論文の概要: Espaloma-0.3.0: Machine-learned molecular mechanics force field for the
simulation of protein-ligand systems and beyond
- arxiv url: http://arxiv.org/abs/2307.07085v1
- Date: Thu, 13 Jul 2023 23:00:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-17 15:20:52.122970
- Title: Espaloma-0.3.0: Machine-learned molecular mechanics force field for the
simulation of protein-ligand systems and beyond
- Title（参考訳）: espaloma-0.3.0: タンパク質リガンド系のシミュレーションのための機械駆動分子力学力場
- Authors: Kenichiro Takaba, Iv\'an Pulido, Mike Henry, Hugo MacDermott-Opeskin,
John D. Chodera, Yuanqing Wang
- Abstract要約: 量子化学データにエネルギーと力を直接適用することで、Espalomaのエンドツーエンドの微分力場構築手法を拡張した。
結果として生じる力場であるエスパロマ0.3.0は、量子化学エネルギーと力を正確に予測し、安定な量子化学エネルギー最小化測地を維持する。
- 参考スコア（独自算出の注目度）: 0.6116681488656472
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Molecular mechanics (MM) force fields -- the models that characterize the
energy landscape of molecular systems via simple pairwise and polynomial terms
-- have traditionally relied on human expert-curated, inflexible, and poorly
extensible discrete chemical parameter assignment rules, namely atom or valence
types. Recently, there has been significant interest in using graph neural
networks to replace this process, while enabling the parametrization scheme to
be learned in an end-to-end differentiable manner directly from quantum
chemical calculations or condensed-phase data. In this paper, we extend the
Espaloma end-to-end differentiable force field construction approach by
incorporating both energy and force fitting directly to quantum chemical data
into the training process. Building on the OpenMM SPICE dataset, we curate a
dataset containing chemical spaces highly relevant to the broad interest of
biomolecular modeling, covering small molecules, proteins, and RNA. The
resulting force field, espaloma 0.3.0, self-consistently parametrizes these
diverse biomolecular species, accurately predicts quantum chemical energies and
forces, and maintains stable quantum chemical energy-minimized geometries.
Surprisingly, this simple approach produces highly accurate protein-ligand
binding free energies when self-consistently parametrizing protein and ligand.
This approach -- capable of fitting new force fields to large quantum chemical
datasets in one GPU-day -- shows significant promise as a path forward for
building systematically more accurate force fields that can be easily extended
to new chemical domains of interest.
- Abstract（参考訳）: 分子力学(MM)力場 -- 単純な対数項と多項式項によって分子系のエネルギー景観を特徴づけるモデル -- は、伝統的に、人間の専門家による計算、柔軟性、拡張性の低い離散化学パラメータ割り当て規則、すなわち原子や原子価型に依存してきた。
近年、このプロセスを置き換えるためにグラフニューラルネットワークを使うことに大きな関心が寄せられ、量子化学計算や凝縮相データから直接、エンドツーエンドの微分可能な方法でパラメトリゼーションスキームを学習できるようになった。
本稿では, 量子化学データに直接適合するエネルギーと力の両方を訓練プロセスに組み込むことにより, エンドツーエンドの微分可能力場構築手法を拡張する。
OpenMM SPICEデータセットに基づいて、生体分子モデリングの幅広い関心と関連する化学空間を含むデータセットをキュレートし、小さな分子、タンパク質、RNAを網羅する。
結果として生じる力場 espaloma 0.3.0 は、これらの多様な生体分子種を自己持続的にパラメトリゼーションし、正確に量子化学エネルギーと力を予測する。
驚くべきことに、この単純なアプローチは、タンパク質とリガンドを自己持続的にパラメトリゼーションする際に、高度に正確なタンパク質-リガンド結合自由エネルギーを生み出す。
このアプローチは、新しい力場を1つのGPUデイで大きな量子化学データセットに適合させることができるが、新しい化学領域に容易に拡張可能な、体系的により正確な力場を構築するための道のりとして、非常に有望である。
関連論文リスト
- Data-Driven Parametrization of Molecular Mechanics Force Fields for Expansive Chemical Space Coverage [16.745564099126575]
我々は、薬物様分子のアンバー互換力場であるByteFFを開発した。
本モデルでは, 薬物様分子のすべての結合および非結合MM力場パラメータを, 広い化学空間にわたって同時に予測する。
論文 参考訳（メタデータ） (2024-08-23T03:37:06Z) - QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。
現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
論文 参考訳（メタデータ） (2023-06-15T23:39:07Z) - Towards Predicting Equilibrium Distributions for Molecular Systems with
Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。
DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文 参考訳（メタデータ） (2023-06-08T17:12:08Z) - 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) - A modular quantum-classical framework for simulating chemical reaction
pathways accurately [0.0]
化学反応経路を正確にシミュレートするモジュラー量子古典ハイブリッドフレームワークを提案する。
我々は、小さな有機分子の異性化経路を正確に追跡することで、我々の枠組みを実証する。
この枠組みは、薬品や化学産業の他の「活性」分子の研究に容易に応用できる。
論文 参考訳（メタデータ） (2022-10-17T10:41:53Z) - 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) - Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。
様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
論文 参考訳（メタデータ） (2022-02-01T18:54:24Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳（メタデータ） (2021-06-08T10:14:57Z) - An Extendible, Graph-Neural-Network-Based Approach for Accurate Force
Field Development of Large Flexible Organic Molecules [4.456834955307613]
我々はCWレベルの精度で大きなフレキシブル有機分子に対する伸縮性ab initio力場を開発する。
ポリエチレングリコールポリマー鎖の試験により, 異なる大きさの分子に対して, 我々の戦略は極めて正確かつ堅牢であることが判明した。
論文 参考訳（メタデータ） (2021-06-02T04:12:54Z) - End-to-End Differentiable Molecular Mechanics Force Field Construction [0.5269923665485903]
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。
論文 参考訳（メタデータ） (2020-10-02T20:59:46Z)
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。