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

기술 요약: ab initio 정확도에 도달하는 약물 및 단백질을 위한 전이 가능한 암시적 용매 머신러닝 포텐셜

문제 정의
단백질 및 약물 유사 분자와 같은 생체 분자 시스템을 정확하게 모델링하려면 복잡한 형태적 앙상블과 용매 매개 상호작용을 포착해야 한다. 고전적 포스 필드(force fields)는 마이크로초 규모의 시뮬레이션에 필요한 계산 효율성을 제공하지만, 경험적 파라미터화에 대한 의존성으로 인해 예측 정확도에 한계가 있다. 반대로, 밀도 범함수 이론(DFT) 및 고정밀 머신러닝 포텐셜(MLP)과 같은 ab initio 방법은 양자 역학적 정확도를 제공하지만, 생체 분자 역학에 필요한 시간 척도와 시스템 크기를 감당하기에는 계산 비용이 너무 높다.

암시적 용매 모델(Implicit solvent models)은 자유도를 줄임으로써 효율적인 경로를 제시하지만, 기존의 머신러닝 기반 암시적 용매 또는 조립형(coarse-grained, CG) 모델은 상당한 정확도 병목 현상에 직면해 있다. 대부분의 현재 접근 방식(예: GNNIS, CGSchNet)은 경험적 포스 필드로부터 생성된 데이터로 학습된다. 이러한 경험적 포스 필드에 대한 의존성은 결과적인 MLP의 이론적 정확도 상한을 본질적으로 제한한다. 또한, CG 모델의 바텀업(bottom-up) 학습은 노이즈가 있는 원자 단위 데이터로부터 유효한 다체 평균 힘 포텐셜(PMF)을 추론하기 위해 방대한 데이터셋을 필요로 하며, 이는 ab initio 방법으로는 재현하기 어려운 마이크로초 규모의 고전적 시뮬레이션을 요구하는 경우가 많다.

방법론: TWIN 프레임워크
저자들은 등변 그래프 신경망(MACE 아키텍처 기반)에 의해 완전히 파라미터화되었으며, 경험적 포스 필드 데이터 없이 오직 ab initio 및 실험적 레이블만을 사용하여 학습된 암시적 물 MLP인 TWIN(Transferable Water Implicit Network)을 소개한다. 이 모델은 3단계 다중 스케일 학습 전략을 채택한다:

1. 1단계: 원자 단위 참조 (TWIN-AT): 하향식(bottom-up) 학습 단계로, 명시적 용매 MLP(TWIN-AT)를 SPICE 2.0.1 데이터셋( $\omega$B97M-D3(BJ)/def2-TZVPPD 레벨의 DFT 레이블) 및 MACE-OFF 서브셋에서 유도된 166만 개의 구성 데이터셋을 사용하여 파라미터화한다. 이 모델은 용질 상호작용에 대한 고충실도 참조 역할을 수행하며, 물리적으로 의미 있는 귀납적 편향(inductive bias)을 제공하여 암시적 용매 모델을 초기화한다.
2. 2단계: 변분 힘 매칭 (TWIN-FM): 직접적인 ab initio 샘플링이 불가능한 더 큰 시스템(단백질)으로 모델을 확장하기 위해, 저자들은 변분 힘 매칭을 수행한다. 이들은 41개의 단백질 도메인(mdCATH 데이터베이스에서 선택됨)으로부터 410만 개의 구성을 생성하여 고전적 명시적 용매 시뮬레이션(AMBER/TIP3P)을 수행한다. 용질 원자에 작용하는 힘은 TWIN-AT 모델을 사용하여 레이블링된다. 암시적 용매 모델(TWIN-FM)은 이러한 TWIN-AT 힘 레이블을 재현하도록 최적화되어, 더 크고 유연한 분자로의 일반화를 가능하게 한다.
3. 3단계: 탑다운 정밀화 (TWIN): 최종 모델은 CombiSolv 데이터셋의 수용액 부분에 포함된 1,148개의 약물 유사 분자에 대한 실험적 수화 자유 에너지에 대해 정밀화된다. 미분 가능한 궤적 재가중화(DiffTRe) 및 자유 에너지 섭동을 사용하는 용해 자유 에너지 경로 재가중화(ReSolv) 방법을 사용하여, 전체 시뮬레이션 궤적을 미분하지 않고도 실험적 열역학 관측값에 일치하도록 모델을 미세 조정한다. 이는 힘 매칭 단계에서 도입된 편향을 수정한다.

