通过机器学习提高基于物理的水化自由能量预测的准确性 关于实验的剩余错误
Lewis Bass1, Luke H Elder2, Dan E Folescu2,3
1Department of Computer Engineering, Virginia Tech, Blacksburg, Virginia 24061, United States.
Journal of chemical theory and computation
|December 27, 2023
概括
机器学习 (ML) 通过纠正基于物理的模拟中的错误来增强计算水模型. 这种方法改善了对生物分子的无水化能量预测,计算成本最小.
科学领域:
- 计算化学是一种计算化学.
- 生物分子模拟的模拟.
- 机器学习应用程序 机器学习应用程序
背景情况:
- 准确的水计算模型对于生物分子的原子模拟至关重要.
- 预测无水化能 (HFEs) 对于理解水性环境中的分子相互作用至关重要.
研究的目的:
- 开发一种计算效率高的方法,以提高无水化能源预测的准确性.
- 为了减轻基于物理的模型中的剩余错误,使用机器学习作为后处理步骤.
主要方法:
- 训练了一个图形卷积神经网络,以识别和纠正基于物理模型中的"盲点".
- 该策略在五种经典溶剂模型 (例如,一般化的Born,TIP3P) 上使用来自FreeSolv数据集的实验HFE进行了测试.
主要成果:
- 机器学习校正减少了所有测试模型中HFE的根-平均平方误差.
- 精度的改进范围从20%到47%,ML校正的TIP3P的精度低于1kcal/mol.
- 机器学习方法显示了最小的过和可以忽略不计的计算开销.
结论:
- 拟议的ML策略有效地学习并减轻基于物理的水化模型中的剩余错误.
- 这种方法比直接在参考HFE上训练ML模型具有显著的优势,可以保持整体趋势.
- 这种方法提高了各种水模型的准确性,使它们在生物分子模拟中更可靠.
