通过原子视角理解永久性静电矩:评估变分Hirshfeld方法的效果

《RSC Advances》:Permanent electrostatic moments through the lens of atoms: assessing variational Hirshfeld methods

【字体: 大 中 小 】 时间:2026年01月25日 来源:RSC Advances 4.6

编辑推荐:

  原子多极矩是许多计算模型的关键组成部分;然而,目前并没有唯一的方法来计算它们。这激发了我们的基准研究,旨在评估变分方法得出的原子磁矩在多大程度上能够近似分子磁矩,从而洞察它们捕捉电子密度的能力。我们展示了高阶原子多极矩的化学实用性,并证明了它们在多种有机和无机分子以及蛋白质片段中

  原子多极矩是许多计算模型的关键组成部分;然而,目前并没有唯一的方法来计算它们。这激发了我们的基准研究,旨在评估变分方法得出的原子磁矩在多大程度上能够近似分子磁矩,从而洞察它们捕捉电子密度的能力。我们展示了高阶原子多极矩的化学实用性,并证明了它们在多种有机和无机分子以及蛋白质片段中的构象稳定性。我们重点关注最近提出的加性变分Hirshfeld(AVH)方法,并将其性能与另外两种流行的变分Hirshfeld方法——迭代Hirshfeld(HI)和最小基组迭代Stockholder(MBIS)方法,以及电荷模型5(CM5)和通过电静力势拟合的电荷进行了比较。首先,我们发现常用的积分网格可能会引入显著的数值误差,从而削弱了原子偶极矩和四极矩定量比较的可靠性。然后,我们证明了尽管AVH电荷单独使用时可能并不总是提供最准确的分子磁矩近似值,但当考虑原子偶极矩时,它们在近似分子四极矩方面表现优于HI和MBIS。更严重的是,对于HI和MBIS来说,加入原子偶极矩有时会增加分子四极矩的误差。这些发现表明,随着多极矩阶数的增加,AVH磁矩提供了更为系统的改进。

**1 引言**

分子偶极矩、四极矩和高阶磁矩是重要的分子特性,决定了分子如何与外部电场和其他分子相互作用。这些分子磁矩源自电子电荷分布,并影响分子的物理和化学性质,如光谱跃迁强度和分子间力。准确计算这些磁矩对于可靠的量子化学模型至关重要,这也是为什么现代密度泛函发展经常使用偶极矩作为准确性的关键基准。对于一个包含M个原子核{ZA}位于{RA}的分子,以及电子密度ρmol(r),分子磁矩可以通过以下公式计算(单位为原子单位):

(1)

(2)

(3)

其中q、μ和[Q]ij分别代表分子电荷(L = 0)、分子偶极矢量(L = 1)和无迹分子四极矩矩阵的第ij个元素(L = 2);这里的L表示分子多极矩的阶数。在这项工作中,我们不考虑高于二阶的多极矩。分子磁矩通常以其原子对应物表示,即原子多极矩,这些原子多极矩是通过后处理量子化学计算得出的。这种分解在化学上是直观的,并提供了分子内部电子电荷分布的以原子为中心的描述。此外,原子多极矩是计算化学研究中的关键组成部分,例如力场开发、电静力势建模、反应性分析以及用于预测长程相互作用的机器学习方法。给定一组以相应原子核位置为中心的M个原子密度{ρA(r)},它们共同重构了分子电子密度。

分子磁矩可以用其以原子为中心的原子磁矩来表示,通过将分子密度替换为其原子密度之和(单位为原子单位):

(4)

(5)

(6)

