🧬 biology

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

本文介绍了 TWIN，这是一种仅通过从头算（*ab initio*）和实验数据中训练得到的具有可迁移性的机器学习势能，它在隐式水环境下实现了接近密度泛函理论（DFT）的精度，用于药物和蛋白质建模，同时提供了比显式溶剂方法快两个数量级的加速。

原作者： Jan Eckwert, Julija Zavadlav

发布于 2026-07-14

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jan Eckwert, Julija Zavadlav

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

想象一下，你正在试图模拟一个蛋白质（一种微小的、扭转着的生物机器）在水池中与一个药物分子共舞的过程。为了准确地做到这一点，你通常必须对每一个水分子进行建模。这就像是在试图统计暴雨中的每一滴雨水，同时还要追踪风中飘动的每一片叶子。这极其精确，但由于它消耗了太多的计算能力，你的电脑在观察完几秒钟的舞蹈之前就会崩溃。

欢迎来到 TWIN（可迁移水隐式网络）。把 TWIN 想象成一个神奇的“隐形水池”。与其去数每一滴水，TWIN 学习的是水的“感觉”——那种推力、拉力和挤压力——而不需要实际画出每一滴水滴。这就像是即便看不见人群中的每一个人，也能准确知道人群会如何绕过一位名人。

重大突破：速度与精度的邂own

这里的主要发现是，TWIN 模拟这些蛋白质-药物之舞的速度比那些数每一滴水的旧方法快了 100 倍（两个数量级），同时其精度仍能与超精确的“从头算”（ab initio）方法相媲美。

通常情况下，科学家们必须在速度或精度之间做出选择。

旧的快速方法： 使用“粗粒化”模型。想象从直升机俯瞰森林；你能看到树木的轮廓，却会错过叶子。这些模型很快，但往往会出错，因为它们是基于“不完美”的数据（如旧的、简化的力场）训练出来的。
旧的精确方法： 使用“显式溶剂”模型。这就像是在地面上数每一片叶子。它很精确，但非常耗时。

TWIN 反驳了这种观点，即认为训练快速模型必须依赖于那些旧的、简化的“力场”数据。论文表明，如果你的模型是基于高水平量子物理数据（DFT）和现实世界的实验数值进行训练的，你就能获得“直升机视角”的速度，同时拥有“数叶子”般的精度。

他们是如何打造这个神奇机器的

作者并没有仅仅靠猜测；他们通过三个特定的阶段构建了 TWIN，就像在电子游戏中升级一样：

第一级：原子级导师 (TWIN-AT)。 首先，他们利用包含 166 万个化学构型的庞大数据集，并结合高水平量子物理数据（来自 SPICE 数据集）训练了一个模型。这个名为 TWIN-AT 的模型学习了原子在水存在时的相互作用方式，实现的力误差仅为 24.6 meV/Å。这就像是一个完美背诵了物理教科书的学生。
第二级：蛋白质健身房 (TWIN-FM)。 接下来，他们需要教会这个模型如何处理大型蛋白质。他们无法用超精确的量子方法来模拟大型蛋白质（那将需要对每个蛋白质花费 17 年 的时间！），因此他们使用了一个聪明的技巧。他们在 41 个不同的蛋白质结构域（总计 410 万 个构型）上运行了标准且较快的模拟，并使用第一级模型来为受力进行“评分”。这教会了 TWIN 如何在不需要为每一步都进行超慢速量子数学运算的情况下，处理大型、具有柔性的蛋白质。
第三级：现实检验。 最后，他们使用现实世界的实验数据对模型进行了微调。他们观察了 1,148 个类药物分子，并调整模型，直到其对“水合自由能”（溶解一个分子所需的能量）的预测与真实实验相匹配。结果是，误差仅为 0.76 kcal/mol，这与实验的不确定度 0.6 kcal/mol 非常接近。

