The Open Molecules 2025 (OMol25) Dataset, Evaluations, and Models

Meta FAIR introduceert Open Molecules 2025 (OMol25), een uitgebreid dataset met meer dan 100 miljoen DFT-berekeningen die een ongeëvenaarde chemische diversiteit en nauwkeurigheid biedt om machine learning-modellen voor moleculaire simulaties te trainen en te evalueren.

De kern

De Open Molecules 2025 (OMol25): De Ultieme 'Receptenboek' voor de Toekomst van Chemie

Stel je voor dat chemie een gigantisch, onontdekt universum is. In dit universum zijn er oneindig veel manieren om atomen (de bouwstenen van alles) aan elkaar te plakken om nieuwe medicijnen, batterijen of materialen te maken.

Vroeger was het vinden van de perfecte combinatie een beetje zoals het zoeken naar een naald in een hooiberg, maar dan met een blinddoek op. Wetenschappers moesten alles handmatig testen in het lab, wat jaren kon duren. Later kregen ze supercomputers die de natuurwetten (de 'quantummechanica') konden simuleren. Dit was een enorme stap vooruit, maar het was nog steeds als het proberen te lezen van een heel boek door slechts één letter per seconde te bekijken. Het was te traag om echt grote sprongen te maken.

De Oplossing: Een AI die de 'Geest' van Chemie Begrijpt

Hier komt Open Molecules 2025 (OMol25) om de hoek kijken. Het team van Meta FAIR heeft iets geweldigs gedaan: ze hebben een gigantische database gebouwd die fungeert als een super-receptenboek voor kunstmatige intelligentie (AI).

In plaats van dat de computer elke keer opnieuw de zware natuurwetten moet uitrekenen, heeft men de computer eerst laten 'leren' van 140 miljoen voorbeelden. Dat is een enorm aantal! Het is alsof je een student niet alleen één recept laat zien, maar hem of haar laat koken met elke denkbare combinatie van ingrediënten die er bestaat.

Wat maakt dit boek zo speciaal?

1. Het is niet alleen voor 'gewone' moleculen:
   Veel oude databases waren als een kookboek dat alleen recepten voor brood en taart bevatte (alleen simpele organische moleculen). OMol25 is als een internationaal buffet. Het bevat recepten voor:

   • Proteïnen en DNA: De bouwstenen van het leven (belangrijk voor nieuwe medicijnen).
   • Metaalcomplexen: Complexe structuren met zware metalen, cruciaal voor industriële katalysatoren.
   • Elektrolyten: De vloeistoffen in batterijen (belangrijk voor elektrische auto's).
   • Zelfs reacties: Het boek laat zien hoe moleculen veranderen als ze met elkaar reageren, alsof het de 'verloop van het koken' toont.

2. Het is extreem gedetailleerd:
   De gegevens zijn niet zomaar geschat; ze zijn berekend met de allerhoogste precisie die momenteel mogelijk is (DFT). Het is alsof je niet alleen zegt "dit brood is gaar", maar je meet exact de temperatuur, de vochtigheid en de chemische samenstelling tot op de atoom.

3. Het is enorm groot en divers:
   Het bevat systemen met tot wel 350 atomen. Voorheen waren computers bang voor zulke grote structuren. OMol25 dwingt de AI om te leren hoe grote, complexe groepen atomen zich gedragen, inclusief hoe ze reageren op lading (elektrische stroom) en spin (een quantum-eigenschap).

Hoe werkt dit in de praktijk?

Stel je voor dat je een nieuwe batterij wilt ontwerpen die 10 keer langer meegaat dan nu.

• Vroeger: Je zou duizenden verschillende vloeistoffen in het lab moeten testen. Dit duurt jaren en kost miljoenen.
• Met OMol25: Je geeft de AI het receptenboek. De AI "leest" het boek, ziet patronen die mensen missen, en zegt: "Hey, als je deze specifieke atoomcombinatie gebruikt, werkt het perfect!" De AI kan dit in een paar seconden doen, terwijl het een computer die de natuurwetten opnieuw uitrekent, dagen zou kosten.

De 'Recepten' zijn gratis

Het mooiste aan dit project is dat Meta FAIR dit enorme receptenboek gratis beschikbaar heeft gesteld aan de hele wereld. Ze hebben ook de 'keukens' (de AI-modellen) en de 'proefresultaten' (hoe goed de modellen werken) gedeeld.

