DFT Accuracy on Crystal Structure Prediction with Machine Learning Interatomic Potentials

O artigo apresenta o CSP-MACE-Å, um potencial interatômico de aprendizado de máquina que decompõe a energia total em componentes intra e intermoleculares para alcançar precisão ao nível do DFT na previsão de estruturas cristalinas, ao mesmo tempo em que opera ordens de grandeza mais rapidamente, permitindo assim uma mitigação de riscos mais robusta de formas sólidas por meio de avaliação extensiva de candidatos e cálculos de energia livre.

O essencial

Imagine que você é um chef tentando encontrar a receita perfeita para um novo bolo. Você tem milhões de combinações potenciais de ingredientes (estruturas candidatas), mas só tem tempo para provar algumas dezenas. Para fazer isso de forma eficiente, você precisa de uma maneira de adivinhar rapidamente quais receitas são "boas" antes de realmente assá-las.

No mundo do desenvolvimento de medicamentos, o "bolo" é uma molécula de medicamento, e a "receita" é como essas moléculas se empilham em um cristal. Esse empilhamento é chamado de Previsão de Estrutura Cristalina (CSP). Conseguir o empilhamento correto é crucial porque diferentes empilhamentos (polimorfos) podem fazer um medicamento dissolver-se muito rápido, não dissolver-se de todo ou até mesmo transformar-se em uma forma diferente enquanto fica na prateleira.

Durante anos, o "padrão ouro" para provar essas receitas tem sido uma simulação computacional superprecisa, mas incrivelmente lenta, chamada DFT (Teoria do Funcional da Densidade). É como um chef mestre que pode provar um bolo e dizer exatamente como ele vai saber, mas leva dias para analisar apenas uma receita. Como é tão lento, os cientistas só podem verificar uma fração minúscula dos milhões de receitas possíveis.

Este artigo apresenta uma nova ferramenta chamada CSP-MACE-Å. Pense nisso como um aprendiz de IA super-rápido que foi treinado para imitar o paladar do chef mestre, mas consegue fazer o trabalho milhares de vezes mais rápido.

Veja como o artigo explica essa nova ferramenta, dividida em conceitos simples:

1. A Receita de Duas Partes (Intra vs. Inter)

Os autores perceberam que um cristal é composto por dois tipos de interações:

• Intramolecular: Como os átomos se mantêm juntos dentro de uma única molécula (como os ingredientes dentro de um único biscoito).
• Intermolecular: Como as moléculas se grudam umas nas outras para formar o cristal (como biscoitos empilhados em um pote).

Os antigos modelos de IA tentavam aprender tudo de uma vez e ficavam confusos. O novo CSP-MACE-Å divide o trabalho em duas equipes especializadas:

• Equipe 1 (O Fabricante de Biscoitos): Usa um modelo treinado em uma biblioteca massiva de moléculas individuais para entender como os ingredientes se mantêm juntos.
• Equipe 2 (O Empilhador de Potes): Este é o segredo. É especificamente treinado para entender as maneiras sutis pelas quais as moléculas se grudam em um cristal. Ele combina três coisas:
  1. Um modelo base para grudar.
  2. Uma fórmula matemática para forças de "van der Waals" de longo alcance (o fraco puxão magnético entre moléculas).
  3. Um "Modelo Delta" (uma camada de correção). É como um provador que só olha para os erros que os outros dois cometeram e os corrige para corresponder aos resultados do Chef Mestre (DFT).

2. As Provas de Paladar (Os Resultados)

Os autores submeteram seu novo aprendiz de IA a três provas de paladar rigorosas para ver se ele poderia substituir o lento Chef Mestre.

• Teste 1: A Cozinha da AstraZeneca (19 Compostos)
  Eles pegaram 19 compostos de medicamentos do mundo real e pediram à IA para classificar as melhores estruturas cristalinas.

  • O Resultado: As classificações de energia da IA foram quase idênticas às do lento Chef Mestre (DFT).
  • O Reves: Quando adicionaram um "fator de temperatura" (calculando a energia livre, que leva em conta como as moléculas se contorcem e vibram), a IA ficou ainda melhor, identificando corretamente a forma cristalina mais estável na quase totalidade dos casos.

• Teste 2: A Prova de Paladar Cega (28 Compostos)
  Eles testaram a IA em 28 compostos de sete "testes cegos" anteriores (onde os cientistas não conheciam a resposta de antemão).

  • O Resultado: A IA performou tão bem quanto os melhores métodos DFT e significativamente melhor do que outros modelos de IA existentes.

• Teste 3: O Desafio "ROY" (O Bolo Mais Difícil)
  Existe uma molécula famosa chamada ROY que possui 14 formas cristalinas diferentes. É notoriamente difícil porque as moléculas são flexíveis e complicadas. A maioria dos modelos computacionais erra isso.