它真的有效吗？

作者在 TWIN 从未见过的物体上对其进行了测试，以观察其泛化能力。

药物分子： 他们测试了一种用于治疗多发性硬化症的药物 ozanimod。TWIN 预测该分子在水中扭转和转动的方式，与超精确参考值的误差仅为 0.293 kcal/mol。它正确捕捉到了能量景观的“形状”，而旧模型往往会将能垒预测错超过 2 kcal/mol。
多肽： 对于一种被称为 Ala3 的微小蛋白质链，TWIN 正确预测了它在水中更倾向于特定的形状（称为 pPII），这与实验观察一致。旧模型经常出错，认为该链条要么太硬，要么太软。
大型蛋白质： 他们测试了四个真实的蛋白质：Ubiquitin, GB1, CspA, 和 IFABP。TWIN 使这些蛋白质保持折叠和稳定状态，符合关于其各部分灵活性的实验数据。虽然它预测蛋白质比一些旧模型稍微更“爱动”，但它比那些会让蛋白质解体的其他“快速”模型要稳定得多。

TWIN 还不是什么（目前而言）

了解论文中提到的 TWIN 不能做的事情很重要。

它不能从头开始解决蛋白质折叠问题。 论文明确指出，TWIN 是在已经折叠的蛋白质上进行测试的。它并不是设计用来观察一个蛋白质如何从一段随机的氨基酸序列折叠成特定形状的；那需要不同的工具。
它并非对所有情况都完美。 论文指出 TWIN 是基于“局部”视角（它观察 0.5 nm 以内的邻居）。这意味着它可能会错过在更长距离内发生的某些长程“幽灵”相互作用，这也是为什么它有时会预测蛋白质比最刚性的实验数据表现得更“爱动”。
它不是所有溶剂的万能药。 这个特定的模型是针对水进行训练的。作者建议该方法可以适用于其他液体，但本篇论文仅证明了其在水中的有效性。

总结

TWIN 表明，我们终于可以模拟水中复杂的生物系统，并达到近乎完美的精度，而无需等待几个世纪让计算机完成任务。它之所以能实现这一点，是通过直接学习最好的物理数据和实验数据，跳过了那些阻碍该领域发展的“不完美”中间人模型。

虽然论文显示 TWIN 在特定基准测试（如 0.76 kcal/mol 的溶剂化能误差）上表现出了极高的准确性，但它将此定位为效率和精度方面的重大进步，为以前无法实现的模拟铺平了道路。这不仅仅是一个微小的改进；这是一种观察水中生命之舞的新方式。

技术摘要：面向药物与蛋白质、接近从头算精度的可迁移隐式溶剂机器学习势函数

问题陈述
对生物分子系统（如蛋白质和类药物分子）进行精确建模，需要捕捉复杂的构象系综和溶剂介导的相互作用。虽然经典力场提供了进行微秒级模拟所需的计算效率，但其对经验参数化的依赖限制了预测精度。相反，从头算（ab initio）方法（如密度泛函理论 DFT）和高精度机器学习势函数（MLP）提供了接近量子力学的精度，但对于生物分子动力学所需的时标和系统规模而言，其计算成本过于高昂。

隐式溶剂模型通过减少自由度提供了一条高效路径，然而现有的基于机器学习的隐式溶剂或粗粒化（CG）模型面临显著的精度瓶颈。大多数当前的方法（例如 GNNIS、CGSchNet）是基于经典显式溶剂力场生成的数据进行训练的。这种对经验力场的依赖本质上限制了所得机器学习势函数的理论精度上限。此外，自下而上的粗粒化模型训练需要海量数据集来从噪声较大的原子级数据中推断有效的有效多体平均力势（PMF），这通常需要难以用从头算方法复制的微秒级经典模拟。

方法论：TWIN 框架
作者引入了可传递水隐式网络（TWIN），这是一个完全由等变图神经网络（基于 MACE 架构）参数化的隐式水机器学习势函数，且完全基于从头算和实验标签进行训练，避免了使用经验力场数据。该模型采用了三阶段多尺度训练策略：

第一阶段：原子级参考（TWIN-AT）： 一个自下而上的训练阶段，其中显式溶剂 MLP（TWIN-AT）通过从 SPICE 2.0.1 数据集（在 $\omega$ B97M-D3(BJ)/def2-TZVPPD 水平下的 DFT 标签）和 MACE-OFF 子集中提取的 166 万个构型构成的精选数据集进行参数化。该模型作为高保真度的参考，用于描述溶质相互作用并初始化隐式溶剂模型，从而提供具有物理意义的归纳偏置。
第二阶段：变分力匹配（TWIN-FM）： 为了将模型扩展到更大的系统（如蛋白质），在直接进行从头算采样不可行的情况下，作者进行了变分力匹配。他们利用 41 个蛋白质结构域（选自 mdCATH 数据库）通过经典显式溶剂模拟（AMBER/TIP3P）生成了 410 万个构型。溶质原子上的力使用 TWIN-AT 模型进行标记。隐式溶剂模型（TWIN-FM）随后被优化以重现这些 TWIN-AT 力标签，从而实现向更大、更灵活分子的泛化。
第三阶段：自上而下的精炼（TWIN）： 最终模型针对 CombiSolv 数据集中水相子集的 1,148 个类药物分子的实验水合自由能进行精炼。通过使用可微轨迹重加权（DiffTRe）和自由能扰动法的溶剂化自由能路径重加权（ReSolv）方法，模型被微调以匹配实验热力学可观测值，而无需对完整的模拟轨迹进行微分。这修正了力匹配阶段引入的偏差。

