Extending machine learning model for implicit solvation to free energy calculations

Dieser Beitrag stellt das Lambda-Solvatations-Neuronale Netz (LSNN) vor, ein auf Graph-Neuronalen-Netzen basierendes implizites Solvensmodell, das sowohl auf Kräfte als auch auf Ableitungen alchemischer Variablen trainiert wird, um eine Genauigkeit der freien Energievorhersage zu erreichen, die mit expliziten Solvenssimulationen vergleichbar ist, während es für Anwendungen in der Wirkstoffentwicklung erhebliche Rechengeschwindigkeitsvorteile bietet.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen herauszufinden, wie gut ein bestimmter Schlüssel (ein Wirkstoffmolekül) in ein bestimmtes Schloss (ein Protein) passt. Um dies genau zu bestimmen, müssen Sie verstehen, wie sich der Schlüssel verhält, wenn er von Wasser umgeben ist, denn im menschlichen Körper schwimmt alles in einem Meer aus Wassermolekülen.

Diese Arbeit stellt ein neues Werkzeug namens LSNN (Lambda-Solvatations-Neuronales Netzwerk) vor, das Wissenschaftlern hilft, dieses „Wasser-Verhalten" viel schneller und genauer zu berechnen als frühere Methoden.

Hier ist die Geschichte des Problems, der alten Lösungen und der neuen Korrektur, einfach erklärt:

Das Problem: Der „volle Raum" versus der „Geist"

Um zu verstehen, wie ein Wirkstoff funktioniert, nutzen Wissenschaftler Computersimulationen.

• Der „Goldstandard" (Explizites Lösungsmittel): Stellen Sie sich vor, Sie simulieren einen Schlüssel in einem Raum, in dem Sie jede einzelne Person (Wassermolekül), die sich darum bewegt, verfolgen müssen. Sie müssen berechnen, wie der Schlüssel auf Person A, dann Person B, dann Person C aufprallt. Dies ist unglaublich genau, aber es ist, als würde man versuchen, jedes einzelne Sandkorn an einem Strand zu zählen. Es erfordert eine massive Menge an Rechenleistung und Zeit.
• Der „schnelle" Weg (Implizites Lösungsmittel): Um Zeit zu sparen, taten Wissenschaftler früher so, als wäre das Wasser nicht aus einzelnen Personen, sondern aus einem glatten, unsichtbaren Nebel bestehend. Sie verwendeten eine einfache mathematische Formel, um zu schätzen, wie dieser Nebel auf den Schlüssel drückt. Dies ist superschnell, aber der „Nebel" ist eine grobe Schätzung. Oft liegen die Details falsch, was zu ungenauen Vorhersagen darüber führt, ob der Wirkstoff funktionieren wird.

Die alte „Machine-Learning"-Korrektur (und warum sie scheiterte)

Vor kurzem versuchten Wissenschaftler, Künstliche Intelligenz (speziell Neuronale Netze) einzusetzen, um den „Nebel" intelligenter zu machen. Sie lehrten die KI, indem sie ihr zeigten, wie das Wasser auf den Schlüssel drückt (die Kräfte).

• Der Fehler: Stellen Sie sich vor, Sie jemanden das Autofahren beibringen, indem Sie ihm nur zeigen, wie man das Lenkrad dreht, ihm aber nie sagen, wie schnell er fährt oder wie viel Benzin er verbraucht. Die KI lernte, den Schlüssel in die richtige Richtung zu drücken, konnte aber die gesamte „Anstrengung" (Energie) nicht berechnen, die benötigt wird, um den Schlüssel von einem Ort zum anderen zu bewegen. Aus diesem Grund waren die alten KI-Modelle nutzlos, um die Gesamtenergie verschiedener Wirkstoffe zu vergleichen.

Die neue Lösung: LSNN

Die Autoren schufen LSNN, eine intelligentere Version dieser KI. Sie lehrten sie nicht nur, wie man drückt (Kräfte), sondern auch, wie sich die Energie ändert, wenn sie die Wechselwirkungen zwischen dem Wirkstoff und dem Wasser langsam „einschalten" oder „ausschalten".

Die Analogie:
Stellen Sie sich vor, Sie versuchen, das Gewicht eines Rucksacks zu messen.

• Alte KI: Sie konnten spüren, wie stark die Riemen auf Ihre Schultern zogen (Kraft), aber Sie konnten nicht sagen, ob der Rucksack 4,5 kg oder 9 kg wog, weil die Waage defekt war.
• LSNN: Sie reparierten die Waage. Jetzt kann die KI nicht nur den Zug spüren, sondern auch das genaue Gesamtgewicht berechnen, indem sie beobachtet, wie sich der Zug ändert, wenn Sie langsam Gegenstände in den Rucksack legen oder daraus entfernen.

Wie sie es testeten

Das Team trainierte diese neue KI an einer riesigen Bibliothek von etwa 300.000 kleinen Molekülen. Sie testeten sie gegen den „Goldstandard" (die langsame Sandkorn-zählende Methode) und die alten „Nebel"-Methoden.

