Más allá de la partición: el uso de la ciencia del campo de fuerza para evaluar modelos de electrostática.

Área de la Ciencia:

• Ciencia molecular computacional y computacional.
• Química física es la química física de las cosas.
• Descubrimiento de fármacos y diseño de materiales.

Sus antecedentes:

• Los modelos exactos de interacción electrostática y de inducción son fundamentales para las simulaciones moleculares.
• Los métodos existentes para derivar las cargas atómicas, como la partición de la densidad de electrones y el ajuste al potencial electrostático (ESP), tienen limitaciones.
• Los cálculos del campo de fuerza a menudo se basan en modelos de carga basados en monómeros, que pueden no predecir de manera óptima las energías de interacción.

Objetivo del estudio:

• Evaluar y mejorar métodos para derivar cargas atómicas para cálculos de campos de fuerza.
• Desarrollar campos de fuerza basados en la física que predicen directamente las energías de interacción electrostática y de inducción.
• Aprovechar el aprendizaje automático para mejorar la parametrización del campo de fuerza.

Principales métodos:

• Evaluación de los métodos de derivación de carga: partición de la densidad de electrones y ajuste ESP.
• Comparación de diferentes modelos de cargas, incluidas las cargas puntuales positivas (PC) con las cargas negativas distribuidas (Gaussian o Slater).
• Aplicación del aprendizaje automático con el kit de herramientas de química de Alejandría para entrenar modelos basados en la física sobre las energías de interacción de la teoría de la perturbación adaptada a la simetría (SAPT).

Principales resultados:

• Los modelos equipados con ESP que combinan PC y cargas distribuidas mejoraron las predicciones en ~ 30% en comparación con PC solo (RMSD 12 kJ / mol).
• Un modelo no polarizable entrenado directamente en componentes de energía de dímeros SAPT logró un RMSD de 3 kJ/mol.
• El enfoque desarrollado permite la comparación directa y la optimización de los modelos de campo de fuerza.

Conclusiones:

• El entrenamiento directo de campos de fuerza basados en la física en las energías de interacción SAPT utilizando el aprendizaje automático mejora significativamente la precisión.
• Esta metodología proporciona un marco sólido para el desarrollo de campos de fuerza moleculares precisos y predictivos.
• Los campos de fuerza mejorados acelerarán el progreso en la ciencia molecular computacional para diversas aplicaciones.