DFT Accuracy on Crystal Structure Prediction with Machine Learning Interatomic Potentials

El artículo presenta CSP-MACE-Å, un potencial interatómico de aprendizaje automático que descompone la energía total en componentes intramoleculares e intermoleculares para lograr una precisión a nivel de DFT en la predicción de estructuras cristalinas mientras opera órdenes de magnitud más rápido, permitiendo así una desmitificación más robusta de las formas sólidas mediante la evaluación exhaustiva de candidatos y cálculos de energía libre.

Lo esencial

Imagina que eres un chef intentando encontrar la receta perfecta para un nuevo pastel. Tienes millones de combinaciones potenciales de ingredientes (estructuras candidatas), pero solo tienes tiempo para probar a ciegas unas pocas docenas. Para hacer esto de manera eficiente, necesitas una forma de adivinar rápidamente qué recetas son "buenas" antes de hornearlas realmente.

En el mundo del desarrollo de fármacos, el "pastel" es una molécula medicinal, y la "receta" es cómo esas moléculas se apilan juntas en un cristal. Este apilamiento se llama Predicción de Estructura Cristalina (CSP). Obtener el apilamiento correcto es crucial porque diferentes apilamientos (polimorfos) pueden hacer que un fármaco se disuelva demasiado rápido, no se disuelva en absoluto, o incluso se transforme en una forma diferente mientras descansa en un estante.

Durante años, el "estándar de oro" para probar estas recetas ha sido una simulación informática superprecisa pero increíblemente lenta llamada DFT (Teoría del Funcional de la Densidad). Es como un chef maestro que puede probar un pastel y decirte exactamente cómo sabrá, pero le toma días analizar solo una receta. Debido a que es tan lenta, los científicos solo pueden verificar una pequeña fracción de los millones de recetas posibles.

Este artículo introduce una nueva herramienta llamada CSP-MACE-Å. Piensa en esto como un aprendiz de IA súper rápido que ha sido entrenado para imitar el gusto del chef maestro, pero puede realizar el trabajo miles de veces más rápido.

Aquí se explica cómo el artículo describe esta nueva herramienta, desglosada en conceptos simples:

1. La Receta de Dos Partes (Intra vs. Inter)

Los autores se dieron cuenta de que un cristal está formado por dos tipos de interacciones:

• Intramolecular: Cómo los átomos se mantienen unidos dentro de una sola molécula (como los ingredientes dentro de una sola galleta).
• Intermolecular: Cómo las moléculas se pegan entre sí para formar el cristal (como cómo se apilan las galletas en un frasco).

Los antiguos modelos de IA intentaron aprender todo a la vez y se confundieron. El nuevo CSP-MACE-Å divide el trabajo en dos equipos especializados:

• Equipo 1 (El Fabricante de Galletas): Utiliza un modelo entrenado en una biblioteca masiva de moléculas individuales para entender cómo se mantienen unidos los ingredientes.
• Equipo 2 (El Apilador de Frascos): Esta es la salsa secreta. Está entrenado específicamente para entender las formas sutiles en que las moléculas se unen en un cristal. Combina tres cosas:
  1. Un modelo base para el pegado.
  2. Una fórmula matemática para las fuerzas de "van der Waals" de largo alcance (la débil atracción similar al magnetismo entre las moléculas).
  3. Un "Modelo Delta" (una capa de corrección). Esto es como un probador de sabores que solo mira los errores que cometieron los otros dos y los corrige para que coincidan con los resultados del Chef Maestro (DFT).

2. Las Pruebas de Gusto (Los Resultados)

Los autores sometieron a su nuevo aprendiz de IA a tres pruebas de gusto rigurosas para ver si podía reemplazar al lento Chef Maestro.

• Prueba 1: La Cocina de AstraZeneca (19 Compuestos)
  Tomaron 19 compuestos farmacéuticos del mundo real y pidieron a la IA que clasificara las mejores estructuras cristalinas.

  • El Resultado: Las clasificaciones de energía de la IA fueron casi idénticas a las del lento Chef Maestro (DFT).
  • El Giro: Cuando añadieron un "factor de temperatura" (calculando la energía libre, que tiene en cuenta cómo las moléculas se mueven y vibran), la IA mejoró aún más, identificando correctamente la forma cristalina más estable en casi todos los casos.

• Prueba 2: La Prueba de Gusto a Ciegas (28 Compuestos)
  Probaron la IA con 28 compuestos de siete "pruebas a ciegas" anteriores (donde los científicos no conocían la respuesta de antemano).

  • El Resultado: La IA funcionó tan bien como los mejores métodos DFT, y significativamente mejor que otros modelos de IA existentes.

• Prueba 3: El Desafío "ROY" (El Pastel Más Difícil)
  Hay una molécula famosa llamada ROY que tiene 14 formas cristalinas diferentes. Es notoriamente difícil porque las moléculas son flexibles y complicadas. La mayoría de los modelos informáticos se equivocan con esto.