其中NA、qA、μA和[QA]ij分别表示原子丰度、原子电荷(l = 0)、原子偶极矢量(l = 1)和无迹原子四极矩矩阵的第ij个元素(l = 2);这里的l表示原子多极矩的阶数。这显示了单个原子对分子磁矩的贡献,并表明l > L等级的原子多极矩不会对L等级的分子多极矩有贡献。虽然分子磁矩和原子磁矩之间的数学关系定义明确,但由于没有普遍接受的原子密度{ρA(r)}和原子磁矩的定义,计算这些原子项仍然是一个挑战。这促进了各种基于密度的分子内原子方案的发展,这些方案将分子电子密度详尽地划分为原子贡献。或者,可以通过使用将原子磁矩拟合到分子磁矩或电静力势的方法来绕过明确定义原子密度的需要,从而确保与整体电子分布的一致性。这些方法的缺点是,由于没有原子密度,因此无法计算其他原子属性(如体积)。现有的方法得出的原子磁矩在质量和数量上都可能存在变化,因此评估它们的相对性能是至关重要的。虽然原子电荷常用于比较不同方法,但高阶原子磁矩的研究较少。分子多极矩被用作评估原子磁矩的严格测试。原子点电荷无法捕捉电子密度的各向异性,因此即使某些方法可能合理地再现总偶极矩,它们往往无法准确表示四极矩。本研究调查了最近提出的加性变分Hirshfeld(AVH)原子磁矩在一系列有机、无机和蛋白质片段系统中如何近似分子偶极矩和四极矩。我们证明了在计算原子磁矩时,使用准确的积分网格对于获得可靠的数值结果的重要性。我们将我们的结果与数学上相关的Hirshfeld方法(迭代Hirshfeld(HI)和最小基组迭代Stockholder(MBIS)方法,以及旨在准确再现分子偶极矩和电静力势的电荷模型5和电静力势拟合电荷进行了比较。这一评估提供了对基于密度的原子磁矩的更深入洞察,指导了它们在计算建模中的发展和应用。

**2 预备知识**

2.1 Hirshfeld分子内原子

Hirshfeld方法定义了原子密度{ρA(r)},它们与称为proatoms的参考以原子为中心的密度{ρA0(r)}非常相似。对于原子A,相应的Hirshfeld原子密度定义为:

(7)

其中ρmol0(r)表示定义为以原子为中心的proatoms密度之和的分子前密度。尽管Hirshfeld在1977年通过经验提出了这种原子密度定义,但后来证明f-散度族既是必要的也是充分的,用于推导Hirshfeld原子密度。这严格建立了Hirshfeld划分方案的数学框架,突出了其普遍性,并规范了选择proatoms的变分方法的发展。Hirshfeld最初选择孤立的中性基态原子密度作为proatoms,但这种任意选择自然会导致原子电荷较小,不适合带电分子和离子化合物(例如LiH)。为了解决这个问题,许多Hirshfeld变体引入了特定于系统的proatoms,从而改进了原子密度和性质。同时,也提出了完全不使用proatoms的参考自由方法。下面,我们简要描述了本研究中使用的方法。流行的迭代Hirshfeld(HI)划分方案通过分段线性插值迭代优化proatom电荷,以匹配相应的原子电荷。最近的研究表明,这种自洽方法可以重新表述为使用非负函数最小化原子和proatom丰度之间的偏差。虽然HI是一种广泛使用的方法,但它通常依赖于高电荷的、扩散的或未结合的阴离子,这在计算上是不希望的。这导致原子密度衰减缓慢,原子电荷通常比基于化学直觉预期的要大。

2.2 变分Hirshfeld方法

利用f-散度框架,提出了两种变分Hirshfeld方法:最小基组迭代Stockholder(MBIS)和加性变分Hirshfeld(AVH)。尽管它们使用不同的proatom模型,但两种方法都优化它们的proatom参数,以最小化分子密度和分子前密度之间的扩展Kullback–Leibler散度。这保证了每个proatom模型产生的分子前密度能够紧密近似分子密度。MBIS将每个proatom表示为核心密度和价层密度的总和,每种密度都使用s型Slater函数进行建模,其宽度和丰度都进行了优化。由于存在非线性参数(即宽度),优化没有唯一解,因此MBIS需要合理的初始猜测。自2016年引入以来,MBIS已被迅速应用于广泛领域,如推导非键合力场参数、计算水合自由能、改进宿主-客体结合亲和力预测,以及为训练机器学习模型提供参考原子磁矩。

另一方面,AVH利用孤立的中性和带电参考密度的线性组合,其中系数被优化;这导致了一个具有唯一解的凸优化。AVH proatom密度表示为:

(8)

其中KA是原子A的proatom基函数数量,cA = [cA,1,cA,2,…,cA,KA]是每个基函数ρ0A,k(r)的正基系数。将K设置为1对所有原子,得到最小AVH(AVH-M),其中单个系数缩放中性参考密度。AVH-M在精神上与原始Hirshfeld方法一致。包括每个原子的所有结合态定义了结合AVH(AVH-B)。在这种方法中,所有原子的阳离子和中性proatomic基函数都被包括在内,而阴离子基函数仅在它们物理结合时才被纳入(例如,氮原子不包括阴离子)。