  • O Resultado: Como sua IA tinha uma equipe especializada de "Fabricante de Biscoitos" treinada em química de alto nível, ela identificou corretamente a forma mais estável do ROY, enquanto outros modelos falharam.

3. Prever o Futuro (Estabilidade de Temperatura)

Finalmente, eles testaram se a IA poderia prever como o "bolo" muda conforme o forno fica mais quente. Alguns medicamentos são estáveis à temperatura ambiente, mas derretem ou mudam de forma quando aquecidos.

• Eles testaram 5 compostos em uma faixa de temperaturas (do congelamento ao muito quente).
• O Resultado: A IA previu com sucesso as tendências gerais. Por exemplo, ela acertou que uma forma de medicamento é estável quando fria, mas uma forma diferente assume o controle quando fica quente. Embora não tenha acertado o ponto exato de troca de temperatura em cada caso único, ela capturou o comportamento geral muito melhor do que métodos anteriores.

A Conclusão

O artigo afirma que o CSP-MACE-Å é um avanço porque é rápido o suficiente para verificar milhões de receitas, mas preciso o suficiente para confiar nos resultados.

Em vez de esperar dias para verificar 100 receitas com o Chef Mestre, esta IA pode verificar milhares de receitas no tempo que leva para preparar uma xícara de café, com resultados quase tão precisos quanto os do Chef Mestre. Isso permite que os cientistas "reduzam o risco" em seu desenvolvimento de medicamentos, garantindo que não percam uma forma cristalina melhor e mais estável que teria sido muito cara de encontrar com os métodos antigos e lentos.

O que o artigo não afirma:

• Não afirma que esta ferramenta está sendo usada atualmente em hospitais ou para tratar pacientes.
• Não afirma que isso curará doenças imediatamente.
• Foca estritamente na previsão de estruturas cristalinas, e não na síntese química ou em ensaios clínicos dos próprios medicamentos.

Resumo técnico

Resumo Técnico: Precisão da DFT na Previsão de Estrutura Cristalina com Potenciais Interatômicos de Aprendizado de Máquina

Declaração do Problema
A Previsão de Estrutura Cristalina (CSP) é um componente crítico do desenvolvimento de fármacos, essencial para selecionar a forma no estado sólido dos princípios ativos farmacêuticos (APIs) a fim de garantir biodisponibilidade, fabricabilidade e estabilidade. O fluxo de trabalho padrão de CSP envolve a geração de milhões de estruturas candidatas e sua classificação para identificar os polimorfos mais estáveis. O estado da arte atual para a fase de classificação baseia-se na Teoria do Funcional da Densidade corrigida por dispersão (DFT-D), como PBE com correções de Neumann–Perrin ou B86bPBE-XDM. Embora precisa, a DFT é computacionalmente dispendiosa, frequentemente exigindo horas para otimização de estrutura e dias para cálculos de energia livre. Esse custo limita o número de estruturas candidatas que podem ser avaliadas e restringe a aplicação prática da reclassificação por energia livre. Potenciais Interatômicos de Aprendizado de Máquina (MLIPs) oferecem uma solução potencial para acelerar esses cálculos em ordens de grandeza, mas tentativas anteriores lutaram para igualar a precisão da DFT, particularmente na modelagem de eletrostática de longo alcance, dispersão e interações intermoleculares sutis em cristais.

Metodologia: CSP-MACE-˚A
Os autores apresentam o CSP-MACE-˚A, um MLIP especializado projetado para substituir a DFT nos fluxos de trabalho de CSP. O modelo emprega uma arquitetura de energia decomposta, separando a energia total em componentes intramoleculares e intermoleculares para permitir a modelagem personalizada de cada tipo de interação:

1. Decomposição de Energia: A energia total é definida como $E_{total} = E_{intra} + E_{inter}$. A energia intramolecular ($E_{intra}$) é calculada como a soma das energias das moléculas constituintes isoladas no vácuo, enquanto a energia intermolecular ($E_{inter}$) é a diferença residual entre o sistema periódico completo e a soma das moléculas isoladas.
2. Componente Intramolecular: Este componente utiliza a arquitetura MACE-POLAR treinada no conjunto de dados OMol25 (100 milhões de cálculos DFT $\omega$B97M-V/def2-TZVPD). Este conjunto de dados de teoria de alto nível garante a modelagem precisa das energias conformacionais intramoleculares, abordando problemas como erros de deslocalização encontrados em funcionais DFT padrão para moléculas flexíveis.
3. Componente Intermolecular: Trata-se de um modelo híbrido que combina três termos para capturar interações específicas de cristais:
   • Contribuição MACE-POLAR: Fornece uma linha de base para interações intermoleculares, mas carece de dispersão de longo alcance.
   • Termo de Dispersão: Um termo de parâmetros fixos seguindo a forma funcional da correção XDM (Momento de Dipolo do Buraco de Troca). Os parâmetros são médios de um conjunto interno de 50.000 cálculos B86bPBE-XDM.
   • Modelo Delta Aprendido: Uma rede neural treinada para prever o residual entre os alvos DFT B86bPBE-XDM e a soma dos termos MACE-POLAR e dispersão. Este modelo é treinado em 50.000 cálculos de estrutura cristalina B86bPBE-XDM. Crucialmente, os alvos de treinamento são resíduos intermoleculares isolados, impedindo que a função de perda seja dominada pelos sinais de energia intramolecular maiores.