  • El Resultado: Debido a que su IA tenía un equipo especializado de "Fabricante de Galletas" entrenado en química de alto nivel, identificó correctamente la forma más estable de ROY, mientras que otros modelos fallaron.

3. Prediciendo el Futuro (Estabilidad de Temperatura)

Finalmente, probaron si la IA podía predecir cómo cambia el "pastel" a medida que el horno se calienta. Algunos fármacos son estables a temperatura ambiente pero se derriten o cambian de forma cuando se calientan.

• Probaron 5 compuestos en un rango de temperaturas (desde congelado hasta muy caliente).
• El Resultado: La IA predijo con éxito las tendencias generales. Por ejemplo, adivinó correctamente que una forma de fármaco es estable cuando hace frío, pero una forma diferente toma el control cuando hace calor. Aunque no logró el punto exacto de cambio de temperatura perfecto en cada caso individual, capturó el comportamiento general mucho mejor que los métodos anteriores.

La Conclusión

El artículo afirma que CSP-MACE-Å es un avance porque es rápido suficiente para verificar millones de recetas pero preciso suficiente para confiar en los resultados.

En lugar de esperar días para verificar 100 recetas con el Chef Maestro, esta IA puede verificar miles de recetas en el tiempo que tarda en prepararse una taza de café, con resultados que son casi tan precisos como los del Chef Maestro. Esto permite a los científicos "desriscar" su desarrollo de fármacos asegurándose de no perder una forma cristalina mejor y más estable que habría sido demasiado costosa de encontrar con los métodos antiguos y lentos.

Lo que el artículo no afirma:

• No afirma que esta herramienta se esté utilizando actualmente en hospitales o para tratar pacientes.
• No afirma que esto curará enfermedades de inmediato.
• Se centra estrictamente en la predicción de estructuras cristalinas, no en la síntesis química ni en los ensayos clínicos de los fármacos en sí mismos.

Resumen técnico

Resumen Técnico: Precisión de DFT en la Predicción de Estructuras Cristalinas con Potenciales Interatómicos de Aprendizaje Automático

Enunciado del Problema
La Predicción de Estructuras Cristalinas (CSP) es un componente crítico en el desarrollo de fármacos, esencial para seleccionar la forma en estado sólido de los principios activos farmacéuticos (API) y garantizar su biodisponibilidad, fabricabilidad y estabilidad. El flujo de trabajo estándar de CSP implica generar millones de estructuras candidatas y clasificarlas para identificar los polimorfos más estables. El estado actual de la técnica para la fase de clasificación se basa en la Teoría del Funcional de la Densidad corregida por dispersión (DFT-D), como PBE con correcciones de Neumann–Perrin o B86bPBE-XDM. Aunque precisa, la DFT es computacionalmente costosa, requiriendo a menudo horas para la optimización de estructuras y días para los cálculos de energía libre. Este costo limita el número de estructuras candidatas que pueden evaluarse y restringe la aplicación práctica de la reordenación por energía libre. Los Potenciales Interatómicos de Aprendizaje Automático (MLIPs) ofrecen una solución potencial para acelerar estos cálculos en órdenes de magnitud, pero los intentos previos han tenido dificultades para igualar la precisión de la DFT, particularmente en el modelado de electrostática de largo alcance, dispersión e interacciones intermoleculares sutiles en cristales.

Metodología: CSP-MACE-˚A
Los autores presentan CSP-MACE-˚A, un MLIP especializado diseñado para reemplazar la DFT en los flujos de trabajo de CSP. El modelo emplea una arquitectura de energía descompuesta, separando la energía total en componentes intramoleculares e intermoleculares para permitir un modelado adaptado de cada tipo de interacción:

1. Descomposición de la Energía: La energía total se define como $E_{total} = E_{intra} + E_{inter}$. La energía intramolecular ($E_{intra}$) se calcula como la suma de las energías de las moléculas constituyentes aisladas en el vacío, mientras que la energía intermolecular ($E_{inter}$) es la diferencia residual entre el sistema periódico completo y la suma de las moléculas aisladas.
2. Componente Intramolecular: Este componente utiliza la arquitectura MACE-POLAR entrenada sobre el conjunto de datos OMol25 (100 millones de cálculos DFT $\omega$B97M-V/def2-TZVPD). Este conjunto de datos de teoría de alto nivel garantiza un modelado preciso de las energías conformacionales intramoleculares, abordando problemas como los errores de deslocalización encontrados en los funcionales DFT estándar para moléculas flexibles.
3. Componente Intermolecular: Este es un modelo híbrido que combina tres términos para capturar interacciones específicas de cristales:
   • Contribución MACE-POLAR: Proporciona una línea base para las interacciones intermoleculares pero carece de dispersión de largo alcance.
   • Término de Dispersión: Un término de parámetros fijos que sigue la forma funcional de la corrección XDM (Momento de Dipolo del Agujero de Intercambio). Los parámetros se promedian a partir de un conjunto interno de 50.000 cálculos B86bPBE-XDM.
   • Modelo Delta Aprendido: Una red neuronal entrenada para predecir el residual entre los objetivos DFT B86bPBE-XDM y la suma de los términos MACE-POLAR y de dispersión. Este modelo se entrena sobre 50.000 cálculos de estructura cristalina B86bPBE-XDM. Crucialmente, los objetivos de entrenamiento son residuos intermoleculares aislados, lo que evita que la función de pérdida esté dominada por las señales de energía intramolecular más grandes.

