NNP/MM: Fast Molecular Dynamics Simulations with Machine Learning Potentials and Molecular Mechanics
J. Chem. Inf. Model. (2023) | arXiv:2201.08110 | DOI: 10.1021/acs.jcim.3c00773
NNPOps の CUDA 最適化で NNP/MM を 5.1× 高速化し、リガンドを ANI-2x で記述する µs スケールのタンパク質-リガンド MD を実用化
(1) 背景と課題

力場 MM はタンパク質・核酸の MD では高速だが、薬物様リガンドのパラメータ化は手間がかかり精度に限界がある。一方ニューラルネットポテンシャル (NNP) は DFT 精度を再現できるが、MD 用途では推論コストが MD のボトルネックになっていた。

Lahey & Rowley (2020): 初の NNP/MM タンパク質-リガンド MD は 3.4 ns/day (Titan Xp) でとどまっていた
Vant ら (2020): cryo-EM 構造精密化向けの NNP/MM は 0.5 ns/day。これまでの最長 NNP/MM 軌跡は 20 ns 程度

→ NNP/MM を µs スケールに引き上げる CUDA 最適化と PyTorch 統合スタックを構築する。

(2) NNP/MM ハイブリッドのスタック
  • リガンド: ANI-2x (H/C/N/O/F/S/Cl, DFT精度)
  • タンパク質+水: AMBER ff14SB
  • カップリング: 機械的埋め込み (Coulomb + LJ)
  • 実行系: ACEMD + OpenMM + OpenMM-Torch + TorchANI + NNPOps
エネルギー分割: V = V_NNP + V_MM + V_NNP-MM リガンド (NNP) ANI-2x カップリング Coulomb+LJ タンパク質 (MM) AMBER ff14SB NNPOps による CUDA カーネル最適化 (1)GPU内完結 (2)カスタム対称関数カーネル (3)重み/バイアスのバッチ化
(3) 本研究で示したこと
  • ANI-2x 推論を 5.9×、NNP/MM 全体で 5.1× 高速化
  • 4 種の PDBbind 複合体で 1 µs/系 (10 × 100 ns) を達成 — 従来最長 20 ns に対し 50×
  • タンパク質 RMSD/RMSF は MM と同等で構造安定性は維持
  • リガンド二面角は ANI-2x が GAFF2 より実験に近い挙動 (1HPO/3BE9 で RMSD ≈ +0.3 Å)
  • ACEMD 入力に nnpfile model.json を 1 行追加するだけで利用可
(4a) 速度: NNP/MM 全体加速
ANI 推論 5.9× / NNP/MM 全体 5.1× 加速 0 2× 4× 6× 1.0× TorchANI baseline 5.9× NNPOps ANI推論 5.1× NNP/MM 全体 ~10× MM:NNP/MM 残る差 相対加速
5.1× NNP/MM 全体加速 (NNPOps によるカーネル最適化)
(4b) ns/day で見るスループット
スループット比較 (ns/day, 4 複合体) 0 200 400 600 ns/day Vant 2020 (NNP/MM): 0.5 Lahey 2020 (NNP/MM): 3.4 本研究 NNP/MM (2NN): 40–51 本研究 NNP/MM (1NN): 97–101 430–666 MM (AMBER ff14SB) NNP/MM とは約 1 桁差が残る
(4c) 4 複合体 × 100 ns × 10 本
系標的累計 (ns)
1HPOHIV プロテアーゼ1000
1HVRHIV プロテアーゼ1000
2W26FXa1000
3BE9CK21000
タンパク質 RMSD レンジ (Å) 0 1 2 3 1.8 – 2.8 Å MM と NNP/MM で同等の安定性
(4d) リガンド二面角の精度
リガンド RMSD: ANI-2x vs GAFF2 0 0.5 1.0 1.5 RMSD (Å) 1HPO 0.8 1.1 1HVR 0.6 0.65 2W26 0.5 0.55 3BE9 0.9 1.2 GAFF2 (MM) ANI-2x (NNP/MM)

1HPO/3BE9 で NNP/MM が +0.3 Å 大きく揺らぐ。先行研究通り ANI-2x の方が二面角の真の分布を再現していると解釈される。

(5) テイクホームメッセージ
µs スケールの NNP/MM が現実に
NNPOps による 5.1× 加速で 1 系あたり 1 µs (10×100 ns) のサンプリングが可能に。これまでの上限 20 ns を 50 倍超える長さ。
リガンドの二面角を DFT 精度で
ANI-2x がリガンド領域を担当し、GAFF2 で過小評価されがちな二面角揺らぎを実験に近い形で再現する。
導入コストはほぼゼロ
ACEMD 入力に nnpfile model.json を 1 行加え、prepare-nnp でモデル生成するだけ。既存 MM ワークフローとの段差が小さい。
NNP プラグイン設計
OpenMM-Torch 経由で TorchMD-NET など他の PyTorch ベース NNP に容易に差し替え可能。NNP の進化に追随できる。
既存パイプラインへの応用
  • lib/md: NNP/MM 軌跡を RMSDAnalyzer / HBondAnalyzer に投入し、GAFF2 軌跡との二面角分布差をルーチン解析
  • lib/fep: MMGBSAEngine の re-scoring ステップで NNP/MM サンプリングを使い、リガンド内部エネルギーの誤差を低減
  • lib/docking: UniDockRunner でヒット化合物を選んだ後、NNP/MM で短時間 (10–100 ns) 緩和し ProLIFCalculator のフィンガープリントを精緻化
インパクト
  • NNP/MM が「現実的な」生体分子 MD の一手法に格上げされた
  • 創薬で重要な薬物様リガンドのコンフォメーション挙動を、力場再パラメータ化なしで DFT 精度で扱える
  • NNPOps はオープン実装。ANI 系以外の NNP も同じ枠組みで使える土台
制限: ANI-2x は H/C/N/O/F/S/Cl のみ — 金属酵素・荷電官能基 (NH4+, COO-) は対象外。MM との 1 桁速度差が残る。
実装: nnpops · openmm-torch · ACEMD/HTMD (Acellera)
Galvelis et al., J. Chem. Inf. Model. 2023 (arXiv:2201.08110) — NNPOps + OpenMM-Torch + ANI-2x で µs スケールのタンパク質-リガンド NNP/MM を実証