2.3 数据集

在这项研究中,我们考虑了包含有机和无机分子以及蛋白质片段的数据集。有机数据集包含214个分子,含有H、C、N、O、F、Si、P、S、Cl和Br原子,具有多种 hybridizations和分子拓扑结构。该数据集结合了两个先前发布的数据集:一个用于评估迭代Hirshfeld电荷在近似分子电静力势方面的性能,另一个用于对量子化学方法计算分子偶极矩和极化率与实验数据进行基准测试。Silica数据集包含248个二氧化硅簇,这些簇被精心挑选出来评估从Hirshfeld-E划分方案得出的原子电荷的可转移性及其在再现分子电静力势方面的准确性。这些簇遵循SixO2x?yH2y化学公式,包括所有可能的含有两个到八个硅原子的硅氧化物结构,这些结构遵循特定的几何和键合标准,以真实地模拟二氧化硅材料。Alanine–dipeptide数据集包括10种alanine二肽构象,用于评估受限迭代Hirshfeld方法计算的原子电荷的构象稳定性。这些构象涵盖了与生物系统相关的各种分子几何结构,ψ二面角的范围从?30°到150°,以20°的步长进行采样,每个构象的?二面角都经过变分优化。蛋白质片段包括来自200个backbone–backbone二聚体和610个sidechain–sidechain二聚体的backbone和sidechain单体,以研究π-接触相互作用的本质。编译中性单体后,我们得到了Backbone数据集,包含400种N-甲基乙酰胺构象,以及Sidechain数据集,包含790种中性氨基酸侧链,包括芳香族(130种PHE、180种TRP、70种TYR和60种HIS)和亲水族(170种ASN和180种GLN)构象。这两个数据集提供了N-甲基乙酰胺和不同侧链的构象采样。图S1显示了每个数据集中分子偶极范数的分布,突出了偶极矩的大小范围和变异性。

**3 结果与讨论**

为了定性和定量比较原子磁矩,确保它们的数值可靠性是必不可少的。第3.1节表明,虽然可以使用相对较小的分子积分网格准确计算电荷,但偶极矩和四极矩需要更细的网格才能实现数值稳定性。然后,我们评估了使用加性变分Hirshfeld(AVH)获得的数值可靠的原子磁矩的性能,并将其与其他基于Hirshfeld的方法进行了比较,包括Hirshfeld(H)、迭代Hirshfeld(HI)和最小基组迭代Stockholder(MBIS)。第3.2节和第3.3节分别研究了低阶原子磁矩在近似分子偶极矩和四极矩方面的表现,并评估了这些近似的计算稳健性。当仅使用原子电荷时,我们还将我们的结果与电荷模型5(CM5)和Hu、Lu、Yang(HLYGAt)方法进行了比较。CM5改进了Hirshfeld电荷,使其更适合评估我们的变分方法。HLYGAt提供了最能近似分子表面上电静力势的电静力拟合电荷。第3.4节进一步研究了原子磁矩在再现分子多极矩方面的构象稳定性。

**3.1 对数值积分网格的敏感性**

尽管分子磁矩可以解析计算,但计算原子磁矩需要数值积分,因此它们的准确性取决于所使用的分子网格。使用Becke–Lebedev分子网格,图1显示了改变径向和角网格点数量如何影响使用方程(1)–(3)计算分子磁矩时数值积分的准确性。研究表明,使用相对较小的积分网格可以准确再现分子电荷;然而,偶极矩和四极矩随着网格大小的增加而收敛得较慢。一般来说,为了提高精度,应该同时增加径向和角度网格点的数量。例如,如果径向网格太稀疏,仅增加角度网格点并不一定能将误差降为零;这在图1中使用仅50个径向点时得到了证明。此外,对于给定数量的径向网格点,需要不同数量的角度网格点来达到每个矩的期望精度。例如,在图1中的分子中,使用100个径向网格点时,分别需要至少170、434和974个Lebedev角度网格点才能达到10^-2的精度阈值(以德拜为单位)。图S2–S5展示了这些观察结果适用于每个数据集中的不同分子。使用不同的径向网格类型(例如,Gaussian–Chebyshev103)可以在径向和角度网格点的数量方面实现更快的收敛,特别是在较低的径向分辨率下,但总体趋势仍然相似。

