Bayesian Multistate Bennett Acceptance Ratio Methods

本文介绍了 BayesMBAR，这是一种多状态贝内特验收比（MBAR）方法的贝叶斯推广版本，它通过计算自由能后验分布来提供更准确的不确定性估计，并允许将先验知识（如表面平滑度）纳入自由能计算中。

要点

想象一下，你正在试图弄清楚一个分子处于不同状态时的“成本”（自由能），比如将蛋白质从一种形状变为另一种形状需要多少努力。在化学世界中，科学家使用一种叫做 MBAR（多状态贝叶斯接受比）的工具，根据他们从计算机模拟中收集的数据来计算这些成本。

可以将 MBAR 想象成一个非常精明的会计师。如果你交给它一大堆收据（模拟数据），它会给你一个非常准确的总成本。然而，如果你只给它几张收据，这位会计师可能会变得有些心虚。它仍然会给出一个数字，但它可能无法准确判断自己对这个数字有多大的把握。它可能会说：“我有 99% 的把握”，而实际上它可能只有 50% 的把握，反之亦然。

这篇论文介绍了一个升级版的会计师：BayesMBAR。以下是它的工作原理，通过简单的类比来解释：

1. “直觉” vs. “硬数据”

MBAR 与新出的 BayesMBAR 之间的主要区别在于它们如何处理不确定性和“直觉”（先验知识）。

• 旧方法 (MBAR)： 想象你在猜测一个新社区内房子的价格。你只有两套房子的数据。旧方法仅仅观察这两套房子并说：“基于此，价格是 X 元。”它并不真正了解如果数据稀缺，这个猜测会有多不靠谱。
• 新方法 (BayesMBAR)： 这个方法就像一位经验丰富的房地产经纪人。它观察这两套房子（数据），但同时也带入了一种“先验信念”或“直觉”。
  • 场景 A（没有额外信息）： 如果经纪人没有任何额外信息，他们会采用“白纸”策略。他们忽略自己的直觉，只看数据。在这种情况下，BayesMBAR 给出的价格与旧的 MBAR 完全相同，但是，它能更好地告诉你它有多么不确定。这就像经纪人说：“价格是 X 元，但我只有 60% 的把握，因为我们的数据不够，”而旧方法可能会说：“我有 90% 的把握。”
  • 场景 B（有额外信息）： 如果经纪人知道这个社区的房价通常变化平滑且可预测（一个“平滑的自由能面”），他们就可以利用这个知识。BayesMBAR 可以说：“嘿，即使我们只有两个数据点，我们也知道价格通常是平滑变化的。所以，让我们调整我们的猜测，以符合这条平滑的曲线。”这使得在数据匮乏时，最终的猜测更加准确。

2. “平滑度”类比

论文特别强调了一个功能，你可以告诉计算机：“嘿，这些状态的成本变化是平滑的，像一座起伏的小丘，而不是一座崎岖的山峰。”

• 如果没有这个功能： 如果你的数据点非常少，计算机可能会在两点之间猜出一个锯齿状、奇怪的路径，因为它只是在盲目地连接这些点。
• 有了这个功能： 计算机会使用一个“平滑过滤器”。它假设数据点之间的路径是一条平缓的曲线。这可以防止计算机在数据不足以支撑其确定性时，做出疯狂且不太可能的猜测。

3. “两个估计值”

当 BayesMBAR 进行数学运算时，它实际上会给出两个略有不同的答案：

1. “最可能”的答案 (MAP)： 这是单一的最佳猜测，它与旧的 MBAR 方法完全一致。
2. “平均”答案 (Posterior Mean)： 这是所有合理猜测的平均值。

论文发现，“平均”答案通常整体上更准确（误差更小），尽管它可能在某个方向上略微带有偏差。这就像是把许多个猜测进行平均，以获得一个更稳定的结果。

4. 为什么这更好？

论文在简单的数学问题（谐振子）和现实世界的化学问题（苯酚如何在水中溶解）上进行了测试。

• 当数据充足时： BayesMBAR 的表现与旧的 MBAR 完全一样。它会收敛到相同的正确答案。
• 当数据稀缺时（“小样本问题”）： 这是 BayesMBAR 脱颖而出的地方。
  • 它提供了更好的不确定性估计。它不会在确定性问题上欺骗你。它会告诉你：“我不太确定，”而不是假装自己是专家。
  • 如果你输入“平滑度”规则，它会给出更准确的答案。它利用该规则来填补数据缺失处的空白。

5. 代价

论文承认，运行 BayesMBAR 比运行旧的 MBAR 要慢一些。它必须做更多的“重体力活”（从复杂的分布中进行采样），以获得额外的准确性和更好的不确定性估计。然而，作者认为，由于这些计算中最耗时的部分实际上是生成数据（运行模拟的过程），那么为获得更可靠的结果和更好的信任感而花费的额外分析时间，是一个值得的代价。

总结

BayesMBAR 是一个更智能的标准化学计算工具。

• 如果你有大量数据，它就像旧工具一样工作，但能更诚实地告诉你它有多大的信心。
• 如果你的数据很少，它可以利用“经验法则”（如平滑度）做出更好的猜测，并避免犯下离谱的错误。
• 这是一个当你不仅需要知道答案是什么，还需要知道你能多大程度上信任这个答案时使用的工具。

技术摘要

技术摘要：贝叶斯多状态 Bennett 验收比方法 (BayesMBAR)

