論文の概要: End-to-End Differentiable Molecular Mechanics Force Field Construction
- arxiv url: http://arxiv.org/abs/2010.01196v3
- Date: Mon, 18 Apr 2022 16:56:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 02:08:27.325040
- Title: End-to-End Differentiable Molecular Mechanics Force Field Construction
- Title(参考訳): 端から端まで微分可能な分子力学力場の構築
- Authors: Yuanqing Wang, Josh Fass, Benjamin Kaminow, John E. Herr, Dominic
Rufa, Ivy Zhang, Iv\'an Pulido, Mike Henry, John D. Chodera
- Abstract要約: 化学環境を知覚するためにグラフニューラルネットワークを用いる別のアプローチを提案する。
プロセス全体がモジュール化されており、モデルパラメータに関してエンドツーエンドの差別化が可能である。
本手法は, 従来の原子型を再現するだけでなく, 既存の分子力学力場を正確に再現し, 拡張することができることを示す。
- 参考スコア(独自算出の注目度): 0.5269923665485903
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Molecular mechanics (MM) potentials have long been a workhorse of
computational chemistry. Leveraging accuracy and speed, these functional forms
find use in a wide variety of applications in biomolecular modeling and drug
discovery, from rapid virtual screening to detailed free energy calculations.
Traditionally, MM potentials have relied on human-curated, inflexible, and
poorly extensible discrete chemical perception rules or applying parameters to
small molecules or biopolymers, making it difficult to optimize both types and
parameters to fit quantum chemical or physical property data. Here, we propose
an alternative approach that uses graph neural networks to perceive chemical
environments, producing continuous atom embeddings from which valence and
nonbonded parameters can be predicted using invariance-preserving layers. Since
all stages are built from smooth neural functions, the entire process is
modular and end-to-end differentiable with respect to model parameters,
allowing new force fields to be easily constructed, extended, and applied to
arbitrary molecules. We show that this approach is not only sufficiently
expressive to reproduce legacy atom types, but that it can learn to accurately
reproduce and extend existing molecular mechanics force fields. Trained with
arbitrary loss functions, it can construct entirely new force fields
self-consistently applicable to both biopolymers and small molecules directly
from quantum chemical calculations, with superior fidelity than traditional
atom or parameter typing schemes. When trained on the same quantum chemical
small molecule dataset used to parameterize the openff-1.2.0 small molecule
force field augmented with a peptide dataset, the resulting espaloma model
shows superior accuracy vis-\`a-vis experiments in computing relative
alchemical free energy calculations for a popular benchmark set.
- Abstract(参考訳): 分子力学(mm)ポテンシャルは、長い間計算化学のワークホースであった。
精度と速度を活用することで、これらの機能形式は、迅速な仮想スクリーニングから詳細な自由エネルギー計算まで、生体分子モデリングや薬物発見の幅広い応用に利用される。
伝統的にmmポテンシャルは、人為的、柔軟性に欠ける、拡張性に乏しい化学知覚規則や、小さな分子や生体高分子にパラメータを適用することに依存しているため、量子化学または物理特性データに適合するタイプとパラメータの両方を最適化することは困難である。
本稿では,グラフニューラルネットワークを用いて化学環境を知覚し,非分散保存層を用いて原子価と非結合パラメータを予測できる連続原子埋め込みを生成する手法を提案する。
全ての段階はスムーズな神経関数から構築されるため、プロセス全体がモジュラーであり、モデルパラメータに関してエンドツーエンドで微分可能であり、新しい力場を簡単に構築し、拡張し、任意の分子に適用することができる。
このアプローチは, 従来の原子型を再現するのに十分な表現力を持つだけでなく, 既存の分子力学力場を正確に再現し, 拡張することができることを示す。
任意の損失関数で訓練され、量子化学計算から直接生体高分子と小分子に自己整合的に適用可能な全く新しい力場を構築することができ、従来の原子やパラメータタイピング方式よりも忠実である。
ペプチドデータセットを付加したopenff-1.2.0小分子力場をパラメータ化するために使用される同じ量子化学小分子データセットで訓練された場合、人気のあるベンチマークセットに対する相対的藻類自由エネルギー計算を計算する際に、得られたエスパーロマモデルが優れた精度を示す。
関連論文リスト
- Machine-learned molecular mechanics force field for the simulation of
protein-ligand systems and beyond [33.54862439531144]
生体分子シミュレーションとコンピュータ支援薬物設計には, 信頼性および分子力学(MM)力場の開発が不可欠である。
本稿では、一般化された機械学習型MM力場、ttexttespaloma-0.3、およびグラフニューラルネットワークを用いたエンドツーエンドの微分可能なフレームワークを紹介する。
力場は、小さな分子、ペプチド、核酸を含む薬物発見に非常に関係した化学ドメインの量子化学エネルギー特性を再現する。
論文 参考訳(メタデータ) (2023-07-13T23:00:22Z) - Molecule Design by Latent Space Energy-Based Modeling and Gradual
Distribution Shifting [53.44684898432997]
化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。
本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。
本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
論文 参考訳(メタデータ) (2023-06-09T03:04:21Z) - MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。
拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。
我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
論文 参考訳(メタデータ) (2023-04-28T04:25:57Z) - Molecular Geometry-aware Transformer for accurate 3D Atomic System
modeling [51.83761266429285]
本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。
MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
論文 参考訳(メタデータ) (2023-02-02T03:49:57Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳(メタデータ) (2022-05-17T13:08:28Z) - Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
本稿では,化学反応を用いて分子表現の学習を支援することを提案する。
本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。
実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
論文 参考訳(メタデータ) (2021-09-21T00:08:43Z) - Gaussian Moments as Physically Inspired Molecular Descriptors for
Accurate and Scalable Machine Learning Potentials [0.0]
本稿では,フィードフォワードニューラルネットワークに基づく高次元ポテンシャルエネルギー表面構築のための機械学習手法を提案する。
化学空間と構成空間の両方を表すために開発されたアプローチの精度は、いくつかの確立された機械学習モデルの1つに匹敵する。
論文 参考訳(メタデータ) (2021-09-15T16:46:46Z) - Flexible dual-branched message passing neural network for quantum
mechanical property prediction with molecular conformation [16.08677447593939]
メッセージパッシングフレームワークに基づく分子特性予測のための二重分岐ニューラルネットワークを提案する。
本モデルでは,様々なスケールで異種分子の特徴を学習し,予測対象に応じて柔軟に学習する。
論文 参考訳(メタデータ) (2021-06-14T10:00:39Z) - A Universal Framework for Featurization of Atomistic Systems [0.0]
物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。
本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。
我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
論文 参考訳(メタデータ) (2021-02-04T03:11:00Z) - MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [66.84839948236478]
生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。
本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
論文 参考訳(メタデータ) (2020-10-05T20:18:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。