DFT Accuracy on Crystal Structure Prediction with Machine Learning Interatomic Potentials

Het artikel introduceert CSP-MACE-Å, een machine learning interatomair potentiaal dat de totale energie decomposeert in intra- en intermoleculaire componenten om DFT-nauwkeurigheid te bereiken in kristalstructuurvoorspelling terwijl het met een factor van orde grootte sneller werkt, waardoor robuustere risicovermindering van vaste vormen mogelijk wordt door uitgebreide evaluatie van kandidaten en vrije-energieberekeningen.

De kern

Stel je voor dat je een chef-kok bent die probeert het perfecte recept voor een nieuwe taart te vinden. Je hebt miljoenen potentiële combinaties van ingrediënten (kandidaatstructuren), maar je hebt slechts tijd om een paar dozijn te proeven. Om dit efficiënt te doen, heb je een manier nodig om snel te raden welke recepten "goed" zijn voordat je ze daadwerkelijk bakt.

In de wereld van geneesmiddelenontwikkeling is de "taart" een medicijnmolecuul en is het "recept" de manier waarop die moleculen in een kristal op elkaar gestapeld zijn. Deze stapeling heet Kristalstructuurvoorspelling (CSP). Het correct krijgen van de stapeling is cruciaal, omdat verschillende stapelingen (polymorfen) ervoor kunnen zorgen dat een geneesmiddel te snel oplost, helemaal niet oplost, of zelfs verandert in een andere vorm terwijl het op een plank staat.

Jarenlang is de "gouden standaard" voor het proeven van deze recepten een supernauwkeurige maar ongelooflijk trage computersimulatie geweest, genaamd DFT (Dichtheidsfunctionaaltheorie). Het is als een meesterchef die een taart kan proeven en je precies kan vertellen hoe het zal smaken, maar het kost hen dagen om slechts één recept te analyseren. Omdat het zo traag is, kunnen wetenschappers slechts een tiny fractie van de miljoenen mogelijke recepten controleren.

Dit artikel introduceert een nieuw hulpmiddel genaamd CSP-MACE-Å. Denk hierbij aan een supersnelle AI-kokkell die is getraind om de smaak van de meesterchef na te bootsen, maar het werk duizenden keren sneller kan doen.

Hier is hoe het artikel dit nieuwe hulpmiddel uitlegt, opgesplitst in eenvoudige concepten:

1. Het tweedelige recept (Intra vs. Inter)

De auteurs realiseerden zich dat een kristal bestaat uit twee soorten interacties:

• Intramoleculair: Hoe de atomen binnen een enkel molecuul bij elkaar worden gehouden (zoals de ingrediënten binnen een enkele koek).
• Intermoleculair: Hoe de moleculen aan elkaar plakken om het kristal te vormen (zoals hoe koekjes in een pot worden gestapeld).

De oude AI-modellen probeerden alles tegelijk te leren en raakten in de war. Het nieuwe CSP-MACE-Å splitst de taak op in twee gespecialiseerde teams:

• Team 1 (De Koekbakker): Gebruikt een model dat is getraind op een enorme bibliotheek van enkele moleculen om te begrijpen hoe de ingrediënten bij elkaar worden gehouden.
• Team 2 (De Potstapelaar): Dit is de geheime saus. Het is specifiek getraind om de subtiele manieren te begrijpen waarop moleculen in een kristal aan elkaar plakken. Het combineert drie dingen:
  1. Een basismodel voor het plakken.
  2. Een wiskundige formule voor lange-afstand "van der Waals"-krachten (de zwakke, magnetische trekkracht tussen moleculen).
  3. Een "Delta Model" (een correctielaag). Dit is als een proever die alleen kijkt naar de fouten die de andere twee hebben gemaakt en ze corrigeert om te matchen met de resultaten van de Meesterchef (DFT).

2. De proeverijen (De resultaten)

De auteurs hebben hun nieuwe AI-kokkell door drie strenge proeverijen gestuurd om te zien of het de trage Meesterchef kon vervangen.

