Nature Communications· Sergio Suárez-Dou, Miguel Gallegos, Kyunghoon Han 等 6 人
从机器学习力场实现从小分子到蛋白质的量子精确振动与构象动力学
Quantum-accurate vibrational and conformational dynamics from small molecules to proteins with machine-learned force fields
AI 导读
机器学习力场可复现从小分子到蛋白质的量子力学振动谱,与实验红外测量吻合。
摘要 · AI 翻译
生物分子热力学与光谱学依赖于势能面上的相对构象异构体能量、局部曲率以及集体偶极涨落。传统分子力学力场能够实现大规模模拟,但其固定的函数形式可能错误地表示红外强度、模式特征以及环境依赖的振动响应。在此,我们通过使用涵盖小分子、气相肽段以及单体、寡聚和溶剂化蛋白质组装体的有限温度红外光谱,来评估通用机器学习力场。为支持这一分析,我们引入了 QVib——一个包含 293 个分子和 1366 个构象异构体的数据集,以及肽段酰胺带基准和 p53 寡聚化结构域模型,用以评估从 DFT 参考到实验光谱的振动可迁移性。在这些体系中,机器学习力场在重现 DFT 水平的作用力、振动频率、态密度、模式本征矢、构象能量学以及实验红外光谱方面优于分子力学。在具有显式长程静电作用的模型中,SO3LR 在本文测试的模型里提供了最佳的精度—成本平衡。这些结果表明,机器学习力场动力学能够以接近 DFT 的保真度恢复集体的、环境依赖的振动景观,从而以类力场的成本实现经光谱验证的生物分子模拟。
中文由 AI 翻译,仅供参考,以原文为准。
来源:Nature Communications · nature.com