DFT Accuracy on Crystal Structure Prediction with Machine Learning Interatomic Potentials

Das Papier stellt CSP-MACE-Å vor, ein maschinelles Lernkraftfeld für Atome, das die Gesamtenergie in intramolekulare und intermolekulare Komponenten zerlegt, um in der Kristallstrukturvorhersage eine Genauigkeit auf DFT-Niveau zu erreichen und dabei um Größenordnungen schneller zu laufen, wodurch eine robusteren Risikominimierung fester Formen durch umfangreiche Kandidatenbewertung und freie Energieberechnungen ermöglicht wird.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein Koch, der versucht, das perfekte Rezept für einen neuen Kuchen zu finden. Sie haben Millionen potenzieller Zutatenkombinationen (kandidatenstrukturen), aber nur Zeit, ein paar Dutzend davon zu verkosten. Um dies effizient zu tun, benötigen Sie eine Möglichkeit, schnell zu erraten, welche Rezepte „gut" sind, bevor Sie sie tatsächlich backen.

In der Welt der Arzneimittelentwicklung ist der „Kuchen" ein Wirkstoffmolekül und das „Rezept" die Art und Weise, wie diese Moleküle in einem Kristall gestapelt werden. Dieses Stapeln wird als Kristallstrukturvorhersage (CSP) bezeichnet. Das richtige Stapeln ist entscheidend, da verschiedene Stapel (Polymorphe) bewirken können, dass ein Wirkstoff sich zu schnell auflöst, gar nicht auflöst oder sogar in eine andere Form umwandelt, während er im Regal steht.

Jahrelang war der „Goldstandard" zum Verkosten dieser Rezepte eine extrem genaue, aber unglaublich langsame Computersimulation namens DFT (Dichtefunktionaltheorie). Sie ist wie ein Meisterkoch, der einen Kuchen probieren und Ihnen genau sagen kann, wie er schmecken wird, aber es dauert Tage, bis er nur ein einziges Rezept analysiert hat. Da sie so langsam ist, können Wissenschaftler nur einen winzigen Bruchteil der Millionen möglichen Rezepte überprüfen.

Diese Arbeit stellt ein neues Werkzeug namens CSP-MACE-Å vor. Denken Sie daran als an einen super-schnellen KI-Lehrling, der trainiert wurde, den Geschmack des Meisterkochs nachzuahmen, aber die Arbeit tausendfach schneller erledigen kann.

Hier ist die Erklärung dieses neuen Werkzeugs, wie sie in der Arbeit dargelegt wird, aufgeteilt in einfache Konzepte:

1. Das Zwei-Teile-Rezept (Intra- vs. Intermolekular)

Die Autoren erkannten, dass ein Kristall aus zwei Arten von Wechselwirkungen besteht:

• Intramolekular: Wie die Atome innerhalb eines einzelnen Moleküls zusammengehalten werden (wie die Zutaten innerhalb eines einzelnen Kekses).
• Intermolekular: Wie die Moleküle miteinander haften, um den Kristall zu bilden (wie Kekse, die in einem Glas gestapelt werden).

Die alten KI-Modelle versuchten, alles auf einmal zu lernen, und gerieten in Verwirrung. Das neue CSP-MACE-Å teilt die Aufgabe in zwei spezialisierte Teams auf:

• Team 1 (Der Keksbäcker): Verwendet ein Modell, das auf einer riesigen Bibliothek einzelner Moleküle trainiert wurde, um zu verstehen, wie die Zutaten zusammenhalten.
• Team 2 (Der Glasstapler): Dies ist die geheime Zutat. Es ist speziell darauf trainiert, die subtilen Wege zu verstehen, auf denen Moleküle in einem Kristall zusammenhaften. Es kombiniert drei Dinge:
  1. Ein Basismodell für das Haften.
  2. Eine mathematische Formel für langreichweitige „van-der-Waals"-Kräfte (die schwache, magnetähnliche Anziehung zwischen Molekülen).
  3. Ein „Delta-Modell" (eine Korrekturschicht). Dies ist wie ein Verkoster, der sich nur auf die Fehler konzentriert, die die anderen beiden gemacht haben, und diese korrigiert, um sie mit den Ergebnissen des Meisterkochs (DFT) in Einklang zu bringen.

2. Die Verkostungen (Die Ergebnisse)

Die Autoren setzten ihren neuen KI-Lehrling drei rigorosen Verkostungen aus, um zu sehen, ob er den langsamen Meisterkoch ersetzen könnte.