Waarom is dit belangrijk voor jou?

Dit is de basis voor de volgende grote doorbraken:

• Medicijnen: Het vinden van nieuwe geneesmiddelen voor kanker of virussen in een fractie van de tijd.
• Energie: Het ontwerpen van batterijen die sneller laden en langer meegaan, of nieuwe manieren om schone energie op te slaan.
• Milieu: Het vinden van materialen die CO2 uit de lucht halen of vervuilende stoffen afbreken.

Samenvattend:
OMol25 is als het Google Maps voor de atomaire wereld. Vroeger moesten chemici blindelings door een nevel lopen. Nu hebben ze een gedetailleerde kaart die hen precies laat zien waar de goudmijnen (nieuwe ontdekkingen) liggen. Het is een gigantische sprong voorwaarts om de uitdagingen van morgen op te lossen, van betere medicijnen tot schone energie.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "Open Molecules 2025 (OMol25) Dataset, Evaluations, and Models" in het Nederlands.

Probleemstelling

Machine Learning (ML) modellen hebben het potentieel om atomaire simulaties te transformeren door kwantumchemische nauwkeurigheid te bieden tegen een fractie van de rekenkosten. Dit zou hoge doorvoer-screens voor moleculen en simulaties op grotere schaal mogelijk maken. Echter, de ontwikkeling van robuuste ML-interatomische potentialen (MLIPs) wordt gehinderd door het gebrek aan uitgebreide, hoogwaardige trainingsdata. Bestaande datasets zijn vaak te klein (< 1 miljoen datapunten), beperkt tot een paar atoomtypes (bijv. C, H, O, N), of missen chemische diversiteit zoals lading, spin, en complexe interacties (zoals oplosmiddelen en metaalcomplexen). Er is geen grote dataset die zowel breed chemisch diversiteit combineert met een hoog niveau van theoretische nauwkeurigheid.

Methodologie

Om deze kloof te dichten, introduceert Meta FAIR de Open Molecules 2025 (OMol25) dataset. Dit is een schaalvergroting van DFT-berekeningen (Density Functional Theory) met de volgende kernaspecten:

1. Datageneratie en Schaal:

   • De dataset bevat meer dan 140 miljoen DFT-berekeningen (single-point energies en krachten).
   • Het gebruikte theoretische niveau is $\omega$B97M-V/def2-TZVPD, een hoge-nauwkeurige methode die vaak als de "gouden standaard" wordt beschouwd voor een breed scala aan chemische taken.
   • De berekeningen omvatten systemen van 2 tot 350 atomen, met een gemiddelde van 50 atomen.
   • De totale rekenkosten bedroegen ongeveer 6,6 miljard CPU-core-uren.

2. Chemische Diversiteit en Domeinen:
   De dataset is opgebouwd uit vier hoofddomeinen om een breed spectrum van moleculaire chemie te dekken:

   • Biomoleculen: Inclusief proteïne-ligand, proteïne-proteïne en nucleïnezuur-interacties. Fragmenten van grote macromoleculen worden geëxtraheerd, geprotoneerd en gesimuleerd met MD (Moleculaire Dynamica).
   • Metaalcomplexen: Een enorme verzameling van organometallische en coördinatiecomplexen met diverse liganden, oxidatietoestanden en spinstaten, gegenereerd met het Architector-pakket.
   • Elektrolyten: Oplossingen met ionen en additieven (voor batterijen en biochemie), inclusief expliciete solvatatie, ionische vloeistoffen en gesmolten zouten. Er zijn clusters gegenereerd rond ionen en oplosmiddelen, inclusief effecten van kern-kwantummechanica (via Ring Polymer MD).
   • Hoofdgroep Moleculen: Reactieve trajecten, zware p-blok elementen, en clusters.
   • Community: Herberekeningen van bestaande datasets (zoals ANI-2X, SPICE2, GEOM) om consistentie in het theoretische niveau te garanderen.

3. Data-variabiliteit:
   OMol25 dekt systemen met variërende lading (-10 tot +10) en spin-multipliciteit (1 tot 11), wat essentieel is voor het modelleren van redox-processen en open-schil systemen.

