Transferable Implicit Solvent Machine Learning Potential for Drugs and Proteins Approaching Ab Initio Accuracy

Sintesi Tecnica: Potenziale di Apprendimento Automatico per Solvente Implicito Trasferibile per Farmaci e Proteine che si Avvicina alla Precisione Ab Initio

Problematica
La modellazione accurata di sistemi biomolecolari, come proteine e molecole simili a farmaci, richiede la cattura di complessi ensemble conformazionali e interazioni mediate dal solvente. Sebbene i campi di forza classici offrano l'efficienza computazionale necessaria per simulazioni su scala di microsecondi, la loro dipendenza dalla parametrizzazione empirica limita la precisione predittiva. Al contrario, i metodi ab initio come la Teoria del Funzionale della Densità (DFT) e gli ad alta precisione Machine Learning Potentials (MLP) forniscono un'accuratezza quasi quantomeccanica, ma sono computazionalmente proibitivi per le scale temporali e le dimensioni dei sistemi richieste per la dinamica biomolecolare.

I modelli di solvente implicito offrono una via verso l'efficienza riducendo i gradi di libertà, tuttavia gli attuali modelli di solvente implicito o coarse-grained (CG) basati sul Machine Learning affrontano significativi colli di bottiglia in termini di accuratezza. La maggior parte degli approcci attuali (ad esempio, GNNIS, CGSchNet) è addestrata su dati generati da campi di forza di solvente esplicito classici. Questa dipendenza dai campi di forza empirici limita intrinsecamente il limite teorico di accuratezza dei relativi MLP. Inoltre, l'addestramento bottom-up dei modelli CG richiede dataset massicci per inferire potenziali efficaci di potenziale di media di forza (PMF) da dati atomistici rumorosi, richiedendo spesso simulazioni classiche su scala di microsecondi che sono difficili da replicare con metodi ab initio.

Metodologia: Il Framework TWIN
Gli autori introducono il Transferable Water Implicit Network (TWIN), un MLP di acqua implicita parametrizzato interamente da una Rete Neurale a Grafo Equivariante (basata sull'architettura MACE) e addestrato esclusivamente su etichette ab initio ed esperimentali, evitando dati di campi di forza empirici. Il modello impiega una strategia di addestramento multiscala in tre fasi:

1. Fase 1: Riferimento Atomistico (TWIN-AT): Una fase di addestramento bottom-up in cui un MLP di solvente esplicito (TWIN-AT) è parametrizzato utilizzando un dataset curato di 1,66 milioni di configurazioni derivate dal dataset SPICE 2.0.1 (etichette DFT al livello $\omega$B97M-D3(BJ)/def2-TZVPPD) e sottogruppi MACE-OFF. Questo modello funge da riferimento ad alta fedeltà per le interazioni del soluto e inizializza il modello di solvente implicito, fornendo un bias induttivo fisicamente significativo.
2. Fase 2: Variational Force Matching (TWIN-FM): Per estendere il modello a sistemi più grandi (proteine) dove il campionamento diretto ab initio è impraticabile, gli autori eseguono il variational force matching. Generano 4,1 milioni di configurazioni da 41 domini proteici (selezionati dal database mdCATH) utilizzando simulazioni di solvente esplicito classico (AMBER/TIP3P). Le forze sugli atomi del soluto sono etichettate utilizzando il modello TWIN-AT. Il modello di solvente implicito (TWIN-FM) viene quindi ottimizzato per riprodurre queste etichette di forza di TWIN-AT, consentendo la generalizzazione a molecole più grandi e flessibili.
3. Fase 3: Raffinamento Top-Down (TWIN): Il modello finale è raffinato rispetto alle energie libere di idratazione sperimentali dal subset acquoso del dataset CombiSolv (1.148 molecole simili a farmaci). Utilizzando il metodo di Solvation Free Energy Path Reweighting (ReSolv), che impiega il Differentiable Trajectory Reweighting (DiffTRe) e la perturbazione dell'energia libera, il modello viene perfezionato per corrispondere alle osservabili termodinamiche sperimentali senza differenziare attraverso intere traiettorie di simulazione. Ciò corregge i bias introdotti nella fase di force-matching.