• Test 1: De AstraZeneca Keuken (19 Verbindingen)
  Ze namen 19 echte geneesmiddelenverbindingen en vroegen de AI om de beste kristalstructuren te rangschikken.

  • Het resultaat: De energierangschikkingen van de AI waren bijna identiek aan die van de trage Meesterchef (DFT).
  • De draai: Toen ze een "temperatuurfactor" toevoegden (het berekenen van vrije energie, wat rekening houdt met hoe de moleculen wiebelen en trillen), werd de AI nog beter en identificeerde in bijna elk geval de meest stabiele kristalvorm correct.

• Test 2: De Blinde Proeverij (28 Verbindingen)
  Ze testten de AI op 28 verbindingen uit zeven eerdere "blinde tests" (waarbij wetenschappers van tevoren het antwoord niet wisten).

  • Het resultaat: De AI presteerde even goed als de beste DFT-methoden en aanzienlijk beter dan andere bestaande AI-modellen.

• Test 3: De "ROY"-uitdaging (De lastigste taart)
  Er is een beroemd molecuul genaamd ROY dat 14 verschillende kristalvormen heeft. Het is berucht moeilijk omdat de moleculen flexibel en lastig zijn. De meeste computermodellen maken hier een fout.

  • Het resultaat: Omdat hun AI een gespecialiseerd "Koekbakker"-team had dat was getraind op hoogwaardige chemie, identificeerde het correct de meest stabiele vorm van ROY, terwijl andere modellen faalden.

3. De toekomst voorspellen (Temperatuurstabiliteit)

Tot slot testten ze of de AI kon voorspellen hoe de "taart" verandert naarmate de oven heter wordt. Sommige geneesmiddelen zijn stabiel bij kamertemperatuur, maar smelten of veranderen van vorm wanneer ze worden verwarmd.

• Ze testten 5 verbindingen over een temperatuurbereik (van bevriezend tot zeer heet).
• Het resultaat: De AI voorspelde de algemene trends succesvol. Bijvoorbeeld: het voorspelde correct dat één geneesmiddelvorm stabiel is als het koud is, maar dat een andere vorm de overhand neemt als het heet wordt. Hoewel het in niet elk enkel geval het exacte temperatuurwisselpunt perfect raakte, legde het het totale gedrag veel beter vast dan eerdere methoden.

De bottom line

Het artikel beweert dat CSP-MACE-Å een doorbraak is omdat het snel genoeg is om miljoenen recepten te controleren, maar nauwkeurig genoeg om de resultaten te vertrouwen.

In plaats van dagen te wachten om 100 recepten te controleren met de Meesterchef, kan deze AI duizenden recepten controleren in de tijd die het kost om een kop koffie te zetten, met resultaten die bijna net zo nauwkeurig zijn als die van de Meesterchef. Dit stelt wetenschappers in staat om hun geneesmiddelenontwikkeling "risicovrij" te maken door ervoor te zorgen dat ze geen betere, stabielere kristalvorm missen die te duur zou zijn om te vinden met de oude, trage methoden.

Wat het artikel niet beweert:

• Het beweert niet dat dit hulpmiddel momenteel in ziekenhuizen wordt gebruikt of voor het behandelen van patiënten.
• Het beweert niet dat dit ziekten direct zal genezen.
• Het richt zich strikt op de voorspelling van kristalstructuren, niet op de chemische synthese of klinische proeven van de geneesmiddelen zelf.

