DFT Accuracy on Crystal Structure Prediction with Machine Learning Interatomic Potentials

L'article présente CSP-MACE-Å, un potentiel interatomique par apprentissage automatique qui décompose l'énergie totale en composantes intra- et intermoléculaires pour atteindre une précision de niveau DFT dans la prédiction de structures cristallines tout en étant exécuté plusieurs ordres de grandeur plus rapidement, permettant ainsi un dérisquage plus robuste des formes solides grâce à une évaluation extensive des candidats et à des calculs d'énergie libre.

L'essentiel

Imaginez que vous êtes un chef essayant de trouver la recette parfaite pour un nouveau gâteau. Vous avez des millions de combinaisons d'ingrédients potentielles (structures candidates), mais vous n'avez le temps de tester qu'une trentaine d'entre elles. Pour ce faire efficacement, vous avez besoin d'un moyen de deviner rapidement quelles recettes sont « bonnes » avant de les cuire réellement.

Dans le monde du développement de médicaments, le « gâteau » est une molécule médicamenteuse, et la « recette » est la manière dont ces molécules s'empilent dans un cristal. Cet empilement est appelé Prédiction de Structure Cristalline (CSP). Obtenir le bon empilement est crucial car différents empilements (polymorphes) peuvent faire en sorte qu'un médicament se dissolve trop vite, ne se dissolve pas du tout, ou même se transforme en une forme différente tout en restant sur une étagère.

Pendant des années, la « référence absolue » pour goûter ces recettes a été une simulation informatique super-précise mais incroyablement lente appelée DFT (Théorie de la Fonctionnelle de la Densité). C'est comme un chef étoilé capable de goûter un gâteau et de vous dire exactement comment il aura le goût, mais qui met des jours à analyser une seule recette. Parce qu'elle est si lente, les scientifiques ne peuvent vérifier qu'une infime fraction des millions de recettes possibles.

Cet article présente un nouvel outil appelé CSP-MACE-Å. Considérez-le comme un apprenti IA ultra-rapide entraîné à imiter le goût du chef étoilé, mais capable de faire le travail des milliers de fois plus vite.

Voici comment l'article explique cet nouvel outil, décomposé en concepts simples :

1. La Recette en Deux Parties (Intra vs Inter)

Les auteurs ont réalisé qu'un cristal est composé de deux types d'interactions :

• Intramoléculaire : Comment les atomes se tiennent ensemble à l'intérieur d'une seule molécule (comme les ingrédients à l'intérieur d'un seul biscuit).
• Intermoléculaire : Comment les molécules collent les unes aux autres pour former le cristal (comme la façon dont les biscuits s'empilent dans un bocal).

Les anciens modèles d'IA tentaient d'apprendre tout d'un coup et se perdaient. Le nouveau CSP-MACE-Å divise le travail en deux équipes spécialisées :

• Équipe 1 (Le Fabricant de Biscuits) : Utilise un modèle entraîné sur une immense bibliothèque de molécules uniques pour comprendre comment les ingrédients se tiennent ensemble.
• Équipe 2 (L'Empileur de Bocaux) : C'est la sauce secrète. Elle est spécifiquement entraînée pour comprendre les façons subtiles dont les molécules collent ensemble dans un cristal. Elle combine trois éléments :
  1. Un modèle de base pour l'adhésion.
  2. Une formule mathématique pour les forces à longue portée de type « van der Waals » (la faible attraction magnétique-like entre les molécules).
  3. Un « Modèle Delta » (une couche de correction). C'est comme un dégustateur qui ne regarde que les erreurs commises par les deux autres et les corrige pour correspondre aux résultats du Chef Étoilé (DFT).

2. Les Tests de Goût (Les Résultats)

Les auteurs ont soumis leur nouvel apprenti IA à trois tests de goût rigoureux pour voir s'il pouvait remplacer le Chef Étoilé lent.

• Test 1 : La Cuisine d'AstraZeneca (19 Composés)
  Ils ont pris 19 composés médicamenteux réels et demandé à l'IA de classer les meilleures structures cristallines.

  • Le Résultat : Les classements énergétiques de l'IA étaient presque identiques à ceux du Chef Étoilé lent (DFT).
  • La Surprise : Lorsqu'ils ont ajouté un « facteur température » (calculant l'énergie libre, qui prend en compte comment les molécules bougent et vibrent), l'IA s'est encore améliorée, identifiant correctement la forme cristalline la plus stable dans presque tous les cas.

• Test 2 : Le Test de Goût à l'Aveugle (28 Composés)
  Ils ont testé l'IA sur 28 composés issus de sept « tests à l'aveugle » précédents (où les scientifiques ne connaissaient pas la réponse à l'avance).

  • Le Résultat : L'IA a performé aussi bien que les meilleures méthodes DFT, et nettement mieux que les autres modèles d'IA existants.

• Test 3 : Le Défi « ROY » (Le Gâteau le plus Piégeant)
  Il existe une molécule célèbre appelée ROY qui possède 14 formes cristallines différentes. Elle est notoirement difficile car les molécules sont flexibles et capricieuses. La plupart des modèles informatiques se trompent là-dessus.