在计算分子多极矩时,数值积分误差与ωB97X-D/Def2-TZVPD理论水平下的精确矩之间的收敛情况如下:对于有机数据集中的最大分子,分子电荷(左图)、分子偶极矩的y分量(中图)以及分子四极矩的yy分量(左图)。分子积分是使用Horton 2.101的指数径向网格和Becke–Lebedev角度网格进行的,采用了不同数量的径向(nrad标签)和角度(x轴)网格点。这里展示了误差最大的偶极矩和四极矩分量,而其他分子矩的分量包含在图S2中。虚线绿色线条表示在使用100个径向网格点时,达到每个多极矩误差低于10^-2所需的Lebedev角度网格点的最小数量(电荷为170个,偶极分量为434个,四极分量为974个)。这表明在计算原子偶极矩和四极矩时使用精确的数值网格的重要性,尤其是在定量比较不同方案时。在以下部分进行的计算中,我们确保分子网格的数值积分精度达到分子偶极矩的10^-3原子单位,分子电荷的10^-4原子单位;详情见第4节。

3.2

近似分子偶极矩

方程(5)将分子偶极矩分解为由原子电荷引起的电荷转移贡献和由原子偶极矩引起的极化贡献。这意味着可以使用仅包含原子电荷(l = 0)来近似分子偶极矩(L = 1):

(9)

为了评估极化贡献(l = 1)的重要性,表1报告了每个数据集的平均偶极误差,包括与精确偶极矩在大小和方向上的偏差。正如预期的那样,使用HLYGAt电荷近似的分子偶极矩与精确分子偶极矩几乎完全一致,所有数据集的平均偶极误差都小于0.05 Debye。另一方面,Hirshfeld(H)电荷的表现最差,平均偶极误差最大(Silica数据集除外),这突显了H方案中极化贡献的重要性。CM5是为了改进H电荷以再现分子偶极矩而开发的,因此它的平均偶极误差在所有数据集中都较低,除了Silica数据集,那里H电荷的表现更好。在这些数据集中,MBIS电荷在再现分子偶极矩方面的表现与CM5电荷相当,尽管它们并非为此目的而明确参数化。在HLYGAt之后,HI电荷在Backbone和Sidechain数据集中的平均偶极误差最低,但在Organic和Silica数据集中的误差高于CM5和MBIS。AVH-M为Hirshfeld原子模型引入了最小的灵活性,从而降低了平均偶极误差;然而,其性能仍然落后于CM5、HI和MBIS。使用更灵活的原子模型AVH-B电荷可以更好地描述分子偶极矩。AVH-B电荷在Silica数据集上的表现几乎完美(与ESP拟合电荷相当),在Backbone数据集上与MBIS和CM5相当,并且在Sidechain数据集上的表现与CM5相当。然而,对于Organic数据集,AVH的表现接近HI,但低于CM5和MBIS。表1显示了使用方程(9)中定义的点电荷近似分子偶极矩与在ωB97X-D/Def2-TZVPD理论水平下计算的精确分子偶极矩之间的平均偶极误差(单位为Debye)。误差定义为每个数据集中所有分子的差异向量|μexact ? μapprox|的平均范数。图S6展示了每个数据集的误差分布。

详细来看,图2显示了不同电荷模型再现分子偶极矩范数的准确性,揭示了不同数据集的总体趋势。此外,图3比较了各个数据集中每个分子的μapprox与μexact的大小和方向。对于所有数据集,HLYGAt得到的μapprox的大小和方向与参考的精确值非常吻合。这是因为ESP衍生的电荷隐含地考虑了更高阶的多极矩效应。尽管H电荷得到的近似偶极范数与精确值的相关性超过90%,但它们几乎总是低估了偶极矩的大小(Silica数据集和PHE氨基酸构象除外,这些构象的偶极矩最小)。同时,它们通常能够捕捉到正确的方向。鉴于Hirshfeld方法的电荷特性较小,这些观察结果并不令人惊讶。尽管CM5电荷仍倾向于低估偶极矩的大小,但它们的最大误差明显较小。CM5的最大|μexact ? μapprox|误差分别为Organic数据集的0.83 Debye、Silica数据集的1.18 Debye、Backbone数据集的0.52 Debye和Sidechain数据集的0.66 Debye。它们在捕捉偶极矩方向上也优于Hirshfeld电荷,除了Silica数据集和图3中的另一个例外。最大的CM5误差出现在Silica数据集,这是意料之中的,因为这些系统在用于参数化CM5的数据集中代表性不足。图2