Technische samenvatting

Technische Samenvatting: DFT-nauwkeurigheid bij Kristalstructuurvoorspelling met Machine Learning Interatomische Potentiaals

Probleemstelling
Kristalstructuurvoorspelling (CSP) is een kritiek onderdeel van de geneesmiddelenontwikkeling, essentieel voor het selecteren van de vaste-stofform van werkzame farmaceutische bestanddelen (API's) om biologische beschikbaarheid, maakbaarheid en stabiliteit te waarborgen. De standaard CSP-workflow omvat het genereren van miljoenen kandidaatstructuren en het rangschikken ervan om de meest stabiele polymorfen te identificeren. De huidige state-of-the-art voor de rangschikkingsfase vertrouwt op dispersie-correcteerde Dichtheidsfunctionaaltheorie (DFT-D), zoals PBE met Neumann–Perrin-correcties of B86bPBE-XDM. Hoewel nauwkeurig, is DFT rekenkundig duur, waarbij vaak uren nodig zijn voor structuuroptimalisatie en dagen voor vrije-energieberekeningen. Deze kosten beperken het aantal kandidaatstructuren dat kan worden geëvalueerd en beperken de praktische toepassing van herrangschikking op basis van vrije energie. Machine Learning Interatomische Potentiaals (MLIP's) bieden een potentiële oplossing om deze berekeningen met ordes van grootte te versnellen, maar eerdere pogingen hebben moeite gehad om DFT-nauwkeurigheid te evenaren, met name bij het modelleren van langetermijn-elektrostatica, dispersie en subtiele intermoleculaire interacties in kristallen.

Methodologie: CSP-MACE-˚A
De auteurs presenteren CSP-MACE-˚A, een gespecialiseerde MLIP ontworpen om DFT te vervangen in CSP-workflows. Het model maakt gebruik van een gedecomponeerde energie-architectuur, waarbij de totale energie wordt gesplitst in intramoleculaire en intermoleculaire componenten om een op maat gemaakte modellering van elk interactietype mogelijk te maken:

1. Energie-decompositie: De totale energie wordt gedefinieerd als $E_{total} = E_{intra} + E_{inter}$. De intramoleculaire energie ($E_{intra}$) wordt berekend als de som van de energieën van de samenstellende moleculen geïsoleerd in vacuüm, terwijl de intermoleculaire energie ($E_{inter}$) het residuele verschil is tussen het volledige periodieke systeem en de som van de geïsoleerde moleculen.
2. Intramoleculaire component: Deze component maakt gebruik van de MACE-POLAR-architectuur, getraind op de OMol25-dataset (100 miljoen $\omega$B97M-V/def2-TZVPD DFT-berekeningen). Deze dataset met hoge-theorie-niveau zorgt voor een nauwkeurige modellering van intramoleculaire conformatie-energieën en lost problemen op zoals delokalisatiefouten die worden aangetroffen in standaard DFT-functionaliteiten voor flexibele moleculen.
3. Intermoleculaire component: Dit is een hybride model dat drie termen combineert om kristalspecifieke interacties vast te leggen:
   • MACE-POLAR-bijdrage: Biedt een basislijn voor intermoleculaire interacties, maar mist langetermijn-dispersie.
   • Dispersieterm: Een term met vaste parameters die de functionele vorm van de XDM-correctie (Exchange-Hole Dipole Moment) volgt. Parameters zijn gemiddeld over een interne set van 50.000 B86bPBE-XDM-berekeningen.
   • Gestudeerd Delta-model: Een neurale netwerk getraind om het residu te voorspellen tussen B86bPBE-XDM DFT-doelen en de som van de MACE-POLAR- en dispersietermen. Dit model is getraind op 50.000 B86bPBE-XDM kristalstructuurberekeningen. Cruciaal is dat de trainingsdoelen geïsoleerde intermoleculaire residuen zijn, waardoor wordt voorkomen dat de verliesfunctie wordt gedomineerd door de grotere intramoleculaire energiesignalen.

Belangrijkste Bijdragen

• Architectuur: De ontwikkeling van een gedecomponeerde MLIP die expliciet intramoleculaire en intermoleculaire modellering scheidt, waardoor het gebruik van data op hoge-theorie-niveau voor intramoleculaire termen en gerichte kristaldata voor intermoleculaire termen mogelijk wordt.
• Trainingsstrategie: De implementatie van een "delta learning"-benadering voor intermoleculaire interacties, waarbij het model de correctie leert op een op fysica gebaseerd dispersiemodel en een fundamentele MLIP, specifiek gericht op B86bPBE-XDM-nauwkeurigheid.
• Uitgebreide Evaluatie: Een rigoureuze benchmarking van CSP-MACE-˚A tegen bestaande fundamentele modellen (MACE-POLAR-1, UMA-OMC) en DFT-standaarden over meerdere datasets, waaronder interne CSP-publicaties van AstraZeneca en de zeven CSP-blindtests.