  • Le Résultat : Parce que leur IA disposait d'une équipe spécialisée « Fabricant de Biscuits » entraînée sur une chimie de haut niveau, elle a correctement identifié la forme la plus stable de ROY, tandis que les autres modèles ont échoué.

3. Prédire l'Avenir (Stabilité Thermique)

Enfin, ils ont testé si l'IA pouvait prédire comment le « gâteau » change lorsque le four chauffe. Certains médicaments sont stables à température ambiante mais fondent ou changent de forme lorsqu'ils sont chauffés.

• Ils ont testé 5 composés sur une gamme de températures (du gel au très chaud).
• Le Résultat : L'IA a prédit avec succès les tendances générales. Par exemple, elle a correctement deviné qu'une forme médicamenteuse est stable quand il fait froid, mais qu'une autre forme prend le relais quand il fait chaud. Bien qu'elle n'ait pas obtenu le point exact de basculement de température parfait dans chaque cas unique, elle a capturé le comportement global bien mieux que les méthodes précédentes.

L'Essentiel

L'article affirme que CSP-MACE-Å est une percée car il est assez rapide pour vérifier des millions de recettes mais assez précis pour faire confiance aux résultats.

Au lieu d'attendre des jours pour vérifier 100 recettes avec le Chef Étoilé, cette IA peut vérifier des milliers de recettes dans le temps qu'il faut pour préparer une tasse de café, avec des résultats presque aussi précis que ceux du Chef Étoilé. Cela permet aux scientifiques de « dérisquer » leur développement de médicaments en s'assurant qu'ils ne manquent pas une forme cristalline meilleure et plus stable qui aurait été trop coûteuse à trouver avec les anciennes méthodes lentes.

Ce que l'article ne prétend pas :

• Il ne prétend pas que cet outil est actuellement utilisé dans les hôpitaux ou pour traiter des patients.
• Il ne prétend pas que cela guérira immédiatement des maladies.
• Il se concentre strictement sur la prédiction des structures cristallines, et non sur la synthèse chimique ou les essais cliniques des médicaments eux-mêmes.

Résumé technique

Résumé technique : Précision de la DFT dans la prédiction de structures cristallines avec des potentiels interatomiques d'apprentissage automatique

Énoncé du problème
La prédiction de structures cristallines (CSP) est un composant critique du développement de médicaments, essentiel pour sélectionner la forme à l'état solide des principes actifs pharmaceutiques (API) afin d'assurer la biodisponibilité, la fabricabilité et la stabilité. Le flux de travail CSP standard consiste à générer des millions de structures candidates et à les classer pour identifier les polymorphes les plus stables. L'état de l'art actuel pour la phase de classement repose sur la théorie de la fonctionnelle de la densité corrigée par la dispersion (DFT-D), telle que PBE avec les corrections de Neumann–Perrin ou B86bPBE-XDM. Bien que précise, la DFT est coûteuse en calcul, nécessitant souvent des heures pour l'optimisation de structure et des jours pour les calculs d'énergie libre. Ce coût limite le nombre de structures candidates pouvant être évaluées et restreint l'application pratique du reclassement par énergie libre. Les potentiels interatomiques d'apprentissage automatique (MLIP) offrent une solution potentielle pour accélérer ces calculs d'un ordre de grandeur, mais les tentatives précédentes ont eu du mal à égaler la précision de la DFT, en particulier dans la modélisation des électrostatiques à longue portée, de la dispersion et des interactions intermoléculaires subtiles dans les cristaux.

Méthodologie : CSP-MACE-˚A
Les auteurs présentent CSP-MACE-˚A, un MLIP spécialisé conçu pour remplacer la DFT dans les flux de travail CSP. Le modèle emploie une architecture d'énergie décomposée, séparant l'énergie totale en composantes intramoléculaires et intermoléculaires pour permettre une modélisation adaptée de chaque type d'interaction :

1. Décomposition de l'énergie : L'énergie totale est définie comme $E_{total} = E_{intra} + E_{inter}$. L'énergie intramoléculaire ($E_{intra}$) est calculée comme la somme des énergies des molécules constitutives isolées dans le vide, tandis que l'énergie intermoléculaire ($E_{inter}$) est la différence résiduelle entre le système périodique complet et la somme des molécules isolées.
2. Composante intramoléculaire : Cette composante utilise l'architecture MACE-POLAR entraînée sur le jeu de données OMol25 (100 millions de calculs DFT $\omega$B97M-V/def2-TZVPD). Ce jeu de données de théorie de haut niveau assure une modélisation précise des énergies conformationnelles intramoléculaires, résolvant des problèmes tels que les erreurs de délocalisation trouvées dans les fonctionnelles DFT standard pour les molécules flexibles.
3. Composante intermoléculaire : Il s'agit d'un modèle hybride combinant trois termes pour capturer les interactions spécifiques aux cristaux :
   • Contribution MACE-POLAR : Fournit une base pour les interactions intermoléculaires mais manque de dispersion à longue portée.
   • Terme de dispersion : Un terme à paramètres fixes suivant la forme fonctionnelle de la correction XDM (Exchange-Hole Dipole Moment). Les paramètres sont moyennés à partir d'un ensemble interne de 50 000 calculs B86bPBE-XDM.
   • Modèle Delta appris : Un réseau de neurones entraîné pour prédire le résidu entre les cibles DFT B86bPBE-XDM et la somme des termes MACE-POLAR et de dispersion. Ce modèle est entraîné sur 50 000 calculs de structures cristallines B86bPBE-XDM. Crucialement, les cibles d'entraînement sont des résidus intermoléculaires isolés, empêchant la fonction de perte d'être dominée par les signaux d'énergie intramoléculaire plus importants.