• Test 1: Die AstraZeneca-Küche (19 Verbindungen)
  Sie nahmen 19 reale Wirkstoffverbindungen und baten die KI, die besten Kristallstrukturen zu rangieren.

  • Das Ergebnis: Die Energie-Rankings der KI waren fast identisch mit denen des langsamen Meisterkochs (DFT).
  • Die Wendung: Als sie einen „Temperaturfaktor" hinzufügten (Berechnung der freien Energie, die berücksichtigt, wie die Moleküle wackeln und vibrieren), wurde die KI noch besser und identifizierte in fast allen Fällen die stabilste Kristallform korrekt.

• Test 2: Die Blindverkostung (28 Verbindungen)
  Sie testeten die KI an 28 Verbindungen aus sieben früheren „Blindtests" (bei denen Wissenschaftler die Antwort im Voraus nicht kannten).

  • Das Ergebnis: Die KI schnitt genauso gut ab wie die besten DFT-Methoden und deutlich besser als andere bestehende KI-Modelle.

• Test 3: Die „ROY"-Herausforderung (Der schwierigste Kuchen)
  Es gibt ein berühmtes Molekül namens ROY, das 14 verschiedene Kristallformen hat. Es ist berüchtigt schwierig, da die Moleküle flexibel und tückisch sind. Die meisten Computermodelle liegen hier falsch.

  • Das Ergebnis: Da ihre KI ein spezialisiertes „Keksbäcker"-Team hatte, das auf hochrangiger Chemie trainiert wurde, identifizierte sie korrekt die stabilste Form von ROY, während andere Modelle scheiterten.

3. Die Zukunft vorhersagen (Temperaturstabilität)

Schließlich testeten sie, ob die KI vorhersagen konnte, wie sich der „Kuchen" verändert, wenn der Ofen heißer wird. Einige Wirkstoffe sind bei Raumtemperatur stabil, schmelzen oder ändern ihre Form jedoch bei Erwärmung.

• Sie testeten 5 Verbindungen über einen Temperaturbereich (von gefrierend bis sehr heiß).
• Das Ergebnis: Die KI sagte die allgemeinen Trends erfolgreich voraus. Zum Beispiel errat sie korrekt, dass eine Wirkstoffform bei Kälte stabil ist, eine andere Form jedoch die Oberhand gewinnt, wenn es heiß wird. Obwohl sie nicht in jedem einzelnen Fall den exakten Umschaltpunkt der Temperatur perfekt traf, erfasste sie das Gesamtverhalten viel besser als frühere Methoden.

Das Fazit

Die Arbeit behauptet, dass CSP-MACE-Å ein Durchbruch ist, weil es schnell genug ist, um Millionen von Rezepten zu überprüfen, aber genau genug, um den Ergebnissen zu vertrauen.

Anstatt Tage zu warten, um 100 Rezepte mit dem Meisterkoch zu überprüfen, kann diese KI Tausende von Rezepten in der Zeit überprüfen, die zum Aufbrühen einer Tasse Kaffee benötigt wird, mit Ergebnissen, die fast so genau sind wie die des Meisterkochs. Dies ermöglicht es Wissenschaftlern, die Arzneimittelentwicklung zu „de-riskieren", indem sie sicherstellen, dass sie keine bessere, stabilere Kristallform übersehen, die mit den alten, langsamen Methoden zu teuer gewesen wäre, um sie zu finden.

Was die Arbeit nicht behauptet:

• Sie behauptet nicht, dass dieses Werkzeug derzeit in Krankenhäusern eingesetzt wird oder zur Behandlung von Patienten dient.
• Sie behauptet nicht, dass dies Krankheiten sofort heilen wird.
• Sie konzentriert sich strikt auf die Vorhersage von Kristallstrukturen, nicht auf die chemische Synthese oder klinischen Studien der Wirkstoffe selbst.

