Extending machine learning model for implicit solvation to free energy calculations

Dit artikel introduceert het Lambda Solvatatie Neuraal Netwerk (LSNN), een op graafneurale netwerken gebaseerd impliciet oplosmiddelenmodel dat is getraind op zowel krachten als afgeleiden van alchemische variabelen om een nauwkeurigheid bij de voorspelling van vrije energie te bereiken die vergelijkbaar is met simulaties met expliciete oplosmiddelen, terwijl het aanzienlijke rekentijdwinst biedt voor toepassingen in de geneesmiddelenontwikkeling.

De kern

Stel je voor dat je probeert uit te vinden hoe goed een specifieke sleutel (een drugmolecuul) in een specifiek slot (een eiwit) past. Om dit nauwkeurig te doen, moet je begrijpen hoe de sleutel zich gedraagt wanneer hij omringd is door water, omdat in het menselijk lichaam alles zwemt in een zee van watermoleculen.

Dit artikel introduceert een nieuw hulpmiddel genaamd LSNN (Lambda-Solvatatie Neuraal Netwerk) dat wetenschappers helpt deze "watergedrag" veel sneller en nauwkeuriger te berekenen dan eerdere methoden.

Hier is het verhaal van het probleem, de oude oplossingen en de nieuwe oplossing, eenvoudig uitgelegd:

Het Probleem: De "Overvolle Zaal" versus de "Geest"

Om te begrijpen hoe een drug werkt, gebruiken wetenschappers computersimulaties.

• De "Gouden Standaard" (Expliciet Oplosmiddel): Stel je voor dat je probeert een sleutel te simuleren in een kamer waar je elke persoon (watermolecuul) die eromheen beweegt moet volgen. Je moet berekenen hoe de sleutel tegen Persoon A botst, dan tegen Persoon B, dan tegen Persoon C. Dit is ontzettend nauwkeurig, maar het is alsof je elke korrel zand op een strand probeert te tellen. Het vereist een enorme hoeveelheid rekenkracht en tijd.
• De "Snelle" Manier (Impliciet Oplosmiddel): Om tijd te besparen, deden wetenschappers vroeger alsof het water niet uit individuele mensen bestaat, maar uit een gladde, onzichtbare mist. Ze gebruiken een eenvoudige wiskundige formule om te raden hoe de mist op de sleutel duwt. Dit is supersnel, maar de "mist" is een ruwe schatting. Vaak kloppen de details niet, wat leidt tot onnauwkeurige voorspellingen over of de drug zal werken.

De Oude "Machine Learning" Oplossing (en waarom deze faalde)

Onlangs probeerden wetenschappers Kunstmatige Intelligentie (specifiek Neuraal Netwerken) te gebruiken om de "mist" slimmer te maken. Ze leerden de AI door haar te laten zien hoe het water op de sleutel duwt (de krachten).

• De Tekortkoming: Denk eraan als iemand autorijden leren door alleen te laten zien hoe je het stuur moet draaien, maar nooit te vertellen hoe snel ze rijden of hoeveel benzine ze verbruiken. De AI leerde de sleutel in de juiste richting te duwen, maar kon de totale "inspanning" (energie) die nodig is om de sleutel van de ene plaats naar de andere te verplaatsen, niet berekenen. Om deze reden waren de oude AI-modellen nutteloos voor het vergelijken van de totale energie van verschillende drugs.

De Nieuwe Oplossing: LSNN

De auteurs creëerden LSNN, een slimmere versie van deze AI. Ze leerden haar niet alleen hoe ze moet duwen (krachten); ze leerden haar ook hoe de energie verandert wanneer ze de interacties tussen de drug en het water langzaam "aanzetten" of "uitschakelen".

De Analogie:
Stel je voor dat je probeert het gewicht van een rugzak te meten.

• Oude AI: Je kon voelen hoe zwaar de riemen op je schouders trokken (kracht), maar je kon niet zeggen of de rugzak 4,5 kg of 9 kg woog, omdat de weegschaal kapot was.
• LSNN: Ze repareerden de weegschaal. Nu kan de AI niet alleen de trekkracht voelen, maar ook het exacte totale gewicht berekenen door te kijken hoe de trekkracht verandert terwijl je langzaam voorwerpen toevoegt of verwijdert uit de tas.

Hoe Ze Het Testten

Het team trainde deze nieuwe AI op een enorme bibliotheek van ongeveer 300.000 kleine moleculen. Ze testten het tegen de "Gouden Standaard" (de trage, korrel-tellende methode) en de oude "Mist"-methoden.