核心贡献

数据驱动的参数化： 与依赖经验力场数据或特定系统先验势的以往隐式溶剂 MLP 不同，TWIN 完全基于从头算（DFT）和实验数据进行训练。
可迁移性： 该模型在多样化的化学空间中展示了可迁移性，包括类药物小分子、多肽、折叠蛋白质以及蛋白质-药物复合物，且不需要依赖于拓扑相关的先验势。
多尺度训练策略： 结合自下而上的力匹配（使用高精度参考）和自上而下的实验精炼，使模型能够在直接进行从头算训练在计算上不可能实现的较大系统上实现高精度。
高效性： 通过消除显式溶剂自由度，TWIN 在步长评估方面比显式溶剂 MLP 快两个数量级，同时保持了接近从头算水平的精度。

结果与基准测试
论文通过多个基准测试验证了 TWIN：

类药物分子： TWIN 准确地重现了联芳基扭转势能面（能垒的 MAE 为 0.72 kcal/mol），并与显式溶剂 MLP 在药物分子 Ozanimod 上的结果相匹配。其表现显著优于经典力场（如 GAFF）和之前的基于机器学习的隐式溶剂模型（GNNIS）。
多肽（Ala3）： 模型正确捕捉了丙氨酸三肽的自由能景观，识别出聚脯氨酸 II（pPII）区域为主要的中间态，这与实验观察和显式溶剂参考一致。它优于基于经典力场训练的模型（CGSchNet、GNNIS），后者错误地稳定了 $\alpha$ -螺旋盆地。
蛋白质： 在泛素（Ubiquitin）、GB1、CspA 和 IFABP 上的测试表明，TWIN 能够保持稳定的折叠构象，其 RMSD 值与 AMBER 力场相当（1–2.5 Å）。它重现了实验 NMR 可观测值，包括氢键标量耦合（ $^3J_{NC}$ ）和骨架有序参数（ $S^2$ ），其精度与成熟的显式溶剂力场具有竞争力。
蛋白质-配体相互作用： TWIN-AT 实现的相互作用能精度（MAE 0.48 kcal/mol）与半经验量子力学方法及基础机器学习势函数相当。隐式溶剂模型捕捉溶剂介导的相互作用能变化的精度优于隐式溶剂半经验模型（DFTB3/PCM），并与经典隐式溶剂模型相当。
计算性能： 与显式溶剂 TWIN-AT 模拟相比，TWIN 每个步长的速度提升了 10–100 倍。虽然经典力场仍然更快（最高达 25 倍），但作者指出，隐式溶剂模型对能量景观的平滑处理提供了额外的采样效率，这可能使 TWIN 在整体上更具效率。

意义与主张
作者声称，TWIN 代表了生物分子建模领域的重大进展，它弥合了计算效率与从头算精度之间的鸿沟。通过消除对经验力场数据的依赖，TWIN 避免了以往粗粒化和隐式溶剂机器学习势函数固有的精度限制。该模型能够高效、高保真地探索水环境中的生物分子系统，达到了此前从头算水平方法无法企及的微秒级时标。这项工作建立了一个通用的工作流，用于开发既能在化学空间中迁移，又能在定量上对实验热力学和结构数据保持高精度的隐式溶剂势函数。作者将 TWIN 定位为一个稳健的框架，适用于未来的生物分子模拟，包括生成模型和粗粒化玻尔兹曼生成器（Boltzmann generators）的应用。

重大突破：速度与精度的邂own

他们是如何打造这个神奇机器的

它真的有效吗？

TWIN 还不是什么（目前而言）

总结

类似论文