对分子力学力场的数据驱动参数化,用于广泛的化学空间覆盖

科学领域:

• 计算化学的计算化学
• 分子建模分子建模
• 药物发现 药物发现 药物发现

背景情况:

• 力量场对于分子动力学 (MD) 模拟在计算药物发现中至关重要,平衡准确性和效率.
• 传统的力场参数化方法与药物样分子不断扩大的化学空间作斗争.
• 开发准确且广泛适用的力场仍然是一个关键的挑战.

研究的目的:

• 为药物类分子开发一个与珀相容的数据驱动力场 (ByteFF).
• 解决传统参数化方法在涵盖各种化学空间方面的局限性.
• 为了提高分子力学 (MM) 力场的准确性和效率,用于药物发现.

主要方法:

• 使用高级理论 (B3LYP-D3(BJ) /DZVP) 创建了一个大型,多样化的分子数据集 (2.4M几何形状,3.2M扭矩配置文件).
• 在生成的数据集上训练了一个边缘增强,保持对称性的分子图神经网络 (GNN).
• 开发了一个强大的训练策略,用于预测MM力场参数.

主要成果:

• 字节FF准确地预测药物样分子的结合和非结合MM参数.
• 该模型展示了对几何形状,扭力形状和能量/力的基准数据集的最新性能.
• 实现了极高的精度和广泛的化学空间覆盖.

结论:

• 字节FF提供了一种强大的数据驱动解决方案,用于计算药物发现中的力场参数化.
• 它的准确性和广泛适用性使其适用于药物发现管道的各个阶段.
• 字节FF代表了在创造高效和准确的分子力学力场方面取得的重大进展.