隐式溶剂中量子力学能从短寡肽到长寡肽的机器学习方法外推

《Journal of Chemical Information and Modeling》:Machine-Learned Extrapolation of Quantum Mechanical Energies in Implicit Solvent from Short to Long Oligopeptides

【字体: 大 中 小 】 时间:2026年04月07日 来源:Journal of Chemical Information and Modeling 5.3

编辑推荐:

  是否可能在数秒内获得任意寡肽结构在隐式溶剂中的高精度量子力学(QM)能量?研究人员探索了利用从数十万个封端单肽、二肽和三肽中获得严格量子化学数据构建更大肽势能面的可能性。研究表明,现代机器学习方法,特别是NequIP(Nequilibrated Interat

  
是否可能在数秒内获得任意寡肽结构在隐式溶剂中的高精度量子力学(QM)能量?研究人员探索了利用从数十万个封端单肽、二肽和三肽中获得严格量子化学数据构建更大肽势能面的可能性。研究表明,现代机器学习方法,特别是NequIP(Nequilibrated Interatomic Potentials,等原子间势),仅在三肽上训练即可预测随机十肽的QM能量,均方根误差(RMSE)<2 kcal mol?1。模型在其他分布外任务中也表现良好:31肽的构象排序(识别全局最小值)、几何优化(RMSD 0.009 ?)以及蛋白质数据银行(PDB)结构上侧链相互作用能的预测(亚kcal mol?1精度)。研究表明,机器学习方法的成功 critically dependent on两个因素:(i)包含来自热分子动力学(hot MD)采样的非平衡结构,包括对二面角的系统采样;(ii)训练于溶剂化结构的能量而非气相能量。溶剂化系统对机器学习而言更易预测,且是更相关的典型生物分子相互作用模型。所有数据集和模型已在doi.org/10.5281/zenodo.15356387公开。
研究背景与问题

计算化学和量子化学领域近年来因机器学习(ML)的引入而经历了深刻变革,密度泛函理论(DFT)、波函数理论、经典分子力学和分子动力学(MD)模拟等传统领域均被重塑。在蛋白质科学与结构生物学中,蛋白质结构预测器如AlphaFold系列架构已取得突破性进展。在此背景下,研究人员致力于从头预测肽和蛋白质结构,即不依赖蛋白质数据银行(PDB)等结构数据库中的大量实验结构,而仅基于量子化学原理提供准确且无偏倚的分子能量。此类方法对构建经验力场已有价值,且低能构象的计算预测与核磁共振(NMR)、振动圆二色谱(VCD)和电子圆二色谱(ECD)等实验技术确定的溶液结构具有相关性。然而,实现从头结构预测需满足两个必要条件:(i)溶剂化效应的处理;(ii)穷举的构象采样。溶剂化效应的处理在ML研究中主要通过显式溶剂化或隐式溶剂化模型实现,前者准确但需大量采样,后者通常采用极化连续介质模型(PCM)方法。然而,构象采样的挑战更为严峻:独特构象数随肽链长度指数增长,而20N种N肽序列组合与实用的QM方法约n2-n3的标度性叠加,使得N > 3的系统计算不可行。一种可能路径是利用穷尽的单肽、二肽和三肽数据库作为"合成"训练集,训练现代ML力场(MLFF),以在极短时间内预测寡肽结构的QM(DFT)级能量,从而推动更长肽的可靠DFT质量构象数据生成。

现有研究发现,生物分子模型普遍具有良好的外推能力,如PhysNet模型训练于蛋白质结构的氢封端片段("amons"),可较好预测Ala10肽的气相能量和几何结构。显式溶剂化与常规MD方法一致,但其高额计算成本限制了大规模构象采样。本研究探索了孤立多肽单元与隐式溶剂模型组合的外推能力,证明此类外推确实可行,且训练于隐式溶剂化结构能量较之气相能量更能促进外推。

研究方法与技术路线

研究人员采用NequIP架构训练神经网络势函数(NNP),基于六种计算水平评估模型性能:(i)GFN2-xTB半经验水平结合ALPB溶剂化模型;(ii)GFN-FF半经验水平结合ALPB溶剂化模型;(iii)BP86-D3BJ/dgauss-dzvp DFT水平结合COSMO隐式溶剂模型(εr = 80);(iv)相同DFT水平的气相计算;(v)COSMO-RS水平计算;(vi)ff14SBonlysc力场结合GBn隐式溶剂模型。数据集构建方面,从20种天然氨基酸(含组氨酸三种质子化态)生成PeptideCS2数据集,包括封端单肽(T1)、二肽(T2)、三肽(T3)及其混合(T123),各含234,256个构象(训练用230,000个)。通过RDKit生成初始结构,经约束最小化(_C)、无约束最小化(_M)和高温短MD模拟(_H,800 K,0.3 ps)获得非平衡几何。验证集涵盖:1000个随机五肽(V5)、1000个随机十肽(V10)、单个十肽的100个构象(V10C、V10CA)、31肽AMHεGATILSVSRFGGDRELLSSQVTQEGEVN的1001个MD构象(V31C)、以及23肽E6apn1(PDB: 1RIJ)的803个MD构象(V23C)。能量输入采用形成能(Ef),即从CH4、CO2、H2O、NH3、NH4+和H2S分子形成肽所需的能量,以消除原子贡献并缩窄能量分布。模型训练使用NequIP v0.6.1,在Nvidia A100 GPU上运行96小时,采用128特征、4层、批量大小15的固定架构,评估指标包括RMSE、系统偏移量(shift)和线性拟合相关系数R2。

