論文の概要: Machine-learned molecular mechanics force field for the simulation of protein-ligand systems and beyond

• arxiv url: http://arxiv.org/abs/2307.07085v4
• Date: Fri, 8 Dec 2023 23:11:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-12-13 02:10:08.827847
• Title: Machine-learned molecular mechanics force field for the simulation of protein-ligand systems and beyond
• Title（参考訳）: 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学習分子力学力場
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 33.54862439531144
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The development of reliable and extensible molecular mechanics (MM) force fields -- fast, empirical models characterizing the potential energy surface of molecular systems -- is indispensable for biomolecular simulation and computer-aided drug design. Here, we introduce a generalized and extensible machine-learned MM force field, \texttt{espaloma-0.3}, and an end-to-end differentiable framework using graph neural networks to overcome the limitations of traditional rule-based methods. Trained in a single GPU-day to fit a large and diverse quantum chemical dataset of over 1.1M energy and force calculations, \texttt{espaloma-0.3} reproduces quantum chemical energetic properties of chemical domains highly relevant to drug discovery, including small molecules, peptides, and nucleic acids. Moreover, this force field maintains the quantum chemical energy-minimized geometries of small molecules and preserves the condensed phase properties of peptides, self-consistently parametrizing proteins and ligands to produce stable simulations leading to highly accurate predictions of binding free energies. This methodology demonstrates significant promise as a path forward for systematically building more accurate force fields that are easily extensible to new chemical domains of interest.
• Abstract（参考訳）: 信頼性と拡張性を持つ分子力学(MM)力場 -- 分子系のポテンシャルエネルギー表面を特徴付ける高速で経験的なモデル -- の開発は、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不可欠である。 本稿では,一般化・拡張可能な機械駆動mm力場である \texttt{espaloma-0.3} と,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フレームワークを導入し,従来のルールベース手法の限界を克服する。 1日で1.1M以上のエネルギーと力の計算の多様で多様な量子化学データセットに適合するように訓練された \texttt{espaloma-0.3} 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のある化学領域の量子化学エネルギー特性を再現する。 さらに、この力場は、小さな分子の量子化学エネルギー最小のジオメトリを維持し、ペプチド、自己整合的にパラメトリズされたタンパク質およびリガンドの凝縮相特性を保存し、安定したシミュレーションを生成し、より正確な結合自由エネルギーの予測に繋がる。 この方法論は、新しい化学領域に容易に拡張可能なより正確な力場を体系的に構築するための道筋として大きな期待を示す。

関連論文リスト

• Molecular Representations in Implicit Functional Space via Hyper-Networks [53.70982267248536]
  分子学習は関数空間における学習として定式化することができる。 分子場上の分布を学習するハイパーネットワークベースのフレームワークであるMollFieldを用いて、この定式化をインスタンス化する。 分子を連続関数として扱うことは、分子表現がタスク全体にわたって一般化する方法を根本的に変えることを示す。
  論文  参考訳（メタデータ） (2026-01-29T21:13:37Z)
• Torsional-GFN: a conditional conformation generator for small molecules [75.91029322687771]
  ボルツマン分布に比例して分子の配座をサンプリングするために特別に設計された条件付きGFlowNetを導入する。 我々の研究は、提案したアプローチをより大きな分子系に拡張するための有望な道を示す。
  論文  参考訳（メタデータ） (2025-07-15T21:53:25Z)
• How to use quantum computers for biomolecular free energies [2.7113856644674037]
  自由エネルギー計算は物理学に基づく生化学プロセスの分析の中心にある。 本稿では, サブストラクチャで得られた正確な量子力学データを, 機械学習による生体分子複合体全体のポテンシャルエネルギーに連続的に関連付ける方法を示す。
  論文  参考訳（メタデータ） (2025-06-25T16:27:36Z)
• Efficient Protein Ground State Energy Computation via Fragmentation and Reassembly [0.0]
  本稿では,既存の量子アルゴリズムを用いて量子シミュレーションを実現する新しい手法を提案する。 我々のアプローチでは、タンパク質を対応するアミノ酸に分解し、それらを個別にシミュレートし、その後再組み立てする。
  論文  参考訳（メタデータ） (2025-01-07T13:10:49Z)
• 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。