Technische Zusammenfassung

Technische Zusammenfassung: DFT-Genauigkeit bei der Kristallstrukturvorhersage mit maschinellen Lerninteratomaren Potenzialen

Problemstellung
Die Kristallstrukturvorhersage (CSP) ist ein kritischer Bestandteil der Arzneimittelentwicklung, der für die Auswahl der Feststoffform von Wirkstoffsubstanzen (APIs) unerlässlich ist, um Bioverfügbarkeit, Herstellbarkeit und Stabilität sicherzustellen. Der Standard-CSP-Arbeitsablauf umfasst die Generierung von Millionen von Kandidatenstrukturen und deren Rangfolge, um die stabilsten Polymorphe zu identifizieren. Der aktuelle Stand der Technik für die Rangfolgephase stützt sich auf dispersionskorrigierte Dichtefunktionaltheorie (DFT-D), wie etwa PBE mit Neumann–Perrin-Korrekturen oder B86bPBE-XDM. Obwohl DFT genau ist, ist es rechenintensiv und erfordert oft Stunden für die Strukturoptimierung und Tage für Berechnungen der freien Energie. Diese Kosten begrenzen die Anzahl der bewertbaren Kandidatenstrukturen und schränken die praktische Anwendung einer Neuordnung nach freier Energie ein. Maschinelle Lerninteratomare Potenziale (MLIPs) bieten eine potenzielle Lösung, um diese Berechnungen um Größenordnungen zu beschleunigen, doch frühere Versuche hatten Schwierigkeiten, die DFT-Genauigkeit zu erreichen, insbesondere bei der Modellierung langreichweitiger Elektrostatik, Dispersion und subtiler intermolekularer Wechselwirkungen in Kristallen.

Methodik: CSP-MACE-˚A
Die Autoren stellen CSP-MACE-˚A vor, ein spezialisiertes MLIP, das DFT in CSP-Arbeitsabläufen ersetzen soll. Das Modell verwendet eine dekomponierte Energiearchitektur, die die Gesamtenergie in intramolekulare und intermolekulare Komponenten aufteilt, um eine maßgeschneiderte Modellierung jedes Wechselwirkungstyps zu ermöglichen:

1. Energiedekomposition: Die Gesamtenergie ist definiert als $E_{total} = E_{intra} + E_{inter}$. Die intramolekulare Energie ($E_{intra}$) wird als Summe der Energien der in Vakuum isolierten konstituierenden Moleküle berechnet, während die intermolekulare Energie ($E_{inter}$) die verbleibende Differenz zwischen dem vollständigen periodischen System und der Summe der isolierten Moleküle darstellt.
2. Intramolekulare Komponente: Diese Komponente nutzt die MACE-POLAR-Architektur, die auf dem OMol25-Datensatz trainiert wurde (100 Millionen $\omega$B97M-V/def2-TZVPD DFT-Berechnungen). Dieser Datensatz mit Hochlevel-Theorie gewährleistet eine genaue Modellierung intramolekularer Konformationsenergien und adressiert Probleme wie Delokalisierungsfehler, die in Standard-DFT-Funktionalen für flexible Moleküle auftreten.
3. Intermolekulare Komponente: Dies ist ein hybrides Modell, das drei Terme kombiniert, um kristallspezifische Wechselwirkungen zu erfassen:
   • MACE-POLAR-Beitrag: Bietet eine Basislinie für intermolekulare Wechselwirkungen, fehlt jedoch an langreichweitiger Dispersion.
   • Dispersionsterm: Ein Term mit festen Parametern, der der funktionalen Form der XDM-Korrektur (Exchange-Hole Dipole Moment) folgt. Die Parameter werden aus einem internen Satz von 50.000 B86bPBE-XDM-Berechnungen gemittelt.
   • Gelerntes Delta-Modell: Ein neuronales Netzwerk, das trainiert wird, um das Residuum zwischen B86bPBE-XDM-DFT-Zielwerten und der Summe aus MACE-POLAR- und Dispersionstermen vorherzusagen. Dieses Modell wird auf 50.000 B86bPBE-XDM-Kristallstrukturberechnungen trainiert. Entscheidend ist, dass die Trainingsziele isolierte intermolekulare Residuen sind, wodurch verhindert wird, dass die Verlustfunktion von den größeren intramolekularen Energiesignalen dominiert wird.

Hauptbeiträge

• Architektur: Die Entwicklung eines dekomponierten MLIPs, das die Modellierung intra- und intermolekularer Wechselwirkungen explizit trennt und somit die Verwendung von Hochlevel-Theorie-Daten für intramolekulare Terme sowie zielgerichtete Kristalldaten für intermolekulare Terme ermöglicht.
• Trainingsstrategie: Die Implementierung eines „Delta-Learning"-Ansatzes für intermolekulare Wechselwirkungen, bei dem das Modell die Korrektur zu einem physikbasierten Dispersionmodell und einem grundlegenden MLIP lernt, mit dem spezifischen Ziel der B86bPBE-XDM-Genauigkeit.
• Umfassende Evaluation: Eine rigorose Benchmarking-Studie von CSP-MACE-˚A gegenüber bestehenden Grundmodellen (MACE-POLAR-1, UMA-OMC) und DFT-Standards über mehrere Datensätze hinweg, einschließlich interner CSP-Publikationen von AstraZeneca und der sieben CSP-Blindtests.