研究结果

模型性能评估:研究人员系统评估了训练集因素对随机五肽和十肽预测质量的影响。T3_H_EF模型(基于三肽热MD结构训练)对五肽的RMSEshift为1.0 kcal mol?1,对十肽为2.3 kcal mol?1。训练集肽链长度方面,仅训练于单肽的T1模型与训练于更长寡肽的T2、T3、T123模型之间存在显著性能跃升,表明残基对相互作用对蛋白质语境至关重要。然而,T123模型与T2-T3模型性能相近,说明肽链长度多样性对训练并非关键。训练集几何类型(_M < _C < _H)是更关键的分化因素:_M型局部最小结构作为最简单基线;_C型含扭曲二面角;_H型通过热MD进一步偏离平衡。非平衡几何的引入在所有情况下均改善预测,_C与_H型模型表现相近,仅_H型对_H型验证集略有优势。能量偏移分析显示,训练集多样性低于验证集时产生显著偏移,如_M型训练模型对V10_H数据集产生约?200 kcal mol?1的负偏移,而_H型模型偏移仅?1.8至?3.2 kcal mol?1。

更小蛋白质案例:31肽与23肽迷你蛋白:针对31肽V31C_M数据集,多数模型能正确识别最低能结构。T3_H_EF模型的RMSEshift为4.7 kcal mol?1,系统偏移3.9 kcal mol?1,R2达0.98。与其他计算水平比较,PBE和TPSS泛函的RMSEshift分别为3.9和1.2 kcal mol?1,表明ML近似误差与改变DFT泛函或基组相当。研究假设训练集中非平衡结构的纳入是最关键因素,因其使模型掌握单个残基嵌入较大肽蛋白时的应变几何能量表面。模型甚至能描述序列远端残基间的长程相互作用。NNP的CPU推理时间约20秒(GPU约0.2秒),较约2小时的完整DFT计算提速3-5个数量级。

针对23肽E6apn1(PDB: 1RIJ),模型将折叠结构MD模拟产生的构象平均排序为更低能量,与实验观察一致,尽管该迷你蛋白的折叠态仅边际稳定(室温下约10%未折叠态)。研究人员还尝试用原子模拟环境(ASE)库进行MD模拟,0.5 fs时间步长下0.2 ns/天的速度远低于GROMACS的~270 ns/天,故ML力场目前尚不适于折叠路径追踪,但可与传统MD结合用于构象排序。

几何优化:对V10_M数据集的10个随机结构进行DFT优化并与ML重优化结果比较,发现优化性能主要取决于数据集多样性(_M << _C < _H)而非肽链大小。T3_H_EF模型的优化能量变化低于1 kcal mol?1,RMSD约10?3 ?,表明模型可获得DFT水平的优化几何,且无需在训练集中包含真实平衡几何,GFN2-xTB优化的几何已足够应用。

NequIP性能解析:侧链相互作用能:利用蛋白质侧链相互作用图谱(APSCI)评估模型对真实蛋白质侧链相互作用的预测。T3_H_EF模型对大多数基团的RMSE低于0.7 kcal mol?1,未带电基团间及未带电与正电荷基团间相互作用的RMSE达0.2 kcal mol?1。模型对正电荷残基间(如Lys-Lys)或涉及负电荷残基(如Asp-Tyr、Asp-Lys)的相互作用预测较差,对两个负电荷残基间(如Asp-Glu)预测最差。高误差结构多涉及异常短距离的羧酸根氧原子或Tyr与Asp/Glu间的短氢键距离,这些不在训练数据覆盖范围内。距离扫描证实,2 ?以下距离处DFT与T3_H_EF能量出现显著分歧(>5 kcal mol?1)。总体而言,模型正确预测了绝大多数侧链相互作用,误差>1 kcal mol?1的结构<1%。

与标准量子化学ML方法的比较:气相能量:为评估隐式溶剂化方案的优势,研究人员训练了类似T3_H_EF的气相能量模型T3(g)_H_EF。该模型性能显著劣化:内部验证集平均绝对误差为0.14 eV(3.2 kcal mol?1),而T3_H_EF仅0.02 eV(0.5 kcal mol?1)。V10(g)_H的RMSEshift达34.1 kcal mol?1,远超V10_H的2.3 kcal mol?1。气相与溶剂化能量相关性差(R2 = 0.6),限制了气相模型在溶液构象排序中的直接应用。与AIMNet2、MACE-OFF24(M)、SO3LR和UMA等预训练模型相比,T3(g)_H_EF在V10C(g)_H数据集上表现与UMA相近、优于其他模型,但该比较因DFT方法差异而不完全公平。研究表明,隐式溶剂中预测能量更易实现,因长程静电相互作用被高介电常数的水溶剂衰减,这增强了总能量预测能力,且结果对生物系统更具相关性。