问题陈述

计算热力学状态的自由能是计算化学和物理学中的一个基本挑战，其应用范围涵盖了从蛋白质-配体结合亲和力到相平衡等多个领域。多状态 Bennett 验收比 (MBAR) 方法是利用采样构型估计这些自由能的标准技术。虽然在样本量较大时，MBAR 是无偏的且具有最小方差，但其性能和不确定性估计在小样本量场景下的表现研究较少。在这些数据匮乏的机制中，MBAR 使用的标准渐近分析往往会产生不准确的不确定性估计（通常是高估），且该方法缺乏将先验物理知识（例如自由能表面的平滑性）整合进估计过程的机制。

方法论

作者引入了 BayesMBAR，这是一种 MBAR 方法的贝叶斯泛化形式。其开发过程分为以下步骤：

1. 概率公式化： 作者使用逆逻辑回归 (reverse logistic regression) 模型对 MBAR 进行了重新表述。在该框架下，自由能 ($F$) 被视为似然函数中的参数，该似然函数源自给定构型下状态索引的追溯条件概率。
2. 贝叶斯泛化： 为了创建 BayesMBAR，自由能被视为随机变量而非固定参数。在自由能上设定了一个先验分布 $p(F; \theta)$。随后，利用贝叶斯定理，通过结合来自逆逻辑回归的似然函数与选定的先验分布，计算出后验分布 $p(F|Y, X)$。
3. 先验分布：
   • 均匀先验 (Uniform Prior)： 用于没有特定先验知识的情况。这种选择确保了 BayesMBAR 的最大后验估计 (MAP) 能精确地恢复标准的 MBAR 估计。
   • 高斯先验 (Gaussian Prior)： 用于存在系统先验知识的情况，特别是关于自由能面沿集体坐标平滑性的知识。作者采用了高斯过程 (Gaussian Process) 先验，当该先验投影到离散状态时，会产生一个多元高斯分布。协方差函数（例如平方指数函数）编码了“相邻集体坐标处的自由能具有相关性”这一假设。
4. 推断与优化：
   • 点估计： 通过最大化后验密度（使用 L-BFGS-B 或牛顿法）来寻找 MAP 估计值。同时也会计算后验均值作为另一种点估计。
   • 不确定性量化： 不确定性由后验协方差矩阵导出。对于拥有两个以上状态的系统（此时解析积分难以实现），作者使用 No-U-Turn Sampler (NUTS)（一种哈密顿蒙特卡洛算法的变体）来对后验分布进行采样。
   • 超参数优化： 先验的超参数（如长度尺度和方差）通过最大化贝叶斯证据 (Bayesian evidence)（边缘似然）进行自动优化。这是通过使用基于证据下界 (ELBO) 和高斯提议分布的变分推断方法实现的。

核心贡献

• BayesMBAR 框架： 开发了一个用于自由能估计的严谨贝叶斯框架，该框架实现了 MBAR 的泛化。
• 改进的不确定性估计： 该方法提供了基于后验的不确定性估计，结果表明，在数据匮乏的机制中，其估计精度比标准渐近分析更准确（渐近分析往往会显著高估不确定性）。
• 整合先验知识： 能够直接将物理先验（如自由能表面的平滑性）整合进估计过程中。这在数据有限时能提高估计的准确性。
• 双重估计器： 引入了 MAP 和后验均值估计器，后者通过在偏差与方差之间进行权衡，可以在某些小样本场景下获得更低的均方根误差 (RMSE)。

结果

作者使用三个基准系统验证了 BayesMBAR：

1. 两个谐振子：

   • 使用均匀先验的 BayesMBAR 将 MBAR (BAR) 估计作为其 MAP 恢复。
   • 后验均值估计由于标准差 (SD) 的降低，表现出比 MAP 估计更低的 RMSE。
   • 对于小样本量 ($n < 100$)，BayesMBAR 的不确定性估计比渐近分析（高估）和 Bootstrap 方法（低估）都要准确得多。

2. 三个谐振子：

   • 在这一多状态系统中观察到了类似的趋势。对于小样本量，后验均值估计显示出比 MBAR 更低的 RMSE。
   • BayesMBAR 的不确定性估计避免了 Bootstrap 方法的低估以及渐近分析的过度高估。

3. 苯酚的水合自由能：

   • 均匀先验： 当使用均匀先验时，BayesMBAR 在大型数据集上的 RMSE 与 MBAR 持平，但在小数据集 ($n=5$) 上提供了更优的不确定性估计。
   • 正态先验： 通过引入编码了沿炼金变量自由能面平滑性的高斯先验，当构型数量较少 ($n < 100$) 时，BayesMBAR 实现了比 MBAR 显著更低的 RMSE。随着样本量的增加，BayesMBAR 估计值收敛至 MBAR 结果，这证明了当数据不足时，先验起到了正则化的作用，但当数据充足时并不会导致偏差。

意义与主张

本文认为 BayesMBAR 是自由能计算中的重要工具，特别是在以下场景中：

1. 数据稀缺： 它提供了比标准 MBAR 更可靠的不确定性估计，从而防止因不确定性低估而导致的过早停止采样，或因高估而导致的过度采样。
2. 存在先验知识： 它提供了一种系统的方法，可以将物理约束（如表面平滑性）或来自更廉价计算（如对接、MM/GBSA）的结果整合进来，以提高准确性，且不会在数据量增加时牺牲收敛到真实值的能力。

作者承认，由于需要从后验分布中进行采样，BayesMBAR 比 MBAR 的计算成本更高。然而，他们认为考虑到其在提高自由能估计和不确定性量化方面的准确性，这种成本是合理的，因为自由能计算的大部分计算成本通常在于初始构型的采样，而非后续的处理分析。作者已发布了一个开源 Python 包以促进该方法的应用。