Ergebnisse
Die Evaluation wurde an drei primären Datensätzen durchgeführt:

1. AstraZeneca (AZ)-Datensatz (19 Verbindungen): CSP-MACE-˚A erzielte eine Leistung, die mit PBE-NP-DFT beim Rangieren nach Energie vergleichbar war. Wenn die Strukturen jedoch unter Verwendung harmonischer freier Energien (berechnet bei 300 K) neu gerangiert wurden, schnitt CSP-MACE-˚A beim reinen Energiemodell signifikant besser ab, platzierte experimentelle Übereinstimmungen innerhalb der Top-10-Strukturen und lag im Durchschnitt innerhalb von 0,36 kJ/mol des Minimums der Energie. Es übertraf konsistent sowohl MACE-POLAR-1 als auch das UMA-OMC-Grundmodell.
2. Blindtest-Datensatz (28 Verbindungen): CSP-MACE-˚A zeigte eine Leistung, die nahe an B86bPBE-XDM-DFT lag. Während das reine Energiemodell marginal schlechter abschnitt als B86bPBE-XDM, ermöglichte die Einbeziehung der Neuordnung nach harmonischer freier Energie, dass CSP-MACE-˚A die Leistung des DFT-Energiemodells übertraf und eine durchschnittliche Rangfolge von 2,96 im Vergleich zu 3,25 für B86bPBE-XDM erreichte.
3. ROY (Red Orange Yellow)-Fallstudie: ROY ist eine herausfordernde Molekül mit 14 bekannten Polymorphen, bei dem Standard-DFT oft aufgrund von intramolekularen Delokalisierungsfehlern versagt. CSP-MACE-˚A sagte das experimentell stabilste Form Y korrekt als globales Minimum vorher (innerhalb von 0,5 kJ/mol), wohingegen B86bPBE-XDM es um >5 kJ/mol höher einordnete. Dieser Erfolg wird dem hochfiden intramolekularen Modell (trainiert auf $\omega$B97M-V) in Kombination mit einer genauen intermolekularen Modellierung zugeschrieben.
4. Thermodynamische Stabilität: Bei einem Satz von fünf Verbindungen mit bekannter temperaturabhängiger polymorpher Stabilität gelang es CSP-MACE-˚A, breite Trends in der relativen Stabilität unter Verwendung von Näherungen für harmonische freie Energien erfolgreich abzubilden. Obwohl es nicht immer die exakte Reihenfolge der Polymorphe über alle Temperaturen hinweg reproduzierte, identifizierte es korrekt monotrope und enantiotrope Beziehungen sowie Übergangspunkte für mehrere Verbindungen (z. B. Mexiletinhydrochlorid, AZD5462).

Bedeutung und Behauptungen
Die Arbeit behauptet, dass CSP-MACE-˚A einen bedeutenden Schritt nach vorne darstellt, um MLIPs für industrielle CSP-Anwendungen praktikabel zu machen. Durch das Erreichen einer DFT-Level-Genauigkeit bei gleichzeitiger Ausführung um mehrere Größenordnungen schneller ermöglicht das Modell die Bewertung eines weitaus größeren Pools an Kandidatenstrukturen, als dies derzeit mit DFT machbar ist. Diese Fähigkeit erlaubt eine robustere Risikominimierung von Feststoffformen, indem die Wahrscheinlichkeit verringert wird, dass lebensfähige Polymorphe aufgrund von Rechenkosten aus der Rangfolgephase ausgeschlossen werden. Darüber hinaus macht die Fähigkeit, Neuordnungen nach freier Energie auf großen Datensätzen durchzuführen, die Bewertung temperaturabhängiger Stabilität für einen breiteren Bereich von Verbindungen praktikabel. Die Autoren schließen, dass die aktuelle Arbeit zwar Standard-CSP-Arbeitsabläufe beibehält, die Geschwindigkeit von CSP-MACE-˚A jedoch den Weg für zukünftige Anpassungen des Arbeitsablaufs selbst öffnet, wie etwa die Integration von MLIPs in die Phase der Strukturgenerierung.