与实验三肽构象的比较:为验证NN近似的实际应用,研究人员基于COSMO-RS水平重新计算T3_H数据集能量,训练仅使用能量(无梯度)的T3(RS)_H_E模型,重现此前关于亲螺旋和亲延伸三肽的实验验证结果。VIV和ALA肽预测为延伸构象,EAM预测为混合构象,DIC为最具螺旋倾向的测试三肽,与实验观察一致。该验证的局限在于未测试长度外推性能;T3_H_EF模型因训练DFT方法不同而结果与实验一致性较差。

讨论与结论

研究人员训练NequIP神经网络势函数预测更大肽的QM(DFT-D3)//COSMO能量,揭示了训练集性质对短肽训练模型外推至长肽能力的影响。单肽与更长寡肽训练模型间的显著性能差异证实,残基对相互作用在蛋白质语境中至关重要,蛋白质不能视为独立氨基酸序列。最小训练集为二肽,三肽带来额外(较小)改善。更为关键的是训练数据中包含800 K热MD的约束结构(_H),最佳模型T3_H_EF在十肽验证集V10_H上达到R2 = 0.998、RMSEshift = 2.3 kcal mol?1的优异性能。模型还能正确排序31肽构象(R2 = 0.979;RMSEshift = 4.7 kcal mol?1)、区分稳定迷你蛋白的全球最小结构与未折叠结构,并在APSCI侧链相互作用能上达到亚kcal mol?1精度。此外,模型可用于几何优化和MD模拟,将计算时间较DFT减少约3-5个数量级,尽管MD模拟较传统MM力场慢>3个数量级。研究人员推测,隐式溶剂中的能量预测之所以能够实现长肽外推,是因为溶剂衰减了长程静电相互作用,使其较气相能量更易预测;同时,隐式溶剂中的分子结构和性质预测对生物化学更为相关。

潜在局限在于模型难以描述势能面的高能区域,因训练数据缺乏此类结构,这可能限制其在MD设置中的应用。然而,研究人员相信,无需耗时QM计算即可发现和准确表征日益复杂(更长)肽的势能面,将推动从头蛋白质结构预测的实现。本研究采用的"T2/T3 → Vn"方法(即从二肽或三肽预测更长折叠肽的准确QM能量)可能指向潜在的从头蛋白质折叠规则集合的存在,进一步证实了蛋白质结构中相对短折叠种子(folding seeds)的假设。

研究结论:研究人员训练NequIP神经网络势函数以预测更大肽的QM(DFT-D3)//COSMO能量。研究发现突出了影响短肽训练模型外推至较长肽的训练数据集性质。研究人员观察到仅训练于单肽(T1)与训练于更长寡肽(T2、T3)的模型之间存在显著性能差异,证实如预期那样,残基对相互作用在蛋白质语境中至关重要,且蛋白质不能视为独立氨基酸的序列。因此,最小训练集由二肽代表,三肽带来额外(较小)改善。然而,更为关键的是训练数据中包含来自800 K热MD的约束结构(_H)。最佳模型T3_H_EF在十肽验证集V10_H上达到优异的R2 = 0.998和RMSEshift = 2.3 kcal mol?1。研究人员还表明,模型能够正确排序31肽的构象(R2 = 0.979;RMSEshift = 4.7 kcal mol?1),并从非折叠结构中辨别稳定迷你蛋白的全球最小结构,展示了其在受限肽化学空间内的泛化和外推能力。这些因素也促成了APSCI侧链相互作用能集合上的亚kcal mol?1精度。此外,模型可用于几何优化,与DFT相比大幅减少所需计算时间(约3-5个数量级),以及MD模拟,尽管后者较MM力场模拟慢>3个数量级。研究人员推测,长肽外推之所以可能,是由于隐式溶剂中的能量预测衰减了长程静电相互作用,而研究人员发现这比气相能量更易预测。此外,隐式溶剂中预测分子结构和性质对生物化学更为相关,使所呈现的结果具有概念和实践双重意义。潜在局限在于所呈现模型难以描述势能面的高能部分,由训练数据中缺乏此类结构导致。这可能限制其在MD设置中的使用。然而,研究人员仍然相信,无需耗时QM计算即可发现和准确表征日益复杂(更长)肽的势能面,可能使从头蛋白质结构预测成为可能。此处采用的"T2/T3 → Vn"方法(即从二肽或三肽预测较长折叠肽的准确QM能量)可能指向潜在从头蛋白质折叠规则集合的存在,进一步证实了结构中相对短折叠种子的假设。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号