De Resultaten:

1. Snelheid: LSNN is een sprinter. Het berekende resultaten in ongeveer 20 seconden. De "Gouden Standaard" duurde bijna 28 minuten (ongeveer 1.600 seconden). De oude "Mist"-methoden waren ook snel (rond de 15–22 seconden).
2. Nauwkeurigheid:
   • De "Gouden Standaard" was het meest nauwkeurig (een score van 0,86 op 1).
   • LSNN kwam op de tweede plaats met een score van 0,73. Dit is een enorme verbetering ten opzichte van de oude "Mist"-methoden, die veel lager scoorden (0,48 tot 0,63).
   • Kortom, LSNN haalde het nauwkeurigheidsniveau van de "Gouden Standaard", maar draaide op "Mist"-snelheid.

Wat Met Grotere Dingen? (Eiwitten)

Het artikel probeerde ook LSNN te gebruiken om te voorspellen hoe drugs aan grote eiwitten plakken (wat het ultieme doel is in de drugontwikkeling).

• Het Resultaat: Het liet hoopvolle resultaten zien, maar was nog niet perfect. Toen ze het probeerden op volledige eiwitsystemen, daalde de nauwkeurigheid. De auteurs suggereren dat dit komt omdat de AI voornamelijk is getraind op kleine, simpele moleculen en misschien de complexe interacties in grote eiwitten "overdenkt". Het toonde echter nog steeds een duidelijk, consistent patroon, wat suggereert dat het verbeterd kan worden.

De Conclusie

Dit artikel presenteert een nieuwe "slimme mist" (LSNN) die het grootste gebrek van eerdere AI-modellen oplost: het onvermogen om totale energie te berekenen.

• Het is snel (zoals de oude eenvoudige wiskunde).
• Het is nauwkeurig (veel dichter bij de trage, dure simulatie).
• Het is betrouwbaar voor het vergelijken van verschillende drugs.

De auteurs concluderen dat dit hulpmiddel een solide basis creëert voor de toekomst van de drugontwikkeling, waardoor wetenschappers miljoenen potentiële drugs veel sneller kunnen screenen zonder de nauwkeurigheid te offeren die nodig is om echte geneesmiddelen te vinden.

Technische samenvatting

Technische Samenvatting: Uitbreiding van Machine Learning-modellen voor Impliciete Solvatatie naar Vrije Energieberekeningen

Probleemstelling
Impliciete oplosmiddelenmodellen bieden een rekenkundig efficiënt kader voor moleculaire simulaties door discrete oplosmiddelmoleculen te vervangen door wiskundige benaderingen van gemiddelde krachten. Hun nauwkeurigheid blijft echter vaak achter bij die van expliciete oplosmiddelenmodellen, wat hun bruikbaarheid beperkt voor precieze thermodynamische berekeningen, zoals vergelijkingen van absolute vrije energieën. Hoewel recente machine learning (ML)-benaderingen de beschrijvingen van impliciete oplosmiddelen hebben verbeterd door neurale netwerken te trainen op data van krachtenmatching, blijft een kritieke beperking bestaan: krachtenmatching alleen bepaalt potentiële energieën slechts tot aan een willekeurige constante. Bijgevolg falen deze modellen om betekenisvolle vergelijkingen van absolute vrije energieën tussen verschillende chemische soorten te bieden. Bovendien vertrouwen traditionele impliciete modellen (bijv. GBSA, PBSA) op vereenvoudigde termen voor het solvent-toegankelijke oppervlak (SASA) voor niet-polaire bijdragen, die vatbaar zijn voor aanzienlijke fouten.

Methodologie
De auteurs introduceren het $\lambda$-Solvation Neural Network (LSNN), een op Graph Neural Network (GNN) gebaseerd impliciet oplosmiddelenmodel dat is ontworpen om de beperkingen van standaard krachtenmatching te overwinnen.

