ANI Neural Networks Meet Electrostatics: A ML/MM Implementation in Amber
Semelak et al. | ChemRxiv 2024 | DOI: 10.26434/chemrxiv-2024-m9xgc
🎯 ANI-2x にオンザフライ MBIS 電荷予測 (ANI-MBIS-q) と分極補正を加え、Amber SANDER で QM/MM 相当の静電精度を ML コストで実現する。
① 背景と課題

ML/MM は機械的埋め込みでは動的電荷を捉えられず、電場入力モデル (DPMD 等) は QM/MM 学習データの再訓練が必要で汎用性が低い。

機械的埋め込み: 固定電荷では分極による静電が再現できない
電場入力 ML: QM/MM 学習データに依存し汎用性に欠ける

→ 真空中 ML エネルギーに「静電埋め込み近似 + 分極補正」を事後付加する第3カテゴリで Amber に実装。

② 手法の概要: ANI-MBIS-q
  • Behler-Parrinello + AEV (cutoff 5.2 Å)
  • ωB97X/6-31G* MBIS 電荷を教師ラベル
  • MSE 損失 + AdamW、和=0 正規化
  • autograd で電荷勾配 ∂q/∂r → エネルギー保存補正

ANI-2x データセット上で再利用、AEV 計算を共有。

② 手法の概要: ML/MM エネルギー

E_total = E_vac(ML) + E_D(ML) + E_MM + E_elec(ML/MM)

E_elec = Σ q_i q_j(R_ML) / r_ij + E_polar

E_polar = −1/ε Σ α_free|E_MM|² , E_D = −E_polar/2

  • SANDER から TorchScript 経由で C ラッパー呼出
  • 動的共有オブジェクトで Python 起動コスト排除
③ 本研究で示したこと
  • フェノール水溶液 RDF: 第1溶媒和殻位置を QM/MM と一致
  • O-H 振動: QM/MM −400 cm⁻¹ vs ML/MM −300 cm⁻¹ の半定量的一致
  • NMA C-N 回転自由エネルギー: QM/MM と良好な一致
  • FKBP12/アビジン: 静電相互作用 ΔE が QM/MM と整合
④ 主な結果 (a) O-H 振動の溶媒シフト
O-H stretch 赤方偏移 (cm⁻¹) −400 QM/MM −300 ML/MM(MBIS) ~−100 ME固定電荷
④ 主な結果 (b) フェノール水 RDF
g(r) O-Hwater first shell 1.5 2.0 3.0 4.0 QM/MM ML/MM (MBIS) pure MM
④ 主な結果 (c) ML/MM 比較
手法動的電荷汎用性
機械的埋込 (ME)×高
電場入力 ML○低
ANI-MBIS+polar○★高
QM/MM○低 (高コスト)
④ 主な結果 (d) 対応元素
7元素 H, C, N, O, F, S, Cl (中性有機分子)
5.2 Å AEV カットオフ
ε=2.0 分極補正の有効誘電率

荷電分子・金属配位は対象外

⑤ テイクホームメッセージ
事後静電補正アプローチ
真空 ML + 補正で QM/MM 学習データ不要。
MBIS 電荷予測モデル
動的電荷を NN で代替、エネルギー保存も維持。
分極補正で振動シフト再現
O-H 赤方偏移 −300 cm⁻¹（半定量的）。
Amber SANDER 統合
標準 Amber 入力で利用可能、AmberTools24 配布予定。
lib/md + lib/fep 応用

NNP/MM ベースの長時間 MD・FEP のリガンドハミルトニアン計算で利用可能。

  • RMSDAnalyzer/HBondAnalyzer は影響なく利用
  • FEP のリガンド軌道精度向上
本研究のインパクト
  • 動的電荷の ML 予測を実装に乗せた最初期の例
  • 商用 MD エンジン (Amber) 統合で利用障壁を低減
  • ML/MM の物性精度向上を半定量的に示す
Semelak et al. ANI Neural Networks Meet Electrostatics: A ML/MM Implementation in Amber. ChemRxiv 2024. https://doi.org/10.26434/chemrxiv-2024-m9xgc