比较了在ωB97X-D/Def2-TZVPD理论水平下计算的(a)有机、(b)硅、(c)主链和(d)侧链数据集的分子偶极矩的点电荷近似值与精确值。偶极范数以德拜(D)为单位报告,每个分割方法的R平方值也一并给出。虚线灰色线条是y = x,代表身份线。图S6通过展示每个数据集的误差分布来扩展这一分析。图3

余弦相似性与点电荷近似和精确分子偶极矩的范数差异,分别在ωB97XD/Def2-TZVPD理论水平下计算(a)有机、(b)硅、(c)主链和(d)侧链数据集。余弦相似度定义为:

测量两个向量的对齐程度。余弦相似度为1.0表示向量方向的完美对齐,这与范数差异为零一起,代表了近似偶极矩和精确偶极矩之间的理想一致性。x = 0处的虚线灰色线条突出了分子偶极矩高估和低估之间的界限,使这些偏差更加直观。MBIS电荷由于其较大的点电荷值,倾向于高估偶极矩的大小。MBIS的最大|μexact ? μapprox|误差分别为Organic数据集的1.34 Debye、Silica数据集的1.38 Debye、Backbone数据集的0.57 Debye和Sidechain数据集的0.55 Debye。然而,MBIS电荷在捕捉分子偶极矩方向方面的表现不如CM5。HI电荷也更多地高估偶极矩的大小,但有时也会低估它们。对于HI电荷,最大|μexact ? μapprox|误差分别为Organic数据集的2.08 Debye、Silica数据集的3.03 Debye、Backbone数据集的0.50 Debye和Sidechain数据集的0.69 Debye。此外,HI电荷更频繁地未能捕捉到分子偶极矩的正确方向,如图3中的Silica和Sidechain数据集所示。这表明HI电荷可能在生物分子片段中更好地捕捉偶极矩行为,但对于更广泛的化学多样性或更具极性的无机系统来说可靠性较低。总体而言,HI电荷在Silica数据集上的表现最差。与H电荷类似,AVH-M倾向于低估偶极矩范数,尽管程度较小(在Backbone和Sidechain数据集中尤为明显),并且在准确捕捉偶极矩方向方面略有改进。AVH-B电荷在Silica数据集上的表现几乎完美(与ESP拟合电荷相当),在Backbone数据集上与MBIS和CM5相当,并且在Sidechain数据集上的表现与CM5相当。然而,对于Organic数据集,AVH的表现接近HI,但低于CM5和MBIS。对于AVH-B电荷,最大|μexact ? μapprox|误差分别为Organic数据集的1.55 Debye、Silica数据集的0.25 Debye、Backbone数据集的0.59 Debye和Sidechain数据集的1.00 Debye。研究表明,偶极矩取决于所使用的理论水平。图S7评估了基于九种不同理论水平的有机数据集的分子偶极矩范数和平均偶极误差的稳健性。这表明对于所有考虑的分割方案,点电荷近似分子偶极矩的误差对理论水平不敏感。这与之前关于有机数据集的报告一致,表明当方法或基组发生变化时,原子电荷保持不变。

3.3

基于方程(6),可以使用原子电荷和偶极矩通过Q(0)approx + Q(1)approx来近似分子四极矩,其中:

(10)

添加原子四极矩项Q(2)approx后,得到总分子四极矩(包括数值积分误差),如方程(3)所定义。对于每个分子,四极矩误差由其Frobenius范数给出:

(11)

其中Qexact表示在给定理论水平下解析计算的精确分子四极矩。表2展示了使用不同分割方案的每个数据集的平均四极矩误差。结果表明,AVH方法,特别是AVH-B,在所有数据集中的一致性优于HI和MBIS。这在Backbone和Sidechain数据集中最为明显,其中AVH-B的平均误差小于0.7 Debye ?。HI产生的四极矩误差最大,甚至超过H,这表明它夸大了原子矩。令人惊讶的是,尽管在其他情况下MBIS的误差较大,但在Silica和Organic数据集中,MBIS获得的误差与AVH方法相当。图4展示了每种方案和数据集相应的四极矩误差分布。这更清楚地表明,当包括原子偶极矩时,AVH-B的误差分布始终小几个数量级。这表明在包括原子偶极矩时AVH-B的性能更优越,并表明HI和MBIS方法的原子四极矩往往显著且不应被忽视。表2

