Développement de potentiels d'apprentissage profond corrigés par la portée pour des simulations quantiques mécaniques/mécaniques moléculaires rapides et précises des réactions chimiques en solution

Nous développons un nouveau potentiel d'apprentissage machine corrigé par la portée (DPRc) pour des simulations combinées quantiques mécaniques/mécaniques moléculaires (QM/MM) des réactions chimiques en phase condensée. La nouvelle correction de portée permet d'ajuster les interactions QM/MM à courte portée pour une précision accrue, et la correction disparaît progressivement dans une coupure spécifiée. Nous développons en outre une procédure d'apprentissage actif pour un entraînement robuste des réseaux de neurones. Nous testons le modèle DPRc et la procédure d'entraînement contre une série de six réactions de transfert de phosphoryle non enzymatiques en solution qui sont importantes dans les études mécaniques des enzymes clivant l'ARN. Plus précisément, nous appliquons des corrections DPRc à un modèle QM de base et testons sa capacité à reproduire des profils d'énergie libre générés à partir d'un modèle QM cible. Nous réalisons ces comparaisons en utilisant les modèles semi-empiriques MNDO/d et DFTB2 parce qu'ils diffèrent dans la façon dont ils traitent l'orthogonalisation orbitale et l'électrostatique et produisent des profils d'énergie libre qui diffèrent considérablement les uns des autres, fournissant ainsi un test rigoureux pour le modèle DPRc et la procédure d'entraînement. Les comparaisons montrent que la reproduction précise des profils d'énergie libre nécessite la correction des interactions QM/MM jusqu'à 6 Å. Nous constatons en outre que l'entraînement initial du modèle bénéficie de la génération de données à partir de simulations d'échange de réplicas de température et de l'inclusion de configurations à haute température dans la procédure d'ajustement, de sorte que les modèles résultants sont entraînés pour éviter correctement les régions à haute énergie. Un seul modèle DPRc a été entraîné pour reproduire quatre réactions différentes et a montré un bon accord avec les profils d'énergie libre réalisés à partir des simulations QM/MM cibles. Le modèle DPRc a en outre été démontré comme étant transférable à des surfaces d'énergie libre 2D et à des profils d'énergie libre 1D qui n'ont pas été explicitement considérés dans l'entraînement. L'examen des performances computationnelles du modèle DPRc a montré qu'il était relativement lent lorsqu'il était exécuté sur des processeurs, mais a été accéléré presque 100 fois lors de l'utilisation de GPU NVIDIA V100, ce qui a entraîné un overhead presque négligeable. Le nouveau modèle DPRc et la procédure d'entraînement fournissent un nouvel outil potentiellement puissant pour la création de potentiels QM/MM de prochaine génération pour un large éventail d'applications énergétiques, allant de la découverte de médicaments à la conception d'enzymes.