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

Technische Samenvatting: Transferable Implicit Solvent Machine Learning Potential voor Drugs en Eiwitten met een nauwkeurigheid die de ab initio benadering nadert

Probleemstelling
Nauwkeurige modellering van biomoleculaire systemen, zoals eiwitten en drug-achtige moleculen, vereist het vastleggen van complexe conformationele ensembles en door oplosmiddel gemedieerde interacties. Hoewel klassieke krachtvelden (force fields) de computationele efficiëntie bieden die nodig is voor microseconde-schaal simulaties, beperkt hun afhankelijkheid van empirische parametrisatie de voorspellende nauwkeurigheid. Daartegenover staan ab initio methoden zoals Density Functional Theory (DFT) en hoog-nauwkeurige Machine Learning Potentials (MLP's), die een nabij quantummechanische nauwkeurigheid bieden, maar computationeel onhaalbaar zijn voor de tijdschalen en systeemgroottes die vereist zijn voor biomoleculaire dynamica.

Implicit solvent modellen bieden een weg naar efficiëntie door vrijheidsgraden te verminderen, maar bestaande Machine Learning-gebaseerde implicit solvent of coarse-grained (CG) modellen kampen met aanzienlijke nauwkeurigheidsbottlenecks. De meeste huidige benaderingen (bijv. GNNIS, CGSchNet) worden getraind op data gegenereerd door klassieke expliciete solvent krachtvelden. Deze afhankelijkheid van empirische krachtvelden beperkt inherent de theoretische nauwkeurigheidscel van de resulterende MLP's. Bovendien vereist de bottom-up training van CG-modellen enorme datasets om effectieve many-body potentials of mean force (PMF) af te leiden uit ruisgevoelige atomistische data, wat vaak microseconde-schaal klassieke simulaties noodzakelijk maakt die moeilijk te repliceren zijn met ab initio methoden.

Methodologie: Het TWIN-framework
De auteurs introduceren de Transferable Water Implicit Network (TWIN), een implicit water MLP die volledig wordt geparametriseerd door een Equivariant Graph Neural Network (gebaseerd op de MACE-architectuur) en uitsluitend wordt getraind op ab initio en experimentele labels, waarbij empirische krachtveld-data wordt vermeden. Het model maakt gebruik van een driefasige multiscale trainingsstrategie:

1. Fase 1: Atomistic Reference (TWIN-AT): Een bottom-up trainingsfase waarin een expliciet solvent MLP (TWIN-AT) wordt geparametriseerd met behulp van een gecureerde dataset van 1,66 miljoen configuraties afgeleid van de SPICE 2.0.1 dataset (DFT-labels op het $\omega$B97M-D3(BJ)/def2-TZVPPD niveau) en MACE-OFF subsets. Dit model dient als een hoogwaardige referentie voor solute-interacties en initialiseert het implicit solvent model, waarbij het een fysiek betekenisvolle inductieve bias biedt.
2. Fase 2: Variational Force Matching (TWIN-FM): Om het model uit te breiden naar grotere systemen (eiwitten) waar directe ab initio sampling onhaalbaar is, voeren de auteurs variational force matching uit. Ze genereren 4,1 miljoen configuraties uit 41 eiwitdomeinen (geselecteerd uit de mdCATH database) met behulp van klassieke expliciete solvent simulaties (AMBER/TIP3P). De krachten op solute-atomen worden gelabeld met het TWIN-AT model. Het implicit solvent model (TWIN-FM) wordt vervolgens geoptimaliseerd om deze TWIN-AT kracht-labels te reproduceren, wat generalisatie naar grotere, flexibele moleculen mogelijk maakt.
3. Fase 3: Top-Down Refinement (TWIN): Het definitieve model wordt verfijnd tegen experimentele hydratatievrije energieën uit de aqueous subset van de CombiSolv dataset (1.148 drug-achtige moleculen). Met behruik van de Solvation Free Energy Path Reweighting (ReSolv) methode, die Differentiable Trajectory Reweighting (DiffTRe) en free-energy perturbation gebruikt, wordt het model bijgestuurd om experimentele thermodynamische observabelen te matchen zonder te differentiëren door volledige simulatietrajecten. Dit corrigeert de biases die in de force-matching fase zijn geïntroduceerd.