Contribuciones Clave

• Arquitectura: El desarrollo de un MLIP descompuesto que separa explícitamente el modelado intra e intermolecular, permitiendo el uso de datos de teoría de alto nivel para los términos intramoleculares y datos cristalinos dirigidos para los términos intermoleculares.
• Estrategia de Entrenamiento: La implementación de un enfoque de "aprendizaje delta" para las interacciones intermoleculares, donde el modelo aprende la corrección a un modelo de dispersión basado en física y a un MLIP fundamental, apuntando específicamente a la precisión B86bPBE-XDM.
• Evaluación Exhaustiva: Una validación rigurosa de CSP-MACE-˚A frente a modelos fundamentales existentes (MACE-POLAR-1, UMA-OMC) y estándares DFT en múltiples conjuntos de datos, incluidas las publicaciones internas de CSP de AstraZeneca y las siete pruebas ciegas de CSP.

Resultados
La evaluación se realizó en tres conjuntos principales:

1. Conjunto AstraZeneca (AZ) (19 compuestos): CSP-MACE-˚A logró un rendimiento comparable a la DFT PBE-NP al clasificar por energía. Sin embargo, cuando las estructuras se reordenaron utilizando energías libres armónicas (calculadas a 300 K), CSP-MACE-˚A superó significativamente la clasificación solo por energía, ubicando las coincidencias experimentales dentro de las 10 primeras estructuras y a un promedio de 0,36 kJ/mol de la energía mínima. Superó consistentemente tanto a MACE-POLAR-1 como al modelo fundamental UMA-OMC.
2. Conjunto de Prueba Ciega (28 compuestos): CSP-MACE-˚A demostró un rendimiento cercano a la DFT B86bPBE-XDM. Aunque la clasificación solo por energía fue marginalmente peor que la de B86bPBE-XDM, la inclusión de la reordenación por energía libre armónica permitió que CSP-MACE-˚A superara el rendimiento de clasificación por energía de la DFT, logrando un rango promedio de 2,96 en comparación con 3,25 para B86bPBE-XDM.
3. Estudio de Caso ROY (Rojo Naranja Amarillo): ROY es una molécula desafiante con 14 polimorfos conocidos donde la DFT estándar a menudo falla debido a errores de deslocalización intramolecular. CSP-MACE-˚A predijo correctamente la Forma Y, experimentalmente la más estable, como el mínimo global (dentro de 0,5 kJ/mol), mientras que B86bPBE-XDM la ubicó en más de 5 kJ/mol más alta. Este éxito se atribuye al modelo intramolecular de alta fidelidad (entrenado sobre $\omega$B97M-V) combinado con un modelado intermolecular preciso.
4. Estabilidad Termodinámica: En un conjunto de cinco compuestos con estabilidad polimórfica dependiente de la temperatura conocida, CSP-MACE-˚A capturó con éxito tendencias amplias en la estabilidad relativa utilizando aproximaciones de energía libre armónica. Aunque no siempre reprodujo el orden exacto de los polimorfos en todas las temperaturas, identificó correctamente las relaciones monotrópicas y enantiotrópicas y los puntos de transición para varios compuestos (por ejemplo, Clorhidrato de Mexiletina, AZD5462).

Significado y Afirmaciones
El artículo afirma que CSP-MACE-˚A representa un paso significativo hacia la viabilidad de los MLIPs para aplicaciones industriales de CSP. Al lograr una precisión a nivel de DFT mientras se ejecuta múltiples órdenes de magnitud más rápido, el modelo permite la evaluación de un conjunto mucho mayor de estructuras candidatas de lo que es actualmente factible con DFT. Esta capacidad permite una desrisking más robusta de las formas sólidas al reducir la probabilidad de que polimorfos viables sean excluidos de la fase de clasificación debido al costo computacional. Además, la capacidad de realizar reordenación por energía libre en grandes conjuntos de datos hace que la evaluación de la estabilidad dependiente de la temperatura sea práctica para un rango más amplio de compuestos. Los autores concluyen que, aunque el trabajo actual mantiene los flujos de trabajo estándar de CSP, la velocidad de CSP-MACE-˚A abre la puerta a futuras adaptaciones del propio flujo de trabajo, como la integración de MLIPs en la fase de generación de estructuras.