DFT Accuracy on Crystal Structure Prediction with Machine Learning Interatomic Potentials

本論文は、結晶構造予測において DFT レベルの精度を達成しつつ、計算速度を数桁向上させるために全エネルギーを分子内および分子間成分に分解する機械学習原子間ポテンシャル CSP-MACE-Åを導入し、それによって広範な候補評価と自由エネルギー計算を通じた固体形態のより堅牢なリスク低減を可能にするものである。

要約

あなたが新しいケーキの完璧なレシピを見つけるために奮闘するシェフだと想像してください。あなたは数百万もの潜在的な材料の組み合わせ（候補となる構造）を持っていますが、実際に味見できるのは数十種類だけです。これを効率的に行うためには、実際に焼く前にどのレシピが「良い」かを素早く推測する方法が必要です。

医薬品開発の世界において、「ケーキ」とは医薬分子そのものであり、「レシピ」とはそれらの分子が結晶の中でどのように積み重なるかという点です。この積み重なり方を決定する作業は「結晶構造予測（CSP）」と呼ばれます。この積み重なり方を正確に把握することは極めて重要です。なぜなら、異なる積み重なり方（多形）によって、薬が溶けすぎる、全く溶けない、あるいは棚に置かれている間に別の形に変化してしまうといった事態が起こり得るからです。

長年にわたり、これらのレシピを味見する際の「ゴールドスタンダード」となってきたのは、DFT（密度汎関数理論）と呼ばれる、極めて正確だが信じられないほど遅いコンピュータシミュレーションでした。これは、ケーキを味見してその味がどうなるかを正確に言い当てられる熟練のシェフのような存在ですが、たった一つのレシピを分析するのに数日も要します。あまりにも遅いため、科学者たちは数百万ある可能性のあるレシピのごく一部しか確認できませんでした。

この論文では、CSP-MACE-Åという新しいツールを紹介しています。これは、熟練のシェフの味覚を模倣するように訓練された超高速な AI 見習いのようなもので、その仕事を数千倍の速度でこなすことができます。

以下に、この論文が説明するこの新ツールの仕組みを、簡単な概念に分解して示します。

1. 二部構成のレシピ（分子内 vs 分子間）

著者らは、結晶が二種類の相互作用で構成されていることに気づきました。

• 分子内相互作用: 単一の分子内の原子がどのように結合しているか（例：一つのクッキーの中にある材料）。
• 分子間相互作用: 分子同士がどのようにくっついて結晶を形成するか（例：瓶に詰められたクッキーの積み重なり）。

従来の AI モデルはすべてを一度に学習しようとして混乱していました。一方、新しいCSP-MACE-Åは、この作業を二つの専門チームに分けています。

• チーム 1（クッキー製造担当）: 膨大な単一分子のライブラリで訓練されたモデルを用いて、材料がどのように結合しているかを理解します。
• チーム 2（瓶詰め担当）: これが秘密の武器です。結晶の中で分子がどのように微妙な方法で結合するかを理解するために特別に訓練されています。これは以下の三つの要素を組み合わせたものです。
  1. 結合のためのベースモデル。
  2. 長距離の「ファンデルワールス力」（分子間の弱い磁力のような引力）を記述する数学的公式。
  3. 「デルタモデル（補正層）」。これは、他の二つが犯したミスだけを見て、それを修正してマスターシェフ（DFT）の結果に合わせる味見役のようなものです。

2. 味見テスト（結果）

著者らは、この新しい AI 見習いが遅いマスターシェフに取って代わるかどうかを確認するため、厳格な味見テストを三回行いました。

• テスト 1：アストラゼネカのキッチン（19 化合物）
  彼らは 19 種類の現実世界の医薬化合物を取り上げ、AI に最適な結晶構造をランク付けさせました。

  • 結果: AI のエネルギー順位は、遅いマスターシェフ（DFT）とほぼ同一でした。
  • トピックス: 「温度因子」（分子の揺れや振動を考慮した自由エネルギーの計算）を追加すると、AI はさらに精度を上げ、ほぼすべてのケースで最も安定した結晶形態を正しく特定しました。

• テスト 2：ブラインド味見テスト（28 化合物）
  彼らは、事前に答えを知らなかった科学者たちによる過去の 7 つの「ブラインドテスト」から選ばれた 28 化合物で AI をテストしました。

