为具有E(3) 神经网络预测的非对称参数的蛋白质开发一种可差异化的远程力场
Zheng Cheng1,2, Hangrui Bi1,3, Siyuan Liu3
1School of Mathematical Sciences, Peking University, Beijing 100871, China.
Journal of chemical theory and computation
|June 18, 2024
概括
本研究介绍了一个新的数据库和E(3) 神经网络 (E3NN),用于准确预测分子动力学 (MD) 模拟中的远程相互作用. 这推动了下一代蛋白质力场的发展.
科学领域:
- 计算化学是一种计算化学.
- 生物物理学的生物物理.
- 机器学习 机器学习
背景情况:
- 准确地描述长距离相互作用对于蛋白质的分子动力学 (MD) 模拟至关重要.
- 高质量的远程潜力对于距离隔离的机器学习力场至关重要.
研究的目的:
- 开发一个对蛋白质片段的非对称参数的综合数据库.
- 为预测这些参数创建一个准确且可转移的E3神经网络 (E3NN) 模型.
- 为了使下一代蛋白质力场能够描述远程相互作用.
主要方法:
- 使用主动学习构建一个非对称参数数据库,涵盖原子多极时刻,极化度和分散系数.
- 开发一个E(3) 神经网络 (E3NN) 来直接从局部蛋白质片段几何学预测非对称参数.
- 对静电和分散能量的对称调整扰动理论 (SAPT) 的验证.
主要成果:
- 该数据库有效地代表了蛋白质碎片的构造多样性,拥有7.8万个数据点.
- E3NN模型实现了0.999的R平方值,用于预测蛋白质碎片和二测试集中的非对称参数.
- 与SAPT相比,预测的远程静电和分散能量显示出最小的误差 (分别为0.07和0.02kcal/mol).
结论:
- 开发的力场准确地描述了蛋白质中的远程相互作用.
- E3NN模型显示出高准确性和可转移性,用于对比参数预测.
- 这项工作为使用下一代力场进行更准确,更有效的蛋白质模拟铺平了道路.