使用方程(10)中定义的原子电荷和原子偶极矩Q(0)approx + Q(1)approx来近似分子四极矩的平均四极矩误差(单位为Debye??),在ωB97X-D/Def2-TZVPD理论水平下计算。误差是使用方程(11)为每个分子计算,然后对每个数据集中的所有分子进行平均。CM5和HLYGAt完全是基于电荷的模型,因此不能用于这种近似

方案
有机
硅
主链
侧链

H
0.983
0.573
0.774
0.934

AVH-M
1.001
0.468
0.795
1.044

AVH-B
0.667
0.326
0.236
0.382

HI
1.407
3.040
1.296
2.032

MBIS
0.879
0.398
2.100
2.992

图4

在使用方程(10)中定义的原子电荷和偶极矩Q(0)approx + Q(1)approx来近似分子四极矩时(单位为Debye ?)的误差分布,分别在ωB97X-D/Def2-TZVPD理论水平下计算(a)有机、(b)硅、(c)主链和(d)侧链数据集。对于每个分子,误差是通过计算全差异矩阵 |Qexact ? Qapprox| 的弗罗贝尼乌斯范数(Frobenius norm)来确定的,该矩阵在方程(11)中有所定义。图例中提供的平均绝对误差(MAE)值与表2相匹配。此外,表S1展示了仅使用原子电荷(表示为 Q(0)approx)时每个数据集的四极矩近似误差。在这种情况下,HI和MBIS的平均误差最低,除了Silica数据集外,AVH-M和AVH-B的误差小几个数量级。这与第3.2节的结果一致,其中使用原子电荷来近似分子偶极矩,进一步证实了HI和MBIS电荷通常较大的幅度导致更高阶矩的点电荷近似更为准确。同样,ESP拟合的电荷表现出最低的误差,而CM5电荷的性能与MBIS电荷相当。Hirshfeld电荷在大多数数据集中的平均误差始终较高,除了Silica数据集,在该数据集中它们的表现优于HI和MBIS,并且与AVH相当。尽管包括原子偶极矩可以减少总体误差分布并降低其平均值,但这种趋势并不总是适用于单个分子。对于某些分子,Q(0)approx + Q(1)approx 的近似可能产生活比单独使用 Q(0)approx 更大的误差。对于每种方案,表S2报告了在包括原子偶极矩时误差增加的分子百分比。这些收敛异常在HI和MBIS中更为常见,而在AVH方法中则显著较少。图S9显示,分子四极矩本身在某种程度上对理论水平敏感,特别是在使用小基组(例如,def2-SVPD)或Hartree–Fock方法时。Q(0)approx 的平均四极矩误差对所使用的理论水平相对不敏感。这也反映在图S10中原子电荷的计算稳健性上。然而,Q(0)approx + Q(1)approx 的平均四极矩误差对理论水平的变异性更大,尤其是在使用小基组时。这种变异在HI方案中最为明显,H、AVH-M和AVH-B则程度上较低。这种敏感性的一个可能原因是这些分割方案使用了带负电的原子(proatoms),这些原子的计算使用与分子计算相同理论水平。HI观察到的增加敏感性与其原子偶极矩和四极矩的行为一致,如图S10所示,它们受理论水平的影响更大。具体来说,HI中常用的带负电的原子密度的渐近衰减已知对理论水平的变异性更大。在其他方法中这种效应不那么明显,因为它们要么不依赖于带负电的原子(例如,H和AVH-M),要么只使用物理结合的阴离子作为原子(例如,AVH-B)。MBIS对理论水平的依赖性最小,因为它不依赖于原子。这些观察结果支持了对于依赖原子的方案使用固定原子密度的想法,以提高它们的计算稳健性。

3.4

构象稳定性

丙氨酸二肽构象的分子偶极矩范数随着二面角的变化而显著变化,范围从超过6德拜到小于2德拜(见图S1)。图5显示,第3.2节和第3.3节中介绍的偶极矩和四极矩近似误差随分子构象的平滑变化。这是预期的,因为对于大多数分割方案,原子电荷、原子偶极矩范数和原子四极矩范数在10种构象中基本保持稳定(见图S10–S12)。对于所有方案,除了HLYGAt,值得注意的是,具有较大分子偶极矩的构象的偶极矩近似误差更大(见图S1)。虽然HLYGAt电荷对构象变化非常敏感(见图S10),但在近似分子偶极矩时它们产生最低且构象稳定性最高的误差(见图5左侧的图表)。对于其他方案,偶极矩误差对构象变化的敏感性更大,特别是H、AVH-M和MBIS,在二面角扫描过程中显示出明显的偶极矩近似误差变化。AVH-B和CM5电荷的表现非常相似,在ψ = 70°之后超过HI的准确性。图5