Resultaten
De evaluatie werd uitgevoerd op drie primaire sets:

1. AstraZeneca (AZ) Set (19 verbindingen): CSP-MACE-˚A behaalde prestaties vergelijkbaar met PBE-NP DFT bij rangschikking op energie. Echter, wanneer structuren werden hergerangschikt met behulp van harmonische vrije energieën (berekend bij 300 K), overtrof CSP-MACE-˚A de rangschikking op energie alleen significant, waarbij experimentele matches binnen de top 10 structuren werden geplaatst en gemiddeld binnen 0,36 kJ/mol van de minimale energie. Het presteerde consequent beter dan zowel MACE-POLAR-1 als het UMA-OMC fundamentele model.
2. Blind Test Set (28 verbindingen): CSP-MACE-˚A toonde prestaties die dicht bij B86bPBE-XDM DFT lagen. Hoewel rangschikking op energie alleen marginaal slechter was dan B86bPBE-XDM, maakte de opname van herrangschikking op basis van harmonische vrije energie het mogelijk voor CSP-MACE-˚A om de prestaties van DFT-energie-rangschikking te overtreffen, met een gemiddelde rang van 2,96 tegenover 3,25 voor B86bPBE-XDM.
3. ROY (Red Orange Yellow) Case Study: ROY is een uitdagend molecuul met 14 bekende polymorfen waarbij standaard DFT vaak faalt door intramoleculaire delokalisatiefouten. CSP-MACE-˚A voorspelde correct het experimenteel meest stabiele Form Y als het globale minimum (binnen 0,5 kJ/mol), terwijl B86bPBE-XDM het >5 kJ/mol hoger plaatste. Dit succes wordt toegeschreven aan het hoog-trouw intramoleculaire model (getraind op $\omega$B97M-V) in combinatie met nauwkeurige intermoleculaire modellering.
4. Thermodynamische Stabiliteit: Op een set van vijf verbindingen met bekende temperatuurafhankelijke polymorfe stabiliteit slaagde CSP-MACE-˚A erin om brede trends in relatieve stabiliteit vast te leggen met behulp van benaderingen voor harmonische vrije energie. Hoewel het niet altijd de exacte ordening van polymorfen over alle temperaturen reproduceerde, identificeerde het correct monotrope en enantiotrope relaties en overgangspunten voor verschillende verbindingen (bijv. Mexiletinehydrochloride, AZD5462).

Betekenis en Claims
Het artikel claimt dat CSP-MACE-˚A een significante stap voorwaarts is in het haalbaar maken van MLIP's voor industriële CSP-toepassingen. Door DFT-niveau nauwkeurigheid te bereiken terwijl het meerdere ordes van grootte sneller draait, stelt het model de evaluatie van een veel grotere pool van kandidaatstructuren mogelijk dan momenteel haalbaar is met DFT. Deze mogelijkheid maakt een robuustere risicobeperking van vaste vormen mogelijk door de kans te verkleinen dat levensvatbare polymorfen worden uitgesloten van de rangschikkingsfase vanwege rekenkosten. Bovendien maakt het vermogen om vrije-energie-herrangschikking uit te voeren op grote datasets de beoordeling van temperatuurafhankelijke stabiliteit praktisch voor een bredere reeks verbindingen. De auteurs concluderen dat hoewel het huidige werk standaard CSP-workflows handhaaft, de snelheid van CSP-MACE-˚A de deur opent voor toekomstige aanpassingen van de workflow zelf, zoals het integreren van MLIP's in de fase van structuurgeneratie.