주요 기여

• 데이터 기반 파라미터화: 경험적 포스 필드 데이터나 시스템 특정적 사전 포텐셜에 의존하는 기존의 암시적 용매 MLP와 달리, TWIN은 오직 ab initio (DFT) 및 실험 데이터로만 학습된다.
• 전이 가능성: TWIN은 위상 의존적 사전 포텐셜 없이도 약물 유사 소분자, 펩타이드, 접힌 단백질, 단백질-약물 복합체를 포함한 다양한 화학 공간 전반에 걸쳐 전이 가능성을 입증한다.
• 다중 스케일 학습 전략: 고정밀 참조를 사용하는 바텀업 힘 매칭과 실험적 정밀화를 결라한 조합을 통해, 직접적인 ab initio 학습이 계산적으로 불가능한 대규모 시스템에서도 높은 정확도를 달-성한다.
• 효율성: 명시적 용매 자유도를 제거함으로써, TWIN은 명시적 용매 MLP에 비해 타임스텝 평가 시 2차수(two-order-of-magnitude)의 속도 향상을 달성하면서도 근사적인 ab initio 정확도를 유지한다.

결과 및 벤치마크
논문은 여러 벤치마크를 통해 TWIN을 검증한다:

• 약물 유사 분자: TWIN은 비아릴(biaryl) 비틀림 포텐셜 에너지 표면을 정확하게 재현하며(장벽 높이에 대해 MAE 0.72 kcal/mol), 약물 분자인 오자니모드(ozanimod)에 대해 명시적 용매 MLP 결과를 일치시킨다. 이는 고전적 포스 필드(예: GAFF) 및 이전의 ML 기반 암시적 용매 모델(GNNIS)을 크게 능가한다.
• 펩타이드 (Ala3): 모델은 알라닌 트리펩타이드의 자유 에너지 지형을 정확하게 포착하여, 실험적 관찰 및 명시적 용매 참조와 일치하는 폴리프롤린 II (pPII) 영역을 주요 메조스테이트(mesostate)로 식별한다. 이는 $\alpha$-헬릭스 베이슨을 잘못 안정화하는 고전적 포스 필드 기반 모델(CGSchNet, GNNIS)보다 우수한 성능을 보인다.
• 단백질: 유비퀴틴(ubiquitin), GB1, CspA, IFABP에 대해 테스트했을 때, TWIN은 AMBER 포스 필드와 유사한 RMSD 값(1–2.5 Å)으로 안정적인 접힘 구조를 유지한다. 또한 실험적 NMR 관측값인 수소 결합 스칼라 결합($^3J_{NC}$) 및 백본 질서 매개변수($S^2$)를 기존의 확립된 명시적 용매 포스 필드와 경쟁할 만한 정확도로 재현한다.
• 단백질-리간드 상호작용: TWIN-AT은 준경험적 양자 역학 방법 및 기초적인 MLP와 대등한 상호작용 에너지 정확도(MAE 0.48 kcal/mol)를 달성한다. 암시적 용매 모델은 준경험적 용매 모델(DFTB3/PCM)보다 우수하고 고전적 암시적 용매 모델과 대등한 정확도로 용매 매개 상호작용 에너지 변화를 포착한다.
• 계산 성능: TWIN은 명시적 용매 TWIN-AT 시뮬레이션에 비해 타임스텝당 10–100배의 속도 향상을 제공한다. 고전적 포스 필드가 여전히 더 빠르지만(최대 25배), 저자들은 암시적 용매 모델의 에너지 지형 평활화(smoothing)가 추가적인 샘플링 효율을 제공하여, 결과적으로 수렴에 도달하는 데 있어 TWIN이 더 효율적일 수 있다고 언급한다.

의의 및 주장
저자들은 TWIN이 계산 효율성과 ab initio 정확도 사이의 간극을 메움으로써 생체 분자 모델링의 중요한 진전을 이루었다고 주장한다. 경험적 포스 필드 데이터에 대한 의존성을 제거함으로써, TWIN은 이전의 CG 및 암시적 용매 MLPs의 본질적인 정확도 한계를 극복한다. 이 모델은 수용액 환경에서의 생체 분자 시스템에 대한 고충실도 탐색을, 기존의 ab initio 수준 방법으로는 접근 불가능했던 시간 척도(마이크로초)에서 가능하게 한다. 이 연구는 화학 공간 전반에 걸쳐 전이 가능하면서도 실험적 열역학 및 구조 데이터에 대해 정량적으로 정확한 암시적 용매 포텐셜을 개발하기 위한 일반화 가능한 워크플로우를 확립한다. 저자들은 TWIN을 생성 모델링 및 코스-그레인드 볼츠만 생성기(coarse-grained Boltzmann generators)를 포함한 응용 분야를 위한 강력한 프레임워크로서 제시한다.