Contributi Chiave

• Parametrizzazione Data-Driven: A differenza dei precedenti MLP di solvente implicito che si affidano a dati di campi di forza empirici o potenziali a priori specifici per il sistema, TWIN è addestrato esclusivamente su dati ab initio (DFT) ed esperimentali.
• Trasferibilità: Il modello dimostra trasferibilità attraverso diversi spazi chimici, inclusi piccole molecole simili a farmaci, peptidi, proteine ripiegate e complessi proteina-farmaco, senza richiedere potenziali a priori dipendenti dalla topologia.
• Strategia di Addestramento Multiscala: La combinazione di force matching bottom-up (utilizzando un riferimento ad alta accuratezza) e raffinamento sperimentale top-down permette al modello di raggiungere un'elevata accuratezza su grandi sistemi dove l'addestramento diretto ab initio è computazionalmente impossibile.
• Efficienza: Rimuovendo i gradi di libertà del solvente esplicito, TWIN ottiene un'accelerazione di due ordini di grandezza nella valutazione del timestep rispetto agli MLP a solvente esplicito.

Risultati e Benchmark
Il paper valida TWIN attraverso diversi benchmark:

• Molecole simili a farmaci: TWIN riproduce accuratamente le superfici di energia potenziale torsionale biarilica (MAE di 0,72 kcal/mol per le altezze delle barriere) e corrisponde ai risultati del MLP a solvente esplicito per la molecola farmaceutica ozanimod. Supera significativamente i campi di forza classici (ad esempio, GAFF) e i precedenti modelli di solvente implicito basati su ML (GNNIS).
• Peptidi (Ala3): Il modello cattura correttamente il paesaggio dell'energia libera dell'alanina tripeptide, identificando la regione polyproline II (pPII) come il mesostato dominante, in linea con le osservazioni sperimentali e i riferimenti a solvente esplicito. Supera i modelli addestrati su campi di forza classici (CGSchNet, GNNIS), che stabilizzano erroneamente il bacino $\alpha$-elica.
• Proteine: Testato su ubiquitina, GB1, CspA e IFABP, TWIN mantiene conformazioni ripiegate stabili con valori di RMSD comparabili al campo di forza AMBER (1–2,5 Å). Riproduce le osservabili NMR sperimentali, inclusi gli accoppiamenti scalari legame idrogeno ($^3J_{NC}$) e i parametri di ordine del backbone ($S^2$), con un'accuratezza competitiva con i campi di forza a solvente esplicito stabiliti.
• Interazioni Proteina-Ligando: TWIN-AT raggiunge un'accuratezza dell'energia di interazione (MAE 0,48 kcal/mol) comparabile ai metodi quantomeccanici semi-empirici e ai MLP fondamentali. Il modello di solvente implicito cattura i cambiamenti dell'energia di interazione mediata dal solvento con un'accuratezza superiore ai modelli semi-empirici a solvente implicito (DFTB3/PCM) e comparabile ai modelli classici a solvente implicito.
• Prestazioni Computazionali: TWIN offre un'accelerazione di 10–100x per timestep rispetto alle simulazioni TWIN-AT a solvente esplicito. Sebbene i campi di forza classici rimangano più veloci (fino a 25x), gli autori notano che l'appiattimento del paesaggio energetico nei modelli a solvente implicito fornisce un'ulteriore efficienza di campionamento, rendendo potenzialmente TWIN più efficiente complessivamente per raggiungere la convergenza.

Significatività e Rivendicazioni
Gli autori affermano che TWIN rappresenta un avanzamento significativo nella modellazione biomolecolare colmando il divario tra efficienza computazionale e accuratezza ab initio. Eliminando la dipendenza dai dati dei campi di forza empirici per l'addestramento, TWIN evita i limiti di accuratezza intrinseci dei precedenti modelli CG e di solvente implicito. Il modello consente l'esplorazione efficiente e ad alta fedeltà di sistemi biomolecolari in ambienti acquosi a scale temporali (microsecondi) precedentemente inaccessibili ai metodi di livello ab initio. Il lavoro stabilisce un workflow generalizzabile per lo sviluppo di potenziali di solvente implicito che siano sia trasferibili attraverso lo spazio chimico che quantitativamente accurati rispetto ai dati strutturali e termodinamici sperimentali. Gli autori posizionano TWIN come un framework robusto per future simulazioni biomolecolari, incluse le applicazioni nella modellazione generativa e nei generatori di Boltzmann coarse-grained.