Použití neuronových sítí pro vývoj silových polí pomocí (NNFF) vhodných na zkoumání enzymatických chemických reakcí

V posledních několika letech se úsilí mnoha výpočetních chemiků zaměřovalo na vytváření silových polí pro biologické molekuly, a to na základě strojového učení, jako je SpookyNet nebo AI2BMD. Ty v sobě spojují přesnost kvantově-chemických metod, avšak jsou o mnoho řádů rychlejší. Tyto modely se většinou zaměřovaly na nahrazení tradičních molekulově-mechanických (MM) silových polí, a méně zabývaly tím, aby byly přesné v režimu chemických reakcí, tedy pro případy, kdy se tvoří a zanikají chemické vazby. Kromě toho existuje třída modelů, jako například OrbNet nebo AIMNet2, které byly navrženy tak, aby byly univerzální. Cílem tohoto projektu bude ověřit, zda by bylo možné generováním rozsáhlého množství uvážlivě vybraných trénovacích dat vytvořit silová pole založené na neuronové síti (neural network force-field, NNFF), které by mohly urychlit zkoumání enzymových reakčních povrchů. Na základě datové sady PeptideCS, která je vyčerpávajícím mapováním hyperploch potenciální energie peptidů, bude hlavním výzkumným úkolem přijít s vhodnými trénovacími daty nejprve pro konkrétní enzymatickou reakci, jako je hydrolýza esterové vazby, a později studovat tzv. Paretovu frontu univerzality a přesnosti zahrnutím více skupin reakcí najednou, aby se nakonec dospělo k „univerzálnímu“ modelu. To bude zahrnovat návrh vhodných srovnávacích problémů, provedení referenčního výpočtu pomocí DFT, rozsáhlé generování trénovacích dat, trénování a modifikaci publikovaných modelů NN na vlastních souborech dat a vyhodnocení jejich výkonnosti. Konečným cílem bude o několik řádů snížit výpočetní náročnost ve výzkumu enzymové katalýzy a vytvořit tak obecně požívaný výpočetní nástroj pro širokou komunitu chemiků a biochemiků.

Obor: Modelování chemických vlastností nano- a biostruktur

Reference:

• Unke, O. T.; Chmiela, S.; Sauceda, H. E.; Gastegger, M.; Poltavsky, I.; Schütt, K. T.; Tkatchenko, A.; Müller, K. Machine Learning Force Fields. Chem. Rev. 2021, 121, 10142-10186. doi:10.1021/acs.chemrev.0c01111
• Wang, Y.; Wang, T.; Li, S.; He, X.; Li, M.; Wang, Z.; Zheng, N.; Shao, B.; Liu, T. Enhancing geometric representations for molecules with equivariant vector-scalar interactive message passing. Nat. Commun. 2024, 15, 313. doi:10.1038/s41467-023-43720-2
• Frank, J. T.; Unke, O. T.; Müller, K.; Chmiela, S. A Euclidean transformer for fast and stable machine learned force fields. Nat. Commun. 2024, 15, 6539. doi:10.1038/s41467-024-50620-6
• Anstine, D.; Zubatyuk, R.; Isayev, O. AIMNet2: A Neural Network Potential to Meet your Neutral, Charged, Organic, and Elemental-Organic Needs. ChemRxiv 2024. doi:10.26434/chemrxiv-2023-296ch-v3
• Zhang, S.; Makoś, M. Z.; Jadrich, R. B.; Kraka, E.; Barros, K.; Nebgen, B. T.; Tretiak, S.; Isayev, O.; Lubbers, N.; Messerly, R. A.; Smith, J. S. Exploring the frontiers of condensed-phase chemistry with a general reactive machine learning potential. Nat. Chem. 2024, 16, 727-734. doi:10.1038/s41557-023-01427-3