  • 結果: AI は最高の DFT 手法と同等の性能を発揮し、既存の他の AI モデルよりも著しく優れた結果を示しました。

• テスト 3：「ROY」チャレンジ（最も厄介なケーキ）
  14 種類の異なる結晶形態を持つ有名な分子に「ROY」という名前があります。分子が柔軟で扱いにくいため、非常に難しいとされています。ほとんどのコンピュータモデルはこれを誤って予測します。

  • 結果: 高度な化学に基づいて訓練された専門の「クッキー製造」チームを持っていたため、彼らの AI は ROY の最も安定した形態を正しく特定しましたが、他のモデルは失敗しました。

3. 未来の予測（温度安定性）

最後に、彼らはオーブンが熱くなるにつれて「ケーキ」がどのように変化するかを AI が予測できるかどうかをテストしました。一部の薬は室温では安定していますが、加熱すると溶けたり形を変えたりします。

• 彼らは 5 種類の化合物を、冷凍状態から非常に高温までの温度範囲でテストしました。
• 結果: AI は一般的な傾向を成功裏に予測しました。例えば、ある薬の形態は冷たいときは安定だが、熱くなると別の形態に置き換わるという点を正しく推測しました。すべてのケースで正確な温度切り替え点を完璧に当てたわけではありませんが、以前の手法よりもはるかに優れた形で全体的な挙動を捉えました。

結論

この論文は、CSP-MACE-Åが画期的である理由として、数百万のレシピをチェックできるほど高速でありながら、結果を信頼できるほど正確であることを挙げています。

マスターシェフを使って 100 種類のレシピをチェックするのに数日かかる代わりに、この AI はコーヒー一杯を淹れる間に数千のレシピをチェックでき、その結果はマスターシェフとほぼ同等の精度を誇ります。これにより、科学者たちは「古い遅い手法では見つけるのが高価すぎて見逃していた、より優れていて安定した結晶形態」を見逃さないよう、医薬品開発のリスクを低減（デリスク）することが可能になります。

この論文が主張していないこと:

• このツールが現在、病院で使用されている、または患者の治療に用いられているとは主張していません。
• これが直ちに病気を治癒するとは主張していません。
• 焦点は厳密に結晶構造の予測にあり、医薬品自体の化学合成や臨床試験については扱っていません。

技術概要

技術概要：機械学習原子間ポテンシャルを用いた結晶構造予測における DFT の精度

問題定義
結晶構造予測（CSP）は創薬開発の重要な構成要素であり、活性医薬成分（API）の固体形態を選択して、生物学的利用能、製造性、および安定性を確保するために不可欠である。標準的な CSP ワークフローでは、数百万の候補構造を生成し、最も安定な多形を特定するためにそれらをランク付けする。ランク付け段階における現在の最先端技術は、Neumann–Perrin 補正を施した PBE や B86bPBE-XDM などの分散補正密度汎関数理論（DFT-D）に依存している。DFT は精度が高いものの計算コストが高く、構造最適化に数時間、自由エネルギー計算に数日を要することが多い。このコストは評価可能な候補構造の数を制限し、自由エネルギーによる再ランク付けの実用的な応用を制約している。機械学習原子間ポテンシャル（MLIPs）は、これらの計算を桁違いに高速化する潜在的な解決策を提供するが、過去の試みは、特に結晶における長距離静電相互作用、分散、および微妙な分子間相互作用のモデル化において、DFT の精度に匹敵することに苦労してきた。

手法：CSP-MACE-Å
著者は、CSP ワークフローにおいて DFT を代替するために設計された専用 MLIP「CSP-MACE-Å」を提示する。このモデルは、各相互作用タイプに合わせたモデル化を可能にするため、全エネルギーを分子内成分と分子間成分に分解するエネルギー分解アーキテクチャを採用している：

1. エネルギー分解：全エネルギーは $E_{total} = E_{intra} + E_{inter}$ と定義される。分子内エネルギー（$E_{intra}$）は、真空中で孤立した構成分子のエネルギーの和として計算され、分子間エネルギー（$E_{inter}$）は、完全な周期系と孤立分子の和との残差として定義される。
2. 分子内成分：この成分は、OMol25 データセット（100 万回の $\omega$B97M-V/def2-TZVPD DFT 計算）でトレーニングされた MACE-POLAR アーキテクチャを利用する。この高レベル理論データセットは、柔軟な分子における標準的な DFT 汎関数で見られる非局在化誤差などの問題に対処し、分子内コンフォメーションエネルギーの正確なモデル化を確保する。
3. 分子間成分：これは、結晶固有の相互作用を捉えるために 3 つの項を組み合わせたハイブリッドモデルである：
   • MACE-POLAR 寄与：分子間相互作用の基準を提供するが、長距離分散を欠く。
   • 分散項：XDM（交換ホール双極子モーメント）補正の関数形式に従う固定パラメータ項。パラメータは、内部の 50,000 件の B86bPBE-XDM 計算から平均化されたものである。
   • 学習済みデルタモデル：B86bPBE-XDM DFT ターゲットと、MACE-POLAR 項および分散項の合計との残差を予測するようにトレーニングされたニューラルネットワーク。このモデルは 50,000 件の B86bPBE-XDM 結晶構造計算でトレーニングされている。重要なのは、トレーニングターゲットが孤立した分子間残差であることで、損失関数がより大きな分子内エネルギー信号によって支配されることを防いでいる点である。

