論文の概要: Learning Potential Energy Surfaces of Hydrogen Atom Transfer Reactions in Peptides

• arxiv url: http://arxiv.org/abs/2508.00578v1
• Date: Fri, 01 Aug 2025 12:21:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-04 18:08:53.872594
• Title: Learning Potential Energy Surfaces of Hydrogen Atom Transfer Reactions in Peptides
• Title（参考訳）: ペプチド中の水素原子移動反応の学習ポテンシャルエネルギー表面
• Authors: Marlen Neubert, Patrick Reiser, Frauke Gräter, Pascal Friederich,
• Abstract要約: 水素原子移動(HAT)反応は、損傷したタンパク質のラジカル移動など、多くの生物学的プロセスにおいて必須である。 機械学習型ポテンシャルは、ほぼ量子精度でポテンシャルエネルギー面を学習できる代替手段を提供する。 そこで我々は,半経験的手法とDFTを用いて大規模データセットを構築するために,ペプチドのHAT構成を体系的に生成する。
• 参考スコア（独自算出の注目度）: 0.562479170374811
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hydrogen atom transfer (HAT) reactions are essential in many biological processes, such as radical migration in damaged proteins, but their mechanistic pathways remain incompletely understood. Simulating HAT is challenging due to the need for quantum chemical accuracy at biologically relevant scales; thus, neither classical force fields nor DFT-based molecular dynamics are applicable. Machine-learned potentials offer an alternative, able to learn potential energy surfaces (PESs) with near-quantum accuracy. However, training these models to generalize across diverse HAT configurations, especially at radical positions in proteins, requires tailored data generation and careful model selection. Here, we systematically generate HAT configurations in peptides to build large datasets using semiempirical methods and DFT. We benchmark three graph neural network architectures (SchNet, Allegro, and MACE) on their ability to learn HAT PESs and indirectly predict reaction barriers from energy predictions. MACE consistently outperforms the others in energy, force, and barrier prediction, achieving a mean absolute error of 1.13 kcal/mol on out-of-distribution DFT barrier predictions. This accuracy enables integration of ML potentials into large-scale collagen simulations to compute reaction rates from predicted barriers, advancing mechanistic understanding of HAT and radical migration in peptides. We analyze scaling laws, model transferability, and cost-performance trade-offs, and outline strategies for improvement by combining ML potentials with transition state search algorithms and active learning. Our approach is generalizable to other biomolecular systems, enabling quantum-accurate simulations of chemical reactivity in complex environments.
• Abstract（参考訳）: 水素原子移動(HAT)反応は、損傷したタンパク質のラジカル移動など、多くの生物学的プロセスにおいて必須であるが、その力学経路は不完全である。 HATのシミュレーションは、生物学的に関係のあるスケールで量子化学的精度を必要とするため困難であり、古典的な力場やDFTに基づく分子動力学は適用されない。 機械学習型ポテンシャルは、ほぼ量子精度でポテンシャルエネルギー表面(PES)を学習できる代替手段を提供する。 しかし、これらのモデルを、様々なHAT構成、特にタンパク質の急進的な位置で一般化するために訓練するには、データ生成の調整と慎重なモデル選択が必要である。 そこで我々は,半経験的手法とDFTを用いて大規模データセットを構築するために,ペプチドのHAT構成を体系的に生成する。 我々は、HAT PESを学習し、エネルギー予測から間接的に反応障壁を予測する能力について、3つのグラフニューラルネットワークアーキテクチャ(SchNet、Allegro、MACE)をベンチマークする。 MACEはエネルギー、力、バリア予測において他よりも一貫して優れており、ディストリビューション外のDFTバリア予測では平均1.13 kcal/molの絶対誤差を達成している。 この精度はML電位を大規模コラーゲンシミュレーションに統合し、予測された障壁からの反応速度を計算し、HATの力学的理解とペプチドのラジカル移動を促進する。 我々は、スケーリング法則、モデル転送可能性、コストパフォーマンストレードオフを分析し、MLポテンシャルと遷移状態探索アルゴリズムとアクティブラーニングを組み合わせることで改善戦略を概説する。 我々のアプローチは他の生体分子系にも一般化可能であり、複雑な環境下での化学反応性の量子精度シミュレーションを可能にする。

関連論文リスト

• Coupled reaction and diffusion governing interface evolution in solid-state batteries [4.707991478885645]
  我々は、対称電池セルの量子精度で、大規模で明示的な反応シミュレーションを行う。 我々はSEI生成の実験的観察と,デンドライト開始に重要なLiクリープ機構の解明について説明する。 我々のアプローチは、実験に適合する調整可能なパラメータを使わずに、デジタル双生児を第一原理から切り離すことです。
  論文  参考訳（メタデータ） (2025-06-12T17:49:05Z)
• Ab-initio simulation of excited-state potential energy surfaces with transferable deep quantum Monte Carlo [4.437335677401287]
  本稿では,ニューラルネットワーク波動関数の幾何変換可能な最適化手法を提案する。 提案手法は, 地上および励起状態のPSSとその交差点を高い精度で効率的に予測することを可能にする。 我々は, エチレン, 炭素二量体, メチルエニモニウムカチオンを含む3つの挑戦的励起状態PSSに対するアプローチを検証した。
  論文  参考訳（メタデータ） (2025-03-25T17:12:29Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。 第一原理計算では,10種中8種が室温で超イオン性であることが確認された。 本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• Denoise Pretraining on Nonequilibrium Molecules for Accurate and Transferable Neural Potentials [8.048439531116367]
  より正確で伝達可能なGNNポテンシャル予測を実現するために,非平衡分子配座の事前学習を提案する。 小分子で事前学習したモデルでは、顕著な伝達性を示し、多様な分子系で微調整された場合の性能が向上した。
  論文  参考訳（メタデータ） (2023-03-03T21:15:22Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Transition1x -- a Dataset for Building Generalizable Reactive Machine Learning Potentials [7.171984408392421]
  960万の密度汎関数理論(DFT)計算を含むデータセットトランジション1xを提案する。 MLモデルは、人気のあるベンチマークデータセットをトレーニングすることでのみ、遷移状態領域の機能を学習できないことを示す。
  論文  参考訳（メタデータ） (2022-07-25T07:30:14Z)
• NeuralNEB -- Neural Networks can find Reaction Paths Fast [7.7365628406567675]
  密度汎関数理論 (DFT) のような量子力学的手法は、反応系の運動学を研究するための効率的な探索アルゴリズムと共に大きな成功を収めている。 機械学習(ML)モデルは、小さな分子DFT計算の優れたエミュレータであることが判明し、そのようなタスクでDFTを置き換える可能性がある。 本稿では、Transition1xデータセットから約10万の初等反応に基づいて、アート同変グラフニューラルネットワーク(GNN)に基づくモデルの状態を訓練する。
  論文  参考訳（メタデータ） (2022-07-20T15:29:45Z)
• Exploring accurate potential energy surfaces via integrating variational quantum eigensovler with machine learning [8.19234058079321]
  この研究で、変分量子アルゴリズムは機械学習(ML)技術と統合可能であることを示す。 変分量子固有解法(VQE)のパラメータを表すために,分子幾何学情報をディープニューラルネットワーク(DNN)に符号化する。
  論文  参考訳（メタデータ） (2022-06-08T01:43:56Z)
• 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)
• Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
  分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
  論文  参考訳（メタデータ） (2022-02-13T04:56:18Z)
• 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)
• Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
  VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。 どちらの手法もエネルギーと基底状態の優れた推定値を提供する。 勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
  論文  参考訳（メタデータ） (2020-11-02T19:52:04Z)

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。