Die Ergebnisse:

1. Geschwindigkeit: LSNN ist ein Sprinter. Es berechnete Ergebnisse in etwa 20 Sekunden. Der „Goldstandard" benötigte fast 28 Minuten (etwa 1.600 Sekunden). Die alten „Nebel"-Methoden waren ebenfalls schnell (etwa 15–22 Sekunden).
2. Genauigkeit:
   • Der „Goldstandard" war am genauesten (eine Punktzahl von 0,86 von 1).
   • LSNN landete auf Platz zwei mit einer Punktzahl von 0,73. Dies ist eine enorme Verbesserung gegenüber den alten „Nebel"-Methoden, die viel niedriger schnitten (0,48 bis 0,63).
   • Im Wesentlichen erreichte LSNN das Genauigkeitsniveau des „Goldstandards", lief aber mit „Nebel"-Geschwindigkeit.

Was ist mit größeren Dingen? (Proteine)

Die Arbeit versuchte auch, LSNN zu verwenden, um vorherzusagen, wie Wirkstoffe an große Proteine binden (was das ultimative Ziel bei der Wirkstoffentwicklung ist).

• Das Ergebnis: Es zeigte Potenzial, war aber noch nicht perfekt. Als sie versuchten, es auf vollständige Proteinsysteme anzuwenden, sank die Genauigkeit. Die Autoren vermuten, dass dies daran liegt, dass die KI hauptsächlich an kleinen, einfachen Molekülen trainiert wurde und die komplexen Wechselwirkungen in großen Proteinen möglicherweise „überdenkt". Dennoch zeigte es ein klares, konsistentes Muster, was darauf hindeutet, dass es verbessert werden kann.

Das Fazit

Diese Arbeit stellt einen neuen „intelligenten Nebel" (LSNN) vor, der den größten Fehler früherer KI-Modelle behebt: die Unfähigkeit, die Gesamtenergie zu berechnen.

• Es ist schnell (wie die alte einfache Mathematik).
• Es ist genau (viel näher an der langsamen, teuren Simulation).
• Es ist zuverlässig für den Vergleich verschiedener Wirkstoffe.

Die Autoren kommen zu dem Schluss, dass dieses Werkzeug eine solide Grundlage für die Zukunft der Wirkstoffentwicklung schafft und es Wissenschaftlern ermöglicht, Millionen potenzieller Wirkstoffe viel schneller zu screenen, ohne die Genauigkeit zu opfern, die notwendig ist, um echte Heilmittel zu finden.

Technische Zusammenfassung

Technische Zusammenfassung: Erweiterung des Machine-Learning-Modells für implizite Solvatation auf Freie-Energie-Berechnungen

Problemstellung
Implizite Solvensmodelle bieten einen rechnerisch effizienten Rahmen für molekulare Simulationen, indem sie diskrete Solvensmoleküle durch mathematische Näherungen mittlerer Kräfte ersetzen. Ihre Genauigkeit bleibt jedoch häufig hinter der von expliziten Solvensmodellen zurück, was ihre Nützlichkeit für präzise thermodynamische Berechnungen wie den Vergleich absoluter Freier Energien einschränkt. Obwohl neuere Machine-Learning-(ML-)Ansätze die Beschreibung impliziter Solventien durch das Training neuronaler Netze auf Kraft-Matching-Daten verbessert haben, besteht eine kritische Einschränkung weiterhin: Kraft-Matching allein bestimmt die potentiellen Energien nur bis auf eine willkürliche Konstante. Folglich liefern diese Modelle keine aussagekräftigen Vergleiche absoluter Freier Energien über verschiedene chemische Spezies hinweg. Darüber hinaus verlassen sich traditionelle implizite Modelle (z. B. GBSA, PBSA) auf vereinfachte Terme für die solventzugängliche Oberfläche (SASA) für nichtpolare Beiträge, die anfällig für erhebliche Fehler sind.

Methodik
Die Autoren stellen das $\lambda$-Solvation Neural Network (LSNN) vor, ein auf Graph Neural Networks (GNN) basierendes implizites Solvensmodell, das entwickelt wurde, um die Einschränkungen des Standard-Kraft-Matchings zu überwinden.

