화하는 차별화 가능한 프레임워크를 제공하는가?
• RQ2 대규모의 다양한 QC 데이터 셋에서 학습하면 소분자, 펩타이드, 핵산에 걸쳐 양자 화학 에너지와 힘의 정확한 재현이 가능한가?
• RQ3 이 접근법이 양자 화학 에너지 최소값과 응집상 특성을 보존하여 신뢰할 수 있는 생체분자 시뮬레이션을 지원하는가?
• RQ4 관련 벤치마크에서 espaloma-0.3의 성능은 기존 힘장(GAFF, OpenFF, Amber)과 how 비교되는가?
• RQ5 새로운 화학 도메인으로의 확장이 복잡성 증가나 정확도 손실 없이 얼마나 잘 이루어지는가?

주요 결과

• Espaloma-0.3가 다양한 데이터 세트에서 양자 화학 에너지와 힘 재현에서 전통적인 힘장을 능가한다.
• 모델은 양자 화학 에너지 최소값을 보존하고 산업 벤치마크에서 QM 참조에 가까운 MM 최적화 기하를 산출한다.
• Espaloma-0.3은 펩타이드를 위한 응집상 특성을 유지하고 단백질과 리간드를 자기일관적으로 매개변수화하여 안정적인 시뮬레이션을 가능하게 한다.
• 이 접근법은 성능 저하 없이 새로운 화학 도메인으로의 빠른 재학습 및 확장을 가능하게 하며 이온화 및 공명 관련 문제를 고려하더라도 베이스라인보다 우수한 성능을 보인다.
• 큰 QC 데이터 세트(1.1M energy/force calculations, 17,000 species)에서의 학습은 단일 GPU 하루 안에 완료될 수 있어 확장성을 강조한다.
• ff14SB 및 RNA.OL3 벤치마크에 비해 espaloma-0.3은 여러 생체분자 범주에서 더 우수한 에너지 및 힘 RMSE를 보인다.

Figure 2 : espaloma-0.3 preserves the location of quantum chemical energy minima. An industry standard benchmark of gas-phase QM-optimized geometries (the OpenFF Industry Benchmark Season 1 v1.1 [ 20 ] from QCArchive), comprising 9728 unique molecules and 73 301 conformers, was used to compare the s