[论文解读] Better force fields start with better data -- A data set of cation dipeptide interactions

Xiaojuan Hu, Maja-Olivia Lenz-Himmer+1 more|arXiv (Cornell University)|Jul 19, 2021

Machine Learning in Materials Science被引用 4

一句话总结

本论文提出了一套高精度、基于第一性原理的数据库，包含21,909个质子化二肽（20种蛋白质氨基酸，乙酰化/甲基化封端）与Ca²⁺、Mg²⁺和Ba²⁺相互作用的势能面上的稳定点。该数据通过DFT方法结合PBE+vdW泛函计算获得，包含部分电荷及其他对下一代极化力场开发至关重要的性质，通过本体论结构化的元数据实现完全的FAIR合规性，确保机器可读性和可重用性。

ABSTRACT

We present a data set from a first-principles study of amino-methylated and acetylated (capped) dipeptides of the 20 proteinogenic amino acids - including alternative possible side chain protonation states and their interactions with selected divalent cations (Ca$^{2+}$, Mg$^{2+}$ and Ba$^{2+}$). The data covers 21,909 stationary points on the respective potential-energy surfaces in a wide relative energy range of up to 4 eV (390 kJ/mol). Relevant properties of interest, like partial charges, were derived for the conformers. The motivation was to provide a solid data basis for force field parameterization and further applications like machine learning or benchmarking. In particular the process of creating all this data on the same first-principles footing, i.e. density-functional theory calculations employing the generalized gradient approximation with a van der Waals correction, makes this data suitable for data-driven force field development. To make the data accessible across domain borders and to machines, we formalized the metadata in an ontology.

研究动机与目标

• 为下一代生物分子力场开发提供一致且高精度的数据基础，尤其针对涉及金属阳离子的体系。
• 解决当前力场在准确模拟阳离子-肽相互作用中静电和极化效应方面的关键局限性。
• 生成一个大规模、系统采样的二肽-阳离子复合物数据库，覆盖多样的构象和质子化状态。
• 通过标准化元数据和本体论形式化，确保数据符合FAIR原则（可发现、可访问、可互操作、可重用）。
• 利用高水平量子力学参考数据，实现对极化力场的基准测试与参数化。

提出的方法

• 采用密度泛函理论（DFT）方法，结合PBE泛函与经验色散校正（PBE+vdW），计算电子结构与能量。
• 利用全局优化算法系统探索20种封端二肽（乙酰化与氨基化末端）与三种二价阳离子（Ca²⁺、Mg²⁺、Ba²⁺）的构象空间。
• 基于DFT计算得到的电子密度分布，通过Bader电荷分析计算部分电荷。
• 通过与更高水平方法（如MP2、DLPNO-CCSD(T)）在选定体系上的比较，验证DFT方法的准确性，确认其达到化学精度（平均绝对误差≤1 kcal/mol）。
• 采用本体论对元数据进行形式化，以确保机器可读性、互操作性以及跨领域的长期可重用性。
• 将数据托管于NOMAD存储库，支持通过curl和SPARQL查询实现程序化访问，便于程序化发现。

实验结果

研究问题

• RQ1 在高水平DFT下获得的大规模、系统采样阳离子-二肽相互作用数据库，能否为力场参数化提供可靠的参考？
• RQ2 与更高水平方法相比，PBE+vdW泛函在描述阳离子二肽体系中相互作用能和部分电荷时的准确性如何？
• RQ3 对阳离子-二肽复合物进行Bader电荷分析，能否可靠地获得部分电荷，尤其是在具有陡峭电子密度梯度的重阳离子附近？
• RQ4 阳离子尺寸差异（Mg²⁺、Ca²⁺、Ba²⁺）在多大程度上影响电荷分析的可靠性及复合物的电子结构？
• RQ5 该数据集能否作为测试和改进生物分子模拟中极化力场与反应力场的基准？

主要发现

• 该数据集包含21,909个二肽-阳离子复合物在势能面上的稳定点，能量范围广泛，最高达4 eV（390 kJ/mol）。
• 在与MP2和DLPNO-CCSD(T)方法对比的基准测试中，PBE+vdW DFT计算的相互作用能平均绝对误差（MAE）≤1 kcal/mol，证实其具有化学精度。
• Bader电荷分析得到的平均误差约为每氨基酸0.1–0.2个电子，但在部分Ca²⁺-二肽复合物中误差最高可达2个电子，原因在于阳离子核心附近网格间距过粗。
• 由于离子半径较小且电子密度变化较平缓，Mg²⁺复合物的Bader电荷误差低于Ca²⁺。
• 由于电子密度梯度极端陡峭，Ba²⁺复合物被排除在Bader分析之外，因其需要不切实际的细密网格。
• 该数据集已托管于NOMAD存储库，支持通过curl和SPARQL实现完全的程序化访问，元数据采用本体论形式化，确保机器互操作性。