Grappa — A Machine Learned Molecular Mechanics Force Field

要約

長いタイムスケールにわたって大規模な分子システムをシミュレートするには、正確かつ効率的な力場が必要です。
近年、E(3) 等変ニューラル ネットワークにより、計算効率と力場の精度の間の緊張が緩和されましたが、依然として確立された分子力学 (MM) 力場よりも数桁高価です。
ここでは、グラフ アテンション ニューラル ネットワークと対称性を保持する位置エンコーディングを備えたトランスフォーマーを使用して、分子グラフから MM パラメーターを予測する機械学習フレームワークである Grappa を提案します。
結果として得られるグラッパ力場は、同じ計算効率での精度の点で、安定化され機械学習された MM 力場よりも優れており、GROMACS や OpenMM などの既存の分子動力学 (MD) エンジンで使用できます。
最先端の MM 精度で、小分子、ペプチド、RNA、および化学空間の未知の領域への拡張性を示すラジカルのエネルギーと力を予測します。
私たちは、MD シミュレーションで、小さな高速フォールディングタンパク質からウイルス粒子全体に至るまでの高分子へのグラッパの転移性を実証します。
私たちの力場は、確立されたタンパク質の力場と同じ計算コストで、化学的精度に近い生体分子シミュレーションの準備を整えます。

要約(オリジナル)

Simulating large molecular systems over long timescales requires force fields that are both accurate and efficient. In recent years, E(3) equivariant neural networks have lifted the tension between computational efficiency and accuracy of force fields, but they are still several orders of magnitude more expensive than established molecular mechanics (MM) force fields. Here, we propose Grappa, a machine learning framework to predict MM parameters from the molecular graph, employing a graph attentional neural network and a transformer with symmetry-preserving positional encoding. The resulting Grappa force field outperformstabulated and machine-learned MM force fields in terms of accuracy at the same computational efficiency and can be used in existing Molecular Dynamics (MD) engines like GROMACS and OpenMM. It predicts energies and forces of small molecules, peptides, RNA and – showcasing its extensibility to uncharted regions of chemical space – radicals at state-of-the-art MM accuracy. We demonstrate Grappa’s transferability to macromolecules in MD simulations from a small fast folding protein up to a whole virus particle. Our force field sets the stage for biomolecular simulations closer to chemical accuracy, but with the same computational cost as established protein force fields.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google