論文の概要: Enerzyme: A Framework for Efficient Training of Reactive Neural Network Potentials for Enzyme Catalysis with Application to Methyltransferases

• arxiv url: http://arxiv.org/abs/2607.01362v1
• Date: Wed, 01 Jul 2026 18:24:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.550871
• Title: Enerzyme: A Framework for Efficient Training of Reactive Neural Network Potentials for Enzyme Catalysis with Application to Methyltransferases
• Title（参考訳）: Enerzyme: 酵素触媒のための反応性ニューラルネットワーク電位の効率的な訓練とメチルトランスフェラーゼへの応用
• Abstract要約: 本稿では、酵素の力学研究のための効率的なニューラルネットワークポテンシャルトレーニングのための統合ソフトウェアフレームワークを提案する。 コードでは, モジュール型静電気対応NNPアーキテクチャを導入し, 自動QMクラスタ構築とリアクティブデータセット生成を組み合わせた。 MTaseクラスターの反応エネルギーと遷移状態構造は, 最大545個の原子をほぼ化学的精度で再現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Quantum mechanical (QM) cluster models provide an effective framework for mechanistic studies of enzymatic reactions but remain computationally demanding. Neural network potentials (NNPs) offer a promising route to reduce this cost, but enzymes present challenges beyond small molecules, including large system sizes, implicit-solvent environments, substantial polarization, and charge transfer. Here, we present an integrated software framework for efficient NNP training for mechanistic studies of enzymes, demonstrated on QM cluster models of S-adenosyl-L-methionine-dependent methyltransferases (MTases). Our Enerzyme code introduces modular electrostatics-aware NNP architectures and combines automated QM-cluster construction with reactive dataset generation. The Enerzymette subpackage automates reaction pathway exploration at both NNP and DFT levels. We show that iterative flexible scans and nudged elastic band calculations impose stricter requirements on NNPs than conventional dataset metrics. Nevertheless, NNPs trained on fewer than 1,000 system-specific datapoints reproduce reaction energetics and transition-state structures for MTase clusters containing up to 545 atoms with near-chemical accuracy. Direct supervision of atomic charges and consistent dielectric screening substantially improve simulation stability and accuracy, while multitask-learned atomic charges capture charge transfer and polarization trends and provide chemically meaningful descriptors of reactivity. Finally, transferability across chemically diverse catechol O-methyltransferase substrates indicates that NNPs learn generalizable reactivity patterns as training data expand across multiple enzymes. Together, these results establish a foundation for accelerating enzyme mechanistic studies and guide future NNP development for biomolecular reactivity.
• Abstract（参考訳）: 量子力学的クラスターモデル(QM)は、酵素反応の力学的研究に有効な枠組みを提供するが、計算的に要求される。 ニューラルネットワーク電位(NNP)は、このコストを削減するための有望な経路を提供するが、酵素は、大きなシステムサイズ、暗黙の溶媒環境、実質的な分極、電荷移動を含む、小さな分子を超えた課題を示す。 本稿では,S-アデノシル-L-メチオニン依存性メチルトランスフェラーゼ(MTase)のQMクラスターモデルを用いて,酵素の力学的研究のための効率的なNNPトレーニングのための統合ソフトウェアフレームワークを提案する。 当社のEnerzymeコードは,モジュール型静電気対応NNPアーキテクチャを導入し,自動QMクラスタ構築とリアクティブデータセット生成を組み合わせた。 EnerzymetteサブパッケージはNNPとDFTの両方で反応経路の探索を自動化する。 本研究では, 繰り返しフレキシブルスキャンと非線形バンド計算により, 従来のデータセットの指標よりも厳密な要求をNNPに課していることを示す。 それでも、NNPは1000個未満のシステム固有のデータポイントで訓練され、ほぼ化学的精度で最大545個の原子を含むMTaseクラスターの反応エネルギーと遷移状態構造を再現した。 原子電荷の直接監督と一貫した誘電体スクリーニングはシミュレーションの安定性と精度を大幅に改善する一方、マルチタスクで学習した原子電荷は電荷移動と偏極の傾向を捉え、化学的に意味のある反応性の記述子を提供する。 最後に、化学的に多様なカテコールO-メチルトランスフェラーゼ基質間の転写性は、NNPが複数の酵素にまたがるトレーニングデータが広がるにつれて、一般化可能な反応性パターンを学習することを示している。 これらの結果は、酵素力学研究の加速の基礎を確立し、生体分子反応性のための今後のNNP開発を導く。

