推进力场参数化:一个定向图的注意力网络方法
Gong Chen1, Théo Jaffrelot Inizan2, Thomas Plé2
1Sorbonne Université, CNRS, Université Paris Cité, Laboratoire Jacques-Louis Lions (LJLL), UMR 7598 CNRS, 75005 Paris, France.
Journal of chemical theory and computation
|June 14, 2024
概括
本研究介绍了一个基于图形的力场 (GB-FFs) 模型,以自动推导通用珀力场 (GAFF) 参数. 这种方法提高了分子模拟的准确性和可转移性.
科学领域:
- 计算化学是一种计算化学.
- 分子建模分子建模
- 物理化学 物理化学
背景情况:
- 力量场 (FFs) 对于模拟分子系统至关重要,但需要广泛的参数化.
- 目前的参数化方法是经验性的,耗时的,并且依赖于启发式和实验/计算数据.
- 自动化FF参数赋值是一个活跃的研究领域.
研究的目的:
- 开发一种基于图形的自动化方法来推导通用珀力场 (GAFF) 参数.
- 为了提高GAFF参数的准确性和可转移性.
- 调查功能形式对FF参数化的影响.
主要方法:
- 开发了一个基于图形的力场模型 (GB-FFs).
- 参数通过使用定向分子图直接从化学环境中导出.
- 实施了一种端到端的参数化方法,从分子图表汇总信息.
- 模拟结果与原始GAFF参数化结果进行了比较.
主要成果:
- 根据GB-FFs模型,GAFF参数的可转移性得到了改善.
- 在建模分子间和扭曲相互作用时观察到更高的准确性.
- 与标准GAFF相比,获得了更好的溶解自由能量.
- 该方法在更广泛的分子复合体中显示出更高的准确性.
结论:
- 拟议的基于图形的方法自动化了FF参数导出,减少了对专家启发式的依赖.
- GB-FFs模型显著提高了GAFF的准确性和可转移性.
- 这种优化方法可以适应其他非极化和极化力场.