4. Evaluatie en Baselines:

   • Er zijn specifieke Out-of-Distribution (OOD) splitsen gedefinieerd om generalisatie te testen (bijv. nieuwe metaal-ligand combinaties, kristalstructuren uit de COD, en reactiepaden).
   • Een reeks van evaluatietaakken is ontwikkeld die verder gaan dan simpele energie-voorspelling, waaronder:
     • Proteïne-ligand interactie-energie en krachten.
     • Ligand-spaansenergie en conformeren-ranking.
     • Protonatie-energieën.
     • Ionisatie-energieën (IE) en Elektronenaffiniteiten (EA).
     • Spin-gaps.
     • Afstandsschaling (kort- en langafstandsinteracties).
   • Verschillende baseline-modellen (eSEN, GemNet-OC, MACE, UMA) zijn getraind en geëvalueerd op deze dataset.

Belangrijkste Bijdragen

• De OMol25 Dataset: De eerste dataset van deze omvang (>140M punten) die een breed scala aan chemische domeinen (biochemie, anorganische chemie, elektrochemie) combineert met hoge theoretische nauwkeurigheid.
• Unieke Diversiteit: Het dekt systemen met complexe ladingen, spins, en grote systemen (tot 350 atomen) die zelden in eerdere datasets voorkomen.
• Uitgebreide Evaluatie Framework: Een reeks van praktische, domein-specifieke evaluatietaken die de bruikbaarheid van ML-modellen voor echte chemische toepassingen testen, in plaats van alleen in-distribution fouten.
• Open Access: De dataset, modellen en code zijn vrij beschikbaar (onder CC BY 4.0 en commerciële licenties) via Hugging Face en GitHub, inclusief een publieke leaderboard.

Resultaten

De evaluatie van de baseline-modellen op OMol25 levert de volgende inzichten op:

• Algemene Prestaties: Modellen getraind op de volledige dataset ("All") presteren significant beter (50-100% verbetering) dan modellen getraind op kleinere subsets (4M). De beste modellen (zoals UMA-M-1.1) bereiken een gemiddelde fout van 1,38 kcal/mol voor energie en 0,13 kcal/mol/Å voor krachten over de testsets.
• Domein-specifieke Prestaties:
  • Modellen presteren uitstekend op neutrale organische moleculen en biomoleculen (fouten vaak < 1 kcal/mol).
  • Er is meer uitdaging bij metaalcomplexen en elektrolyten, waar fouten hoger liggen door de complexiteit van elektronische structuren en langafstandsinteracties.
• Evaluatietaken:
  • Conformeren en Ligand-spaansenergie: Modellen bereiken chemische nauwkeurigheid (< 1 kcal/mol) voor het ranken van conformeren.
  • Ionisatie en Spin-gaps: Dit zijn de moeilijkste taken. Fouten liggen hier vaak tussen 4 en 9 kcal/mol, wat aangeeft dat huidige architecturen moeite hebben met het nauwkeurig voorspellen van energiedifferentiaties tussen verschillende ladings- en spinstaten.
  • Langafstandsinteracties: Modellen tonen discontinuïteiten in de potentiaal-energieoppervlakken bij de cutoff-afstand, wat een uitdaging blijft voor het modelleren van niet-covalente interacties op lange afstand.
• Vergelijking met Referentie: Op de Wiggle150 benchmark (gestructureerde conformeren) presteren de getrainde ML-modellen vergelijkbaar met de gebruikte DFT-functie ($\omega$B97M-V) en beter dan veel traditionele functionals, met fouten < 1 kcal/mol ten opzichte van de referentie.

Betekenis en Toekomstperspectief

OMol25 markeert een mijlpaal in de ontwikkeling van ML voor moleculaire chemie. Het biedt de gemeenschap een ongekend rijke bron om modellen te trainen die niet alleen nauwkeurig zijn, maar ook robuust over een breed spectrum van chemische toestanden.

• Impact: Het stelt onderzoekers in staat om MLIPs te ontwikkelen die betrouwbaar kunnen worden ingezet voor het ontdekken van nieuwe materialen, geneesmiddelen en elektrolyten.
• Uitdagingen: De resultaten tonen aan dat er nog ruimte is voor verbetering, vooral bij het modelleren van open-schil systemen, spin-gaps, en langafstandsinteracties.
• Community: Door het vrijgeven van data, modellen en een leaderboard, stimuleert Meta FAIR de gemeenschap om de volgende generatie ML-modellen te ontwikkelen die deze complexiteit volledig kunnen aanpakken.

Kortom, OMol25 is een fundamentele stap richting het realiseren van "quantum-accurate" simulaties op industriële schaal voor de hele chemische ruimte.