نموذج مجال القوة متعدد المقاييس قائم على شبكة عصبية جرافية للأنظمة الكيميائية المعقدة

مستوحى من منهجية QM/MM، يقدم نهج ML/MM فرصة جديدة للمحاكاة متعددة المقاييس، مما يحسن التوازن بين الدقة والكفاءة الحسابية. واستفاد من التقدم السريع في طرق التضمين الجزيئي، يمكن تسريع حسابات المستوى الكمومي الميكانيكي (QM) ضمن إطار QM/MM بعدة أوامر من حيث الحجم من خلال تطبيق أسطح الطاقة المحتملة للتعلم الآلي (ML). وكإحدى المشكلات الموروثة من منهجية QM/MM، توجد تحديات في تصميم التفاعلات بين التعلم الآلي ومناطق الميكانيكا الجزيئية (MM). في هذه الدراسة، يتم التعامل مع التفاعلات الكهروستاتيكية بين ذرات التعلم الآلي وMM باستخدام شبكة عصبية رسومية قائمة على نظرية الاضطراب الثابت. في هذا البروتوكول، نقوم بمعالجة الإحداثيات وشحنات MM للحصول على الطاقة الكهروستاتيكية والقوى، مما يؤدي إلى هيكلية ML/MM للتضمين الكهروستاتيكي عالي الأداء. تم التحقق من دقة الطاقة في ML/MM في المحاليل المائية للديببتيد ألانيين وأثير الفينيل الأليل (AVE). بحثنا في قابلية نقل المعلمات المدربة من AVE في حل مذيبي واحد إلى مذيبات أخرى متعددة، بما في ذلك الماء والميثانول والديميثيل سلفوكسيد والتولوين والسوائل الأيونية، وبيئات واجهة الماء-التولوين. ثم أنشأنا بروتوكولًا خاليًا من المذيبات لتحضير مجموعة البيانات. أظهر مقارنة المناظر الطاقية الحرة لإعادة ترتيب كلايزن لـ AVE في بيئات مذيبية مختلفة التأثير التحفيزي للمحاليل المائية، مما يتوافق مع التجارب.