Kernbijdragen

• Data-gedreven Parametrisatie: In tegenstelling tot eerdere implicit solvent MLP's die vertrouwen op empirische krachtveld-data of systeem-specifieke prior potentials, wordt TWIN uitsluitend getraind op ab initio (DFT) en experimentele data.
• Transferbaarheid: Het model vertoont transferbaarheid over diverse chemische ruimtes, inclusief drug-achtige kleine moleculen, peptiden, gevouwen eiwitten en eiwit-drug complexen, zonder dat er topologie-afhankelijke prior potentials nodig zijn.
• Multiscale Trainingsstrategie: De combinatie van bottom-up force matching (met een hoog-nauwkeurige referentie) en top-down experimentele verfijning stelt het model in staat om een hoge nauwkeurigheid te bereiken op grote systemen waar directe ab initio training computationeel onmogelijk is.
• Efficiëntie: Door de expliciete solvent vrijheidsgraden te verwijderen, bereikt TWIN een twee-orde-grootte versnelling in timestep evaluatie vergeleken met expliciete solvent MLP's, terwijl de nabij-ab initio nauwkeurigheid behouden blijft.

Resultaten en Benchmarks
De paper valideert TWIN via verschillende benchmarks:

• Drug-achtige Moleculen: TWIN reproduceert accuraat biaryl torsie potentiaal energie oppervlakken (MAE van 0,72 kcal/mol voor barrièrehoogtes) en komt overeen met expliciete solvent MLP resultaten voor het medicijn ozanimod. Het presteert significant beter dan klassieke krachtvelden (bijv. GAFF) en eerdere ML-gebaseerde implicit solvent modellen (GNNIS).
• Peptiden (Ala3): Het model legt correct de vrije energie landschap van het alanine tripeptide vast, waarbij het de polyproline II (pPII) regio identificeert als de dominante mesostate, consistent met experimentele observaties en expliciete solvent referenties. Het presteert beter dan modellen getraind op klassieke krachtvelden (CGSchNet, GNNIS), die de $\alpha$-helix basin onjuist stabiliseren.
• Eiwitten: Getest op ubiquitine, GB1, CspA en IFABP, behoudt TWIN stabiele gevouwen conformaties met RMSD-waarden die vergelijkbaar zijn met het AMBER krachtveld (1–2,5 Å). Het reproduceert experimentele NMR observabelen, waaronder waterstofbrug scalaire koppelingen ($^3J_{NC}$) en backbone order parameters ($S^2$), met een nauwkeurigheid die concurrerend is met gevestigde expliciete solvent krachtvelden.
• Eiwit-Ligand Interacties: TWIN-AT bereikt een interactie-energie nauwkeurigheid (MAE 0,48 kcal/mol) die vergelijkbaar is met semi-empirische quantummechanische methoden en fundamentele MLP's. Het implicit solvent model vangt solvent-gemedieerde interactie-energie veranderingen op met een nauwkeurigheid die superieur is aan implicit solvent semi-empirische modellen (DFTB3/PCM) en vergelijkbaar met klassieke implicit solvent modellen.
• Computationele Prestaties: TWIN biedt een 10–100x versnelling per timestep ten opzichte van expliciete solvent TWIN-AT simulaties. Hoewel klassieke krachtvelden sneller blijven (tot 25x), merkt de auteur op dat het gladstrijken van het energie landschap in implicit solvent modellen extra sampling efficiëntie biedt, wat TWIN potentieel efficiënter maakt voor het bereiken van convergentie.

Betekenis en Claims
De auteurs beweren dat TWIN een significante vooruitgang vertegenwoordigt in biomoleculaire modellering door de kloof te overbruggen tussen computationele efficiëntie en ab initio nauwkeurigheid. Door het elimineren van de afhankelijkheid van empirische krachtveld-data voor training, vermijdt TWIN de inherente nauwkeurigheidsbeperkingen van eerdere CG en implicit solvent MLP's. Het model maakt efficiënte, hoog-getrouwe exploratie van biomoleculaire systemen in waterige omgevingen mogelijk op tijdschalen (microseconden) die voorheen ontoegankelijk waren voor ab initio-niveau methoden. Dit werk vestigt een generaliseerbare workflow voor de ontwikkeling van implicit solvent potentialen die zowel transferbaar zijn over de chemische ruimte als kwantitatief nauwkeurig tegen experimentele thermodynamische en structurele data. De auteurs positioneren TWIN als een robuust framework voor toekomstige biomoleculaire simulaties, inclusief toepassingen in generatieve modellering en coarse-grained Boltzmann generators.