Principais Contribuições

• Arquitetura: O desenvolvimento de um MLIP decomposto que separa explicitamente a modelagem intra e intermolecular, permitindo o uso de dados de teoria de alto nível para termos intramoleculares e dados cristalinos direcionados para termos intermoleculares.
• Estratégia de Treinamento: A implementação de uma abordagem de "aprendizado delta" para interações intermoleculares, onde o modelo aprende a correção para um modelo de dispersão baseado em física e um MLIP fundamental, visando especificamente a precisão B86bPBE-XDM.
• Avaliação Abrangente: Um benchmark rigoroso do CSP-MACE-˚A contra modelos fundamentais existentes (MACE-POLAR-1, UMA-OMC) e padrões DFT em múltiplos conjuntos de dados, incluindo publicações internas de CSP da AstraZeneca e os sete testes cegos de CSP.

Resultados
A avaliação foi conduzida em três conjuntos principais:

1. Conjunto AstraZeneca (AZ) (19 compostos): O CSP-MACE-˚A alcançou desempenho comparável à DFT PBE-NP ao classificar por energia. No entanto, quando as estruturas foram reclassificadas usando energias livres harmônicas (calculadas a 300 K), o CSP-MACE-˚A superou significativamente a classificação apenas por energia, colocando correspondências experimentais dentro das 10 melhores estruturas e a uma média de 0,36 kJ/mol da energia mínima. Superou consistentemente tanto o MACE-POLAR-1 quanto o modelo fundamental UMA-OMC.
2. Conjunto de Teste Cego (28 compostos): O CSP-MACE-˚A demonstrou desempenho próximo ao DFT B86bPBE-XDM. Embora a classificação apenas por energia fosse marginalmente pior que a B86bPBE-XDM, a inclusão da reclassificação por energia livre harmônica permitiu que o CSP-MACE-˚A superasse o desempenho de classificação por energia da DFT, alcançando uma classificação média de 2,96 comparado a 3,25 para o B86bPBE-XDM.
3. Estudo de Caso ROY (Vermelho Laranja Amarelo): O ROY é uma molécula desafiadora com 14 polimorfos conhecidos, onde a DFT padrão frequentemente falha devido a erros de deslocalização intramolecular. O CSP-MACE-˚A previu corretamente a Forma Y, experimentalmente a mais estável, como o mínimo global (dentro de 0,5 kJ/mol), enquanto o B86bPBE-XDM a colocou >5 kJ/mol mais alta. Esse sucesso é atribuído ao modelo intramolecular de alta fidelidade (treinado em $\omega$B97M-V) combinado com modelagem intermolecular precisa.
4. Estabilidade Termodinâmica: Em um conjunto de cinco compostos com estabilidade polimórfica dependente da temperatura conhecida, o CSP-MACE-˚A capturou com sucesso tendências amplas na estabilidade relativa usando aproximações de energia livre harmônica. Embora não tenha reproduzido sempre a ordenação exata dos polimorfos em todas as temperaturas, identificou corretamente relações monotrópicas e enantiotrópicas e pontos de transição para vários compostos (por exemplo, Cloridrato de Mexiletina, AZD5462).

Significado e Alegações
O artigo alega que o CSP-MACE-˚A representa um passo significativo para tornar os MLIPs viáveis para aplicações industriais de CSP. Ao alcançar precisão no nível da DFT enquanto executa múltiplas ordens de grandeza mais rápido, o modelo permite a avaliação de um conjunto muito maior de estruturas candidatas do que é atualmente viável com DFT. Essa capacidade permite uma desriscação mais robusta de formas sólidas, reduzindo a probabilidade de que polimorfos viáveis sejam excluídos da fase de classificação devido ao custo computacional. Além disso, a capacidade de realizar reclassificação por energia livre em grandes conjuntos de dados torna a avaliação da estabilidade dependente da temperatura prática para uma gama mais ampla de compostos. Os autores concluem que, embora o trabalho atual mantenha fluxos de trabalho CSP padrão, a velocidade do CSP-MACE-˚A abre portas para futuras adaptações do próprio fluxo de trabalho, como a integração de MLIPs na fase de geração de estrutura.