[논문 리뷰] Scalable Hybrid Deep Neural Networks/Polarizable Potentials Biomolecular Simulations including long-range effects

Théo Jaffrelot Inizan, Thomas Plé외 6명|arXiv (Cornell University)|2022. 07. 28.

Protein Structure and Dynamics인용 수 4

한 줄 요약

이 논문은 깊이 있는 신경망(DNN) 포텐셜(ANI-2X)과 분극 가능 힘장(AMOEBA)을 융합한 확장 가능한 분자 동역학 프레임워크인 Deep-HP를 소개한다. 이는 최대 100,000 원자로 구성된 큰 생고분자 시스템에서 정확하고 장시간에 걸친 시뮬레이션을 가능하게 한다. DNN를 이용해 용질-용질 상호작용을 모델링하고, AMOEBA의 명시적 장거리 전기쌍극모멘트를 유지하면서 다단계 시간스텝 전략을 적용함으로써, 약 10배의 속도 향상을 달성하고, 화학적 정확도 내에서 용해 및 결합 자유에너지 계산을 수행한다.

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.

연구 동기 및 목표

• 단기적인 양자역학적 효과와 장거리 전기쌍극모멘트를 동시에 모델링하기 위해 깊이 있는 신경망 포텐셜과 분극 가능 힘장을 융합한 확장 가능한 분자 동역학 프레임워크를 개발하는 것.
• ANI-2X(DNN)와 AMOEBA(PFF)의 장점을 융합하여 100,000 원자, 마이크로초 수준의 대규모 생고분자 시뮬레이션을 고정밀도로 수행하는 것.
• DNN 힘을 보정 단계에서만 평가하는 다단계 시간스텝 통합 기법을 적용하여 계산 비용을 절감함으로써 시뮬레이션 속도를 향상시키는 것.
• 다양한 용매와 호스트-게스트 복합체에서 리간드의 용해 및 결합 자유에너지 계산을 화학적 정확도로 수행하는 것.
• 분극 가능 용매, 반리온, 용질 등을 포함한 하이브리드 시뮬레이션을 위한 사용자 정의 분할 기법을 제공하는 것.

제안 방법

• Deep-HP를 통해 Tinker-HP 분자 동역학 패키지를 확장하여, PyTorch/TensorFlow 기반 DNN 모델을 직접 지원함으로써 GPU 가속을 통한 하이브리드 시뮬레이션을 가능하게 한다.
• 용질-용질 상호작용은 ANI-2X DNN로, 용매-용매 및 용질-용매 상호작용은 AMOEBA 분극 가능 힘장으로 모델링하는 하이브리드 ANI-2X/AMOEBA 포텐셜을 구현한다.
• 효율적인 입자 격자 Ewald(PME) 방법을 적용하여 AMOEBA의 장거리 전기쌍극모멘트를 명시적으로 포함하면서도, 단거리 상호작용에 대해 ANI-2X의 양자역학적 정확도를 유지한다.
• 다단계 시간스텝 통합 전략을 적용: AMOEBA 힘은 매 단계에서 계산되지만, ANI-2X 힘은 보정 단계에서만 적용되어 계산 비용을 감소시킨다.
• 사용자 정의 분할 기법을 도입하여, 분극 가능 반리온이나 용매를 포함한 다양한 하이브리드 시뮬레이션을 유연하게 수행할 수 있도록 한다.
• SAMPL 챌린지에서의 알코올화 전환 과정에서 자유에너지 계산을 위해 Bennett의 수용 비율(BAR) 방법을 사용한다.

실험 결과

연구 질문

• RQ1 하이브리드 DNN/분극 가능 힘장 접근법이 대규모 생고분자 시스템에서 용해 및 결합 자유에너지 계산에 화학적 정확도를 달성할 수 있는가?
• RQ2 DNN 기반 분자 동역학 시뮬레이션에서 계산 확장성을 해치지 않으면서도 장거리 전기쌍극모멘트 효과를 정확하고 효율적으로 포함할 수 있는가?
• RQ3 다단계 시간스텝 통합 기법이 DNN 기반 분자 동역학 시뮬레이션의 속도를 얼마나 향상시킬 수 있으며, 정확도를 유지할 수 있는가?
• RQ4 ANI-2X/AMOEBA 하이브리드 포텐셜이 용해 및 호스트-게스트 결합과 같은 복잡한 생고분자 환경을 고정밀도로 모델링할 수 있는가?
• RQ5 Deep-HP 프레임워크가 마이크로초 스케일의 100,000 원자 시스템을 시뮬레이션할 때 성능과 정확도는 어떠한가?

주요 결과

• ANI-2X/AMOEBA 하이브리드 포텐셜은 네 가지 용매에서 전하가 있는가 없는가에 관계없이 리간드의 용해 자유에너지 예측이 화학적 정확도(≤1 kcal/mol) 내에서 이루어졌다.
• SAMPL 챌린지의 호스트-게스트 복합체에 대한 절대 결합 자유에너지 계산에서 평균 오차가 화학적 정확도 내에 있었으며, 이는 방법의 예측 능력을 검증한다.
• 최대 10 μs에 이르는 시뮬레이션이 성공적으로 수행되어, 이 프레임워크가 장시간 스케일의 생고분자 동역학을 수행할 수 있음을 입증한다.
• 다단계 시간스텝 전략을 통해 표준 Velocity Verlet 통합 방식 대비 계산 비용을 약 10배 감소시켜, 100k 원자 시스템에서 ns 수준의 시뮬레이션을 가능하게 하였다.
• Deep-HP는 고전적 힘장의 비용으로서 하이브리드 DNN/PFF 정확도를 유지하면서도 대규모 생고분자 시스템(100k 원자)의 확장 가능한 다_GPU 시뮬레이션을 가능하게 한다.
• 사용자 정의 분할 기법을 통해 분극 가능 용매 및 반리온과 같은 핵심 생고분자 특성을 민감하게 모델링할 수 있어, 시뮬레이션의 현실성 향상에 기여한다.