溶媒込みのニューラルネットワークポテンシャルで、リガンド歪みをライブラリ規模で見積もる
- 従来の歪みエネルギー推定は気相の単一極小構造を基準にするため、溶媒を無視し、真空中で分子内静電相互作用によりコンパクトに潰れる荷電リガンドを歪めて評価する。
- AIMNet2-CPCMは、連続溶媒中のDFTレベルのエネルギーと力で学習したニューラルネットワークポテンシャルで、中性種と荷電種を同じ枠組みで扱う。
- GPUのバッチ推論により、スクリーニングライブラリ全体で溶媒込みの大域的極小探索が現実的になる。
- 約8,000件のPDBリガンドでは、溶媒込みの歪みは正味電荷とともに増加し、その傾向は電荷−2まで安定している。
💡 ポイント
歪みフィルターの精度は結合していない側の基準状態で決まる。双性イオンが真空中で塩橋を作って折りたたまれるのを見たことがあれば、気相の数値が誤解を招く理由は明らかだ。ライブラリのトリアージに使える速度の、溶媒・電荷対応ポテンシャルは、ドッキング後のフィルターに実際に組み込みたい。ただし負電荷が大きい領域では信頼性が下がり、これは酸やリン酸基を持つ分子で効いてくる。