• Architectuur: Op basis van het fundamentele werk van Katzberger en Riniker, waarbij een drie-laags invariant GNN werd getraind op standaard GBSA-parameters, integreert LSNN interactie-GNN's met een Multi-Layer Perceptron (MLP) om niet-lineaire afhankelijkheden te verwerken.
• Trainingsdoel: In tegenstelling tot eerdere methoden die alleen de discrepantie tussen voorspelde en referentiekrachten minimaliseren, integreert LSNN afgeleiden van alchemische variabelen in de verliesfunctie. Specifiek wordt het model getraind om te matchen met:
  1. Gemiddelde Toegepaste Krachten (MAF's) op opgeloste atomen.
  2. Afgeleiden met betrekking tot elektrostatische koppelingsfactoren ($\lambda_{elec}$).
  3. Afgeleiden met betrekking tot sterische koppelingsfactoren ($\lambda_{steric}$).
• Verliesfunctie: De gewijzigde Mean Squared Error (MSE) verliesfunctie is gedefinieerd als:
  $$L = w_F \left( \langle \frac{\partial U_{solv}}{\partial r_i} \rangle - \frac{\partial f}{\partial r_i} \right)^2 + w_{elec} \left( \langle \frac{\partial U_{solv}}{\partial \lambda_{elec}} \rangle - \frac{\partial f}{\partial \lambda_{elec}} \right)^2 + w_{steric} \left( \langle \frac{\partial U_{solv}}{\partial \lambda_{steric}} \rangle - \frac{\partial f}{\partial \lambda_{steric}} \right)^2$$
  waarbij de gewichten empirisch zijn afgesteld (verhouding 1:1:1,2). Dit zorgt ervoor dat het model een conservatief vectorveld leert, waardoor het scalair potentieel de ware Potentieel van Gemiddelde Kracht (PMF) kan benaderen.
• Dataset en Training: Het model is getraind op een dataset van ongeveer 280.000 kleine neutrale moleculen uit de BigBind-dataset. De data is verdeeld in 80:10:10 (train/validatie/test), met een specifieke beperking die ervoor zorgt dat moleculen die lijken op die in de FreeSolv-dataset, worden aangehouden voor testen. Krachten en interactie-afgeleiden werden berekend met OpenMM met GAFF-krachtenvelden over 0,5 ns simulaties.
• Implementatie: Het model maakt gebruik van PyTorch Autograd voor afgeleidenberekeningen. Om te waarborgen dat de totale energie nul is in volledig ontkoppelde toestanden, worden energietermen vermenigvuldigd met hun corresponderende $\lambda$-waarden.

Belangrijkste Resultaten
Het LSNN-kader is gevalideerd tegen experimentele hydratatievrije energieën uit de FreeSolv-dataset (647 neutrale kleine moleculen) en vergeleken met expliciete oplosmiddelen (TIP3P) en traditionele impliciete modellen (OBC2, GBn2).

• Nauwkeurigheid: LSNN behaalde een correlatiecoëfficiënt ($R^2$) van 0,73 tegenover experimentele waarden, wat aanzienlijk beter presteert dan traditionele impliciete modellen (GBn2: $R^2$ 0,48; OBC2: $R^2$ 0,63) en de nauwkeurigheid van expliciete oplosmiddelsimulaties benadert (TIP3P: $R^2$ 0,86).
• Rekenefficiëntie: LSNN toonde een aanzienlijke versnelling ten opzichte van methoden met expliciete oplosmiddelen. De gemiddelde berekeningstijd per molecuul bedroeg 20,47 seconden voor LSNN, vergeleken met 1658,54 seconden (ongeveer 27,6 minuten) voor TIP3P. De snelheid van LSNN is vergelijkbaar met GBn2 (15,82 seconden) en OBC2 (21,81 seconden).
• Voorlopige Bindingsaffiniteit: In voorlopige tests op eiwit-ligandcomplexen met MM-LSNN (waarbij GBSA-solvatatietermen werden vervangen door LSNN-PMF's), toonde het model een lineaire correlatie met experimentele waarden ($R^2$ 0,44 voor volledige eiwitsystemen). De auteurs merken echter op dat de prestaties van het model op zichzelf voor volledige eiwitsystemen momenteel beperkt zijn omdat het trainingsdomein is beperkt tot kleine moleculen, wat leidt tot een overschatting van langeafstandsinteracties.

Betekenis en Beweringen
Het artikel beweert dat LSNN een fundamentele verschuiving vertegenwoordigt in ML-gebaseerde overdraagbare potentialen door training uit te breiden boven eenvoudige krachtenmatching hinaus naar het opnemen van alchemische afgeleiden. Deze methodologie maakt de berekening van absolute vrije energieën mogelijk, een vermogen dat eerder werd beperkt door het probleem van de willekeurige constante in krachtenmatching.

De auteurs stellen dat LSNN succesvol trends in ligand-desolvatie vastlegt en een consistente ordening handhaaft over diverse liganden, en zo een kader biedt dat de nauwkeurigheid van expliciete oplosmiddelsimulaties in evenwicht brengt met de rekenkundige efficiëntie van impliciete modellen. Hoewel de huidige iteratie is geoptimaliseerd voor thermodynamisch consistente vrije energieberekeningen van kleine moleculen in plaats van uitgebreide conformationele bemonstering van grote biomoleculen, legt het kader de basis voor toekomstige toepassingen in de geneesmiddelenontwikkeling, inclusief de potentiële uitbreiding naar geladen liganden en de schatting van interactie-energieën tussen eiwit en ligand.