BMS25: A Solvation-Aware Dataset for QM/MM Neural Network Potentials with Electrostatic Embedding

Thürlemann, Pultar, Gordiy & Riniker — ETH Zürich (ChemRxiv 2025)

🎯 溶媒和を陽に含む大規模参照データを整備し、生体分子の大規模 ML/MM マルチスケール NNP 開発の基盤を作る

① 背景と課題

NNP は QM 精度を桁違いの低コストで再現できるが、品質は学習データの量・多様性・理論レベルに依存する。従来データは小分子・近平衡構造に偏り、生体分子で本質的な「溶媒和」がほとんど考慮されてこなかった。

小分子のみで学習 → 溶媒-溶媒相互作用まで NNP に押し付け、計算資源を浪費

近平衡構造ばかり → torsion 等の自由度が不足し NNP が脆弱に

小基底使用 → アニオン・双極子・分子間相互作用の記述が不正確

→ QM/MM 電静埋め込みで溶媒分極を学習データに陽に取り込み、溶質(QM)/溶媒(MM)分離で高効率 NNP への道を開く

② 手法の概要: QM/MM 電静埋め込み + 高温サンプリング

力場の bond k 半減・torsion 除去で超高温 MD し非平衡構造を取得。QM 原子の 14Å 内の水を分子単位で点電荷埋め込み、ωB97M-D4/ma-def2-TZVPP で E・勾配・多極子を計算。

③ 本研究で示したこと

④ 主な結果 (a) サブセット規模

④ 主な結果 (b) QMゾーンサイズ

④ 主な結果 (c) 勾配保持率

④ 主な結果 (d) 先行データ比較

データセット	溶媒和	最大QM原子	反応経路
ANI / QM-n	なし(気相)	~数十	なし
SPICE (2023)	なし	~数十	なし
OMol25 (2025)	微小クラスタのみ	大	一部
BMS25 (本研究)	陽な完全溶媒シェル	487	あり(T1x)

⑤ テイクホームメッセージ

溶媒和を陽に学習
水を点電荷MMとして埋め込み、溶質分極を学習データに内在化。溶媒自体をNNPで描く必要を排除。

非平衡サンプリングの工夫
bond k半減+torsion除去の改変力場で超高温MD。結合長を保ったまま広範な配座を獲得。

高品質な理論レベル
ωB97M-D4 + diffuse込みma-def2-TZVPP。アニオン・双極子・分子間相互作用に対応。

漏洩なしを検証
QM/MM vs full-QM のNBO電荷差で電子密度漏洩を定量化。中央値偏差は無視可能。

先行データセットとの比較

データセット	溶媒和	最大QM原子	反応経路
ANI / QM-n	なし(気相)	~数十	なし
SPICE (2023)	なし	~数十	なし
OMol25 (2025)	微小クラスタのみ	大	一部
BMS25 (本研究)	陽な完全溶媒シェル	487	あり(T1x)

本研究のインパクト