Contributions clés

• Architecture : Le développement d'un MLIP décomposé qui sépare explicitement la modélisation intra- et intermoléculaire, permettant l'utilisation de données de théorie de haut niveau pour les termes intramoléculaires et de données cristallines ciblées pour les termes intermoléculaires.
• Stratégie d'entraînement : La mise en œuvre d'une approche d'apprentissage « delta » pour les interactions intermoléculaires, où le modèle apprend la correction à un modèle de dispersion basé sur la physique et à un MLIP fondamental, ciblant spécifiquement la précision B86bPBE-XDM.
• Évaluation complète : Un benchmark rigoureux de CSP-MACE-˚A par rapport aux modèles de fondation existants (MACE-POLAR-1, UMA-OMC) et aux standards DFT sur plusieurs jeux de données, incluant les publications internes de CSP d'AstraZeneca et les sept tests aveugles CSP.

Résultats
L'évaluation a été menée sur trois ensembles principaux :

1. Ensemble AstraZeneca (AZ) (19 composés) : CSP-MACE-˚A a obtenu des performances comparables à la DFT PBE-NP lors du classement par énergie. Cependant, lorsque les structures ont été reclassees en utilisant des énergies libres harmoniques (calculées à 300 K), CSP-MACE-˚A a nettement surpassé le classement basé uniquement sur l'énergie, plaçant les correspondances expérimentales dans les 10 premières structures et à moins de 0,36 kJ/mol de l'énergie minimale en moyenne. Il a constamment surpassé à la fois MACE-POLAR-1 et le modèle de fondation UMA-OMC.
2. Ensemble de test aveugle (28 composés) : CSP-MACE-˚A a démontré des performances proches de la DFT B86bPBE-XDM. Bien que le classement basé uniquement sur l'énergie ait été marginalement inférieur à B86bPBE-XDM, l'inclusion du reclassement par énergie libre harmonique a permis à CSP-MACE-˚A de surpasser les performances de classement par énergie DFT, atteignant un rang moyen de 2,96 contre 3,25 pour B86bPBE-XDM.
3. Étude de cas ROY (Red Orange Yellow) : ROY est une molécule difficile avec 14 polymorphes connus où la DFT standard échoue souvent en raison d'erreurs de délocalisation intramoléculaires. CSP-MACE-˚A a correctement prédit la forme Y, la plus stable expérimentalement, comme minimum global (à moins de 0,5 kJ/mol), tandis que B86bPBE-XDM l'a placée à plus de 5 kJ/mol au-dessus. Ce succès est attribué au modèle intramoléculaire haute fidélité (entraîné sur $\omega$B97M-V) combiné à une modélisation intermoléculaire précise.
4. Stabilité thermodynamique : Sur un ensemble de cinq composés avec une stabilité polymorphique dépendante de la température connue, CSP-MACE-˚A a réussi à capturer les tendances générales de stabilité relative en utilisant des approximations d'énergie libre harmonique. Bien qu'il n'ait pas toujours reproduit l'ordre exact des polymorphes à toutes les températures, il a correctement identifié les relations monotropes et énantiotropes et les points de transition pour plusieurs composés (par exemple, Chlorhydrate de Mexiletine, AZD5462).

Signification et revendications
L'article affirme que CSP-MACE-˚A représente une avancée significative pour rendre les MLIP viables pour les applications industrielles de CSP. En atteignant une précision de niveau DFT tout en fonctionnant plusieurs ordres de grandeur plus rapidement, le modèle permet l'évaluation d'un ensemble beaucoup plus large de structures candidates que ce qui est actuellement réalisable avec la DFT. Cette capacité permet un désamorçage plus robuste des formes solides en réduisant la probabilité que des polymorphes viables soient exclus de l'étape de classement en raison du coût de calcul. De plus, la capacité d'effectuer un reclassement par énergie libre sur de grands ensembles de données rend l'évaluation de la stabilité dépendante de la température pratique pour un plus large éventail de composés. Les auteurs concluent que si le travail actuel maintient les flux de travail CSP standards, la vitesse de CSP-MACE-˚A ouvre la porte à de futures adaptations du flux de travail lui-même, telles que l'intégration des MLIP dans la phase de génération de structures.