Automated Force Field Developer and Optimizer Platform: Torsion Reparameterization
J. Chem. Inf. Model. 2026, 66, 3206-3219 | Published: 2026 | DOI: 10.1021/acs.jcim.6c00528
GPU加速DFTと自動微分最適化でGAFF2二面角をリガンド固有に再パラメータ化、47分〜数時間でFEP品質の力場を生成
(1) 背景と課題

FEPはリード最適化での活性予測精度が高い手法として広く採用されているが、その精度は力場の品質、特に二面角（トーション）パラメータに強く依存する。GAFF/GAFF2は幅広い化学空間をカバーする汎用力場だが、ステレオ電子効果や立体効果に敏感なトーションは分子依存性が高く、汎用パラメータでは不正確になる。

手動QMトーションスキャン+力場フィットは精度高だが、専門知識と多大な作業時間が必要で大規模適用が困難
OpenFFのML/QM系統的開発はプロジェクト固有分子への高速適応に柔軟性の制限あり

→ リガンド固有のGAFF2二面角を完全自動で再最適化するクラウドGPUワークフローを構築する

(2) AFFDO ワークフロー
3段階自動パイプライン (1) 重要二面角の自動選定 ステレオ電子効果・立体効果を評価 GAFF2汎用値からの逸脱が大きい結合を優先 (2) クラウドGPU加速 DFTスキャン 各二面角の参照エネルギー曲面を生成 ! 全体ランタイムの支配的ボトルネック (3) 自動微分による勾配最適化 フーリエ級数 V_n, gamma_n, n をフィット DFT vs AMBER の RMSE を最小化 → 47分〜数時間でリガンド固有 GAFF2
(3) 本研究で示したこと
  • ベンチマークトーションデータでGAFF2比 RMSE 約0.8 kcal/mol 改善
  • MCL1 RBFEで再最適化パラメータが RMSE 約0.5 kcal/mol 低減
  • TYK2 RBFEは約0.2 kcal/mol 改善（統計的有意差なし）
  • 完全自動・専門知識不要、47分〜数時間で完了
  • TYK2の限定改善は電荷・LJ等トーション以外の力場欠陥を示唆
(4a) トーションスキャン RMSE 改善
DFT参照に対する RMSE (kcal/mol) 0.0 0.5 1.0 1.5 ~1.4 GAFF2 ~0.6 AFFDO delta ~ -0.8 kcal/mol
(4b) RBFE 予測誤差: MCL1 vs TYK2
RBFE RMSE 改善幅 (kcal/mol) 0.0 0.25 0.50 ~0.5 MCL1 統計的有意 ~0.2 TYK2 有意差なし
(4c) GAFF2 二面角フーリエ級数
E(omega) = Sigma V_n/2 [1 + cos(n*omega - gamma_n)] omega (deg) E DFT 参照 AFFDO フィット GAFF2 汎用 自動微分で V_n, gamma_n, n を最適化
(4d) ランタイムとボトルネック
47 min - 数時間
小〜中型分子の総ワークフロー時間
> 7 hr
複雑リガンドの最大実行時間（DFTスキャン主因）
段階時間比
(2) GPU DFTスキャン支配的ボトルネック
(1) 二面角選定軽量
(3) 自動微分フィット軽量

将来: 複数クラウドインスタンス並列、QDpi2等のAIベース代替

(5) テイクホームメッセージ
FEP前処理として実用域
専門家不要・47分〜数時間でリガンド固有GAFF2を生成、リード最適化サイクルに組み込み可能。
MCL1で明確な改善
RBFE RMSEを約0.5 kcal/mol低減、トーション再最適化が活性予測精度に直結する標的が存在。
TYK2の頭打ちが教訓
トーションだけでは説明できない誤差（電荷・LJ）の存在を浮き彫りにし、力場改善の次の標的を明示。
クラウドGPU+自動微分の融合
DFT参照生成と勾配最適化を一気通貫で自動化、力場開発の民主化につながる設計。
パイプラインへの応用
  • lib/fep: DockFEP/MMGBSAEngine の前処理として AFFDO 風二面角再最適化を呼び出し
  • OpenMM/AMBER 用 frcmod を自動差し込み
  • クラウドGPU DFT 部分は psi4/Q-Chem ラッパー化
  • ボトルネック緩和のためバッチ並列+キャッシュ
インパクト
  • FEP 力場前処理を自動化し、創薬の活性予測精度を底上げ
  • 力場開発を専門家領域からプロジェクト適応領域へ拡張
  • 次世代AI力場(QDpi2等)との接続点としてのワークフロー基盤
Source: Blanco-Gonzalez, Manathunga et al., J. Chem. Inf. Model. 2026, 66, 3206-3219 | DOI: 10.1021/acs.jcim.6c00528 | Auto-generated slide for cheminformatics-research-pipeline.