主要な貢献

• アーキテクチャ：分子内および分子間モデル化を明示的に分離する分解型 MLIP の開発。これにより、分子内項には高レベル理論データ、分子間項にはターゲットとした結晶データを使用することが可能になった。
• トレーニング戦略：分子間相互作用に対する「デルタ学習」アプローチの実装。モデルは、物理ベースの分散モデルと基礎的な MLIP に対する補正を学習し、特に B86bPBE-XDM の精度をターゲットとしている。
• 包括的な評価：AstraZeneca の内部 CSP 出版物および 7 つの CSP ブラインドテストを含む複数のデータセットにおいて、既存のファウンデーションモデル（MACE-POLAR-1、UMA-OMC）および DFT 標準に対する CSP-MACE-Å の厳密なベンチマーク評価。

結果
評価は 3 つの主要なセットで行われた：

1. AstraZeneca（AZ）セット（19 化合物）：エネルギーによるランク付けにおいて、CSP-MACE-Å は PBE-NP DFT と同等の性能を達成した。しかし、調和自由エネルギー（300 K で計算）を用いて構造を再ランク付けした際、CSP-MACE-Å はエネルギーのみのランク付けを大幅に上回り、実験的な一致をトップ 10 構造内に配置し、平均して最小エネルギーから 0.36 kJ/mol 以内に収めた。これは MACE-POLAR-1 および UMA-OMC ファウンデーションモデルを常に上回った。
2. ブラインドテストセット（28 化合物）：CSP-MACE-Å は B86bPBE-XDM DFT に近い性能を示した。エネルギーのみのランク付けは B86bPBE-XDM よりわずかに劣っていたが、調和自由エネルギーによる再ランク付けを含めることで、CSP-MACE-Å は DFT エネルギーランク付けの性能を上回り、平均ランク 2.96（B86bPBE-XDM は 3.25）を達成した。
3. ROY（レッド・オレンジ・イエロー）ケーススタディ：ROY は 14 の既知の多形を持つ困難な分子であり、標準的な DFT は分子内の非局在化誤差によりしばしば失敗する。CSP-MACE-Å は、実験的に最も安定な Form Y を 0.5 kJ/mol 以内の誤差でグローバルミニマムとして正しく予測したが、B86bPBE-XDM はそれを 5 kJ/mol 以上高く評価した。この成功は、$\omega$B97M-V でトレーニングされた高忠実度の分子内モデルと、正確な分子間モデルの組み合わせに起因する。
4. 熱力学的安定性：温度依存性の多形安定性が既知の 5 化合物のセットにおいて、CSP-MACE-Å は調和自由エネルギー近似を用いて相対安定性の広範な傾向を正しく捉えた。すべての温度における多形の正確な順序を常に再現したわけではないが、いくつかの化合物（メキシレチン塩酸塩、AZD5462 など）について、モノトロピックおよびエントロピックの関係および転移点を正しく特定した。

意義と主張
本論文は、CSP-MACE-Å が、産業用 CSP 応用において MLIPs を実用的にするための重要な前進を表すと主張している。DFT レベルの精度を維持しつつ、桁違いに高速に実行できることで、このモデルは現在 DFT で実行可能な範囲よりもはるかに広大な候補構造プールを評価可能にする。この能力により、計算コストのためにランク付け段階から除外される可能性のある実用的な多形を減らすことで、固体形態のリスク低減をより確実なものにできる。さらに、大規模データセットに対する自由エネルギーによる再ランク付けを実行する能力は、より広範な化合物群に対して温度依存性の安定性を評価することを現実的なものにする。著者は、現在の作業は標準的な CSP ワークフローを維持しているが、CSP-MACE-Å の高速性は、構造生成段階への MLIPs の統合など、ワークフロー自体の将来の適応への扉を開くと結論付けている。