関連論文リスト

• Ab initio Modeling of MoS2/Oxide Device Interfaces with Machine Learned Electronic Structures [66.44589802420899]
  我々は、スケーラブルな機械学習(ML)電子構造モデルと高度な量子輸送(QT)解決器を統合する半導体デバイスをシミュレートするための新しいab initioアプローチを導入する。 このフレームワークは密度汎関数理論上の10,000Xのスピードアップを可能にし、20,000個の原子からなる装置のハミルトン行列を生成する。
  論文  参考訳（メタデータ） (2026-08-27T15:33:39Z)
• QT-Net: Rethinking Evaluation of AI Models in Atomic Chemical Space [5.76402440170162]
  量子トポロジカルニューラルネットワーク(Quantum Topological Neural Network, QT-Net)は、回転的に拡張された非同変グラフニューラルネットワークである。 QT-Netは、トレーニングセット外のQM9から分子中の原子の性質を推測するために使用できることを示す。 我々はQT-NetのJAX実装を含むすべてのコードとデータをリリースし、原子スケールの分子機械学習のための誘導バイアスとして学習されたQTAプロパティの幅広い利用を支援する。
  論文  参考訳（メタデータ） (2026-05-11T12:29:10Z)
• Autotuning T-PaiNN: Enabling Data-Efficient GNN Interatomic Potential Development via Classical-to-Quantum Transfer Learning [0.0]
  本稿では,GNN-MLIPのデータ効率を大幅に向上するトランスファー学習フレームワークであるTransfer-PaiNNを紹介する。 我々は,T-PaiNNの自動調整が気相分子系と凝縮相液水の両方に与える影響を実証した。 例えば、QM9データセットを用いて、低データ状態では最大25倍の誤差低減が観測され、一方、液体水シミュレーションではエネルギー、力、密度、拡散などの実験的特性の予測が改善された。
  論文  参考訳（メタデータ） (2026-03-25T19:22:56Z)
• From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
  Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。 OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。 ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-02-20T18:58:43Z)
• Quantum Walks for Chemical Reaction Networks [0.061573828205377185]
  固定構造化学反応ネットワークを解析するための量子アルゴリズムフレームワークの基礎を築いた。 我々は摂動後の標的種の到達性を決定する量子アルゴリズムを開発した。 我々のアプローチは、複雑なCRNの構造とエネルギーを解析するための新しいツールを提供する。
  論文  参考訳（メタデータ） (2025-09-09T16:14:16Z)
• Learning Potential Energy Surfaces of Hydrogen Atom Transfer Reactions in Peptides [0.562479170374811]
  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。
  論文  参考訳（メタデータ） (2025-08-01T12:21:49Z)
• Accurate Ab-initio Neural-network Solutions to Large-Scale Electronic Structure Problems [52.19558333652367]
  有限範囲埋め込み(FiRE)を高精度なアブ・イニシアチブ電子構造計算に応用する。 FiREは、ニューラルネットワークの変異モンテカルロ(NN-VMC)の複雑さを$sim ntextel$, the number of electronsによって低減する。 バイオケミカル化合物や有機金属化合物など,様々な課題に対して,本手法の精度を検証した。
  論文  参考訳（メタデータ） (2025-04-08T14:28:54Z)
• Electron-Electron Interactions in Device Simulation via Non-equilibrium Green's Functions and the GW Approximation [71.63026504030766]
  電子-電子(e-e)相互作用は、量子輸送シミュレーションに明示的に組み込まれなければならない。 この研究は、非平衡条件下でのナノデバイスの大規模原子論的量子輸送シミュレーションを報告した最初のものである。
  論文  参考訳（メタデータ） (2024-12-17T15:05:33Z)
• A self-consistent field approach for the variational quantum eigensolver: orbital optimization goes adaptive [52.77024349608834]
  適応微分組立問題集合型アンザッツ変分固有解法(ADAPTVQE)における自己一貫したフィールドアプローチ(SCF)を提案する。 このフレームワークは、短期量子コンピュータ上の化学系の効率的な量子シミュレーションに使用される。
  論文  参考訳（メタデータ） (2022-12-21T23:15:17Z)
• Quantum transport in interacting nanodevices: from quantum dots to single-molecule transistors [0.0]
  量子ドットデバイスでは、特徴的なエネルギースケール以下の導電率の向上は、コンド一重項の形成のサインである。 我々は、オルタナティブを解析的に導き、量子輸送の定式化を改善した。 新しい定式化は高い精度と計算効率を示す。
  論文  参考訳（メタデータ） (2022-12-19T15:25:16Z)
• 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)

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。