利用数据驱动的几何图神经网络对反应场能量进行端到端建模

《Journal of Chemical Theory and Computation》：End-to-End Modeling of Reaction Field Energy Using Data-Driven Geometric Graph Neural Networks

静电相互作用是生物大分子结构、动态和功能的基础，传统PB方程求解在大系统计算中效率低下，而GB模型虽高效但精度不足。本研究提出PBGNN框架，通过几何图神经网络直接近似PB静电能，引入电荷加权均方误差优化目标提升收敛性，在AMBER PBSA和PBSMALL数据集上验证其线性计算复杂度、高精度预测（尤其大分子复合物和小分子药物靶点）及开源代码库的实用性。

　　

静电相互作用是生物分子结构、动态和功能的基础，在蛋白质-配体结合、酶催化和核酸调控等领域具有广泛的应用。泊松-玻尔兹曼（Poisson–Boltzmann, PB）方程为这些相互作用提供了一个基于物理原理的建模框架。然而，对于大型且复杂的生物分子系统来说，求解PB方程在计算上仍然非常耗费资源，因为传统的数值求解方法随着系统规模的增加而效率显著降低。虽然广义玻恩（Generalized Born, GB）模型在计算效率上有所提升，但其准确性相对较低。为了克服这些限制，我们提出了PBGNN（PBGNN），这是一种端到端的新型框架，它利用数据驱动的几何图神经网络直接近似PB静电能量，而无需依赖GB模型。PBGNN采用原子电荷的正弦嵌入方式，并结合消息传递架构来高效捕捉大型生物分子中的长程相互作用。为了解决由于原子静电势高方差导致的训练不稳定问题，我们引入了基于电荷加权的均方误差（charge-weighted mean squared error, CMSE）优化目标，从而提高了收敛速度。我们在AMBER PBSA套件以及专为药物发现领域的小分子静电特性评估设计的新数据集PBSMALL上对PBGNN进行了性能测试。测试结果表明，PBGNN能够在保持线性计算复杂度的同时，始终实现高精度的PB能量预测。此外，它还能为大型生物分子复合物和小分子数据集提供可靠且精确的PB自由能预测，展示了其在需要精确小分子静电建模的药物发现任务中的强大通用性、可扩展性和潜在应用价值。全面的消融研究进一步揭示了架构组件（如几何表示、目标函数设计和截断策略）的影响，为未来的研究方向提供了参考。最后，我们将PBGNN作为一个开源的、自包含的代码库发布，同时提供了预处理的数据集以及完整的训练和评估流程，以支持可扩展且精确的静电分析，从而促进相关领域的研究进展。