• Architektur: Aufbauend auf der grundlegenden Arbeit von Katzberger und Riniker, die ein dreischichtiges invariantes GNN nutzten, das auf Standard-GBSA-Parametern trainiert wurde, integriert LSNN interaktive GNNs mit einem Multi-Layer Perceptron (MLP), um nichtlineare Abhängigkeiten zu handhaben.
• Trainingsziel: Im Gegensatz zu früheren Methoden, die nur die Abweichung zwischen vorhergesagten und Referenzkräften minimieren, integriert LSNN Ableitungen alchemischer Variablen in die Verlustfunktion. Konkret wird das Modell trainiert, um folgende Größen anzupassen:
  1. Mittlere angelegte Kräfte (MAFs) auf Solutatome.
  2. Ableitungen bezüglich elektrostatischer Kopplungsfaktoren ($\lambda_{elec}$).
  3. Ableitungen bezüglich sterischer Kopplungsfaktoren ($\lambda_{steric}$).
• Verlustfunktion: Die modifizierte Mean Squared Error (MSE)-Verlustfunktion ist definiert als:
  $$L = w_F \left( \langle \frac{\partial U_{solv}}{\partial r_i} \rangle - \frac{\partial f}{\partial r_i} \right)^2 + w_{elec} \left( \langle \frac{\partial U_{solv}}{\partial \lambda_{elec}} \rangle - \frac{\partial f}{\partial \lambda_{elec}} \right)^2 + w_{steric} \left( \langle \frac{\partial U_{solv}}{\partial \lambda_{steric}} \rangle - \frac{\partial f}{\partial \lambda_{steric}} \right)^2$$
  wobei die Gewichte empirisch abgestimmt werden (Verhältnis 1:1:1,2). Dies stellt sicher, dass das Modell ein konservatives Vektorfeld lernt, wodurch das skalare Potential die wahre Potential of Mean Force (PMF) approximieren kann.
• Datensatz und Training: Das Modell wurde auf einem Datensatz von etwa 280.000 kleinen neutralen Molekülen aus dem BigBind-Datensatz trainiert. Die Daten wurden im Verhältnis 80:10:10 aufgeteilt (Training/Validierung/Test), wobei eine spezifische Einschränkung sicherstellte, dass Moleküle, die denen im FreeSolv-Datensatz ähneln, für den Test zurückgehalten wurden. Kräfte und Interaktionsableitungen wurden unter Verwendung von OpenMM mit GAFF-Kraftfeldern über 0,5 ns-Simulationen berechnet.
• Implementierung: Das Modell nutzt PyTorch Autograd für die Berechnung von Ableitungen. Um sicherzustellen, dass die Gesamtenergie in vollständig entkoppelten Zuständen null ist, werden die Energieterme mit ihren entsprechenden $\lambda$-Werten multipliziert.

Hauptergebnisse
Das LSNN-Framework wurde gegen experimentelle Hydratationsfreie Energien aus dem FreeSolv-Datensatz (647 neutrale kleine Moleküle) getestet und mit expliziten Solvensmethoden (TIP3P) sowie traditionellen impliziten Modellen (OBC2, GBn2) verglichen.

• Genauigkeit: LSNN erreichte einen Korrelationskoeffizienten ($R^2$) von 0,73 gegenüber experimentellen Werten und übertraf damit traditionelle implizite Modelle deutlich (GBn2: $R^2$ 0,48; OBC2: $R^2$ 0,63) und näherte sich der Genauigkeit expliziter Solvenssimulationen an (TIP3P: $R^2$ 0,86).
• Rechnerische Effizienz: LSNN zeigte eine erhebliche Beschleunigung im Vergleich zu Methoden mit explizitem Solvens. Die durchschnittliche Berechnungszeit pro Molekül betrug 20,47 Sekunden für LSNN, verglichen mit 1658,54 Sekunden (ca. 27,6 Minuten) für TIP3P. Die Geschwindigkeit von LSNN ist mit GBn2 (15,82 Sekunden) und OBC2 (21,81 Sekunden) vergleichbar.
• Vorläufige Ergebnisse zur Bindungsaffinität: In vorläufigen Tests an Protein-Ligand-Komplexen unter Verwendung von MM-LSNN (Ersetzung der GBSA-Solvatationsterme durch LSNN-PMFs) zeigte das Modell eine lineare Korrelation mit experimentellen Werten ($R^2$ 0,44 für vollständige Proteinsysteme). Die Autoren weisen jedoch darauf hin, dass die eigenständige Leistung bei vollständigen Proteinsystemen derzeit begrenzt ist, da der Trainingsbereich auf kleine Moleküle beschränkt ist, was zu einer Überschätzung langreichweitiger Wechselwirkungen führt.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass LSNN einen grundlegenden Wandel in ML-basierten transferierbaren Potentialen darstellt, indem das Training über einfaches Kraft-Matching hinaus erweitert wird, um alchemische Ableitungen einzubeziehen. Diese Methodik ermöglicht die Berechnung absoluter Freier Energien, eine Fähigkeit, die zuvor durch das Problem der willkürlichen Konstante beim Kraft-Matching eingeschränkt war.

Die Autoren behaupten, dass LSNN erfolgreich Trends der Desolvatation von Liganden erfasst und eine konsistente Reihenfolge über diverse Liganden hinweg beibehält, und bieten einen Rahmen, der die Genauigkeit expliziter Solvenssimulationen mit der rechnerischen Effizienz impliziter Modelle in Einklang bringt. Während die aktuelle Iteration für thermodynamisch konsistente Freie-Energie-Berechnungen kleiner Moleküle optimiert ist und nicht für eine umfassende konformationelle Probennahme großer Biomoleküle, etabliert das Framework eine Grundlage für zukünftige Anwendungen in der Wirkstoffentwicklung, einschließlich der potenziellen Erweiterung auf geladene Liganden und die Schätzung von Wechselwirkungsenergien zwischen Protein und Ligand.