NepoIP/MM:使用机器学习/分子力学模型将偏振效应纳入精确的生物分子模拟

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.
• 材料科学是一种材料科学.

背景情况:

• 机器学习力场 (MLFFs) 为生物分子模拟提供了量子力学精度,以降低计算成本.
• 混合机器学习/分子力学 (ML/MM) 模型通过结合溶剂和远程相互作用的分子力学 (MM) 来增强现实性.
• 在多尺度模拟中精确建模静电嵌入,需要考虑ML区域的极化效应.

研究的目的:

• 开发一个可偏化的机器学习力场,NepoIP,能够模拟由外部静电电位诱导的偏振效应.
• 为了使复杂的生物分子系统在溶液中使用混合ML / MM方法与静电嵌入实现更现实的模拟.

主要方法:

• 将NequIP架构调整为一个名为NepoIP的可两极分化的机器学习力场.
• 将NepoIP与分子力学 (MM) 集成为混合ML/MM模拟.
• 周期性溶解二系统的纳秒分子动力学 (MD) 模拟.

主要成果:

• 在NepoIP/MM模拟中,证明了化二系统的稳定性.
• 来自NepoIP/MM模拟的融合采样显示与参考量子力学/分子力学 (QM/MM) 计算有很好的一致性.
• 一个单一的NepoIP模型在不同的MM力场和不同的环境 (水和蛋白质) 中表现出可转移性.

结论:

• 在使用静电嵌入的ML/MM模拟中,NepoIP成功地模拟了极化效应.
• 开发的NepoIP力场为一般ML生物分子力场提供了基础,适合混合模拟.
• 这项工作促进了MLFF在计算生物物理学中的准确性和适用性.