CHARMM-GUI Hybrid ML/MM Builder for Hybrid Machine Learning and Molecular Mechanical Simulations
J. Chem. Inf. Model. 66, 2960-2966 | Published: 2026 | DOI: 10.1021/acs.jcim.6c00060
MACE/ANIのNNPでリガンドをQM精度で記述するML/MMをCHARMM-GUIから自動構築。古典MMの系統誤差をQM/MMより1〜2桁安いコストで解消。
① 背景と課題:古典MMリガンド記述の系統誤差

タンパク質-リガンドMD/FEP の標準である古典力場(CGenFF、GAFF)は、リガンドの電荷分布・torsionポテンシャルを経験的パラメータで近似するため、化学的に類似でも系統誤差が避けられない。一方 QM/MM(B3LYP/6-31G* 等)はリガンドを量子化学レベルで扱える反面、計算コストが MD では実用範囲を超える。

古典MM (CGenFF/GAFF) → torsion・部分電荷の系統誤差が結合自由エネルギーに直接反映
QM/MM (B3LYP) → 精度は十分だがリガンドあたり数桁の計算負荷で長時間MD/FEP には非実用
NNP/MM の系構築は通常 PyTorch + OpenMM の手書き設定が必要で参入障壁が高い

→ 汎用NNP(MACE-OFF23, ANI)をリガンドに割り当て、QM/MM相当の精度を MD 実用コストで誰でも組めるビルダーを提供する。

② 手法の概要:Web ビルダー + ハイブリッド NNP/MM
  • Web UI で PDB(タンパク質-リガンド複合体)を入力
  • NNP 領域を指定(リガンドのみ/結合部位残基含む)
  • OpenMM・AMBER 用の入力一式を自動生成
  • NNP は MACE-OFF23 / TorchANI から選択(PyTorch 組込)
  • QM/MM 境界は LinkAtom 法で共有結合を処理
  • 溶液系・膜タンパク質(GPCR)系の両方に対応
③ 本研究で示したこと
  • HSP90・CDK2 のリガンドで torsion 自由エネルギーが QM 値とよく一致
  • 同条件下で CGenFF より MACE/ANI の方が QM 参照に近い結合親和性を再現
  • MACE-OFF23 は ANI より汎用性が高く、芳香族・複素環でも安定動作
  • TorchANI-AMBER と OpenMM-ML の 2 バックエンドをサポート
  • 系構築〜ジョブ投入をブラウザで完結(CHARMM-GUI 標準ワークフロー)
④ (a) リガンド torsion 自由エネルギー誤差
QM 参照との torsion ΔG 誤差(概念図) torsion 誤差 CGenFF GAFF ANI MACE-OFF23 最小 出典:HSP90/CDK2 等の代表複合体での比較(論文 Fig. 参照)
④ (b) 計算コスト(MM 比、log 軸)
対 古典MM 計算時間倍率 10× 100× 1000× 古典MM NNP/MM 3〜10× QM/MM 100〜1000× 純QM ≫1000× 論文記述:NNP/MM は QM/MM より 1〜2 桁安価
④ (c) ビルダーから MD までの自動フロー
CHARMM-GUI Hybrid ML/MM Builder ワークフロー PDB 複合体入力 NNP領域指定 リガンド+任意残基 NNPモデル選択 MACE-OFF23 / TorchANI 入力一式自動生成 OpenMM-ML / AMBER + LinkAtom NNP/MM MD・FEP 溶液 / 膜タンパク質 (GPCR) QM/MM 境界は LinkAtom 法 リガンド-タンパク質間の共有結合を切断せずに NNP 領域と MM 領域を接続
④ (d) サポート構成(バックエンド × NNP × 系)
サポート対象
NNPモデルMACE-OFF23, ANI(TorchANI)
推奨NNPMACE-OFF23(汎用性最高)
バックエンドOpenMM-ML / TorchANI-AMBER
QM/MM境界LinkAtom 法
系のタイプ溶液系 / 膜タンパク質(GPCR等)
検証ターゲットHSP90, CDK2 など創薬標的
提供形態CHARMM-GUI Web (charmm-gui.org)
ライセンス論文 CC-BY 4.0 / MACE-OFF23 商用要確認
⑤ テイクホームメッセージ
QM精度を MD 実用コストで

MACE/ANI を用いたNNP/MMにより、リガンド torsion とそれが波及する結合自由エネルギーを QM/MM の 1/100〜1/1000 のコストで再現。

専門知識ゼロでも構築可能

Web から PDB を投げて NNP 領域とモデルを選ぶだけで、OpenMM-ML / TorchANI-AMBER 用の完全な入力一式が生成される。

MACE-OFF23 を既定推奨

芳香族・複素環式リガンドでも安定動作する汎用 NNP。ANI より広い化学空間をカバーし、創薬リガンドに親和。

適用域外には依然脆弱

金属配位・希少官能基などNNP 訓練データの外側では精度保証なし。長時間MD・大規模FEPでは古典MMより3〜10倍重い。

応用補足:lib/md・lib/fep への移植
  • lib/fep の DockFEP / MMGBSAEngine: リガンドポテンシャルを MACE-OFF23 / ANI に差し替えた Hybrid 版を新設
  • lib/md の RMSDAnalyzer: NNP/MM トラジェクトリの取り扱いを追加(OpenMM-ML 出力を読込)
  • CHARMM-GUI 出力(OpenMM input)を取り込む薄いアダプタを lib/md/io_charmmgui.py 相当として実装
  • NNP 領域 / 境界原子の指定は YAML 設定でユーザに開放
インパクト
  • 創薬MD・FEPのリガンド精度を、力場再パラメタ化なしで底上げできる
  • GPCR を含む膜タンパク質創薬で QM 級リガンド記述を現実的に
  • NNP/MM をブラウザから誰でも実行できる初の量産レベル基盤