使用各种原子分割方案对丙氨酸-二肽构象的偶极矩和四极矩近似的构象敏感性:(左)分子偶极矩与使用原子电荷近似得到的偶极矩之间的差异范数(|μexact ? μapprox|),以及(右)分子四极矩与包括单极子和偶极子的近似之间的差异的弗罗贝尼乌斯范数(|Qexact ? (Q(0)approx + Q(1)approx)|)。误差作为ψ二面角的函数在十个构象中显示。在使用原子电荷和偶极子近似分子四极矩时(见图5右侧的图表),HI方案显示出最大的误差,而AVH-B产生的误差小几个数量级。MBIS的误差略高于AVH-B。这些结果与表2中的结果一致。AVH-B表现出稳健的性能,在同时考虑电荷和偶极矩时实现了最低的四极矩误差,并且在构象空间中保持稳定。

4

计算细节

每个数据集的分子几何结构都是从相应的原始文章中获得的。只有在Organic数据集中的结构在不受限制的ωB97XD/Def2-SVPD理论水平上进行了优化,而所有其他数据集的XYZ笛卡尔坐标则按提供的方式使用。所有数据集都使用(不受限制的)ωB97X-D/def2-TZVPD理论水平进行了单点气相计算。结合增强型三ζ基组的混合泛函已被证明能够在基准研究中准确预测分子偶极矩。3,5,105 为了评估Organic数据集的计算稳健性,还使用了Hartree–Fock(HF)和两种密度泛函理论(DFT)近似(B3LYP104,106,107和ωB97XD108)结合def2-SVPD、def2-TZVPD和def2-QZVPD基组进行了额外的单点气相计算109。所有量子化学计算都是使用Gaussian16(版本C.01)110来获得波函数和HLYGAt及CM5电荷。在Gaussian输入文件中使用了Symmetry=None关键字,该关键字使用(0, 0, 0)原点来计算分子多极矩。得到的格式化检查点文件用于使用免费和开源的HORTON 2,101 ChemTools,111,112 IOData,113 Grid,103 GBasis,114,115和DensPart库来计算各种原子电荷。所有数据集的原子密度都是在与分子相同理论水平上的“insane”Becke–Lebedev网格上计算的。然而,要达到10?3(以原子单位计)的分子偶极分量的数值积分精度,每个数据集需要不同的积分网格规格。我们最初对所有数据库使用了“insane”分子积分网格,如果未达到这个精度阈值,则进一步增加了网格大小。例如,这对于Silica数据集和Organic数据集中的大多数分子是足够的,除了最大的那个(见图1),对于它使用了“exp: 5 × 10?4?:?5 × 101?:?125?:?974”分子网格。对于Backbone数据集,400个N-甲基乙酰胺单体中的38个需要更大的网格;我们使用了“exp: 5 × 10?4?:?3 × 101?:?150?:?1202”来达到所需的数值精度。对于Sidechain数据集,只有790个单体中的129个需要“exp: 5 × 10?4?:?3 × 101?:?150?:?1202”网格的增加,其余14个需要“exp: 5 × 10?4?:?3 × 101?:?200?:?2030”规格。在计算原子属性时,除了MBIS之外的所有Hirshfeld方法都使用了完整的分子积分网格,消除了额外的数值误差。为了最小化AVH算法中的扩展KL散度,我们使用了SciPy116中的顺序最小二乘法(SLSQP)算法,终止容忍度为1.0 × 10?6。原子的初始猜测是在0到1之间随机选择的:这不影响我们的结果,因为AVH优化是凸的,但随机选择证明了我们程序的数值稳健性。对于所有基于Hirshfeld的方法,中性和带电原子的密度都是在与分子相同的理论水平上计算的。

5

结论

捕捉电子密度的各向异性需要超越原子电荷,包括更高阶的原子矩。通过系统地评估基于变分的Hirshfeld方案,本研究评估了原子矩在近似分子偶极矩和四极矩方面的稳健性和实际用途,涵盖了多种有机、无机和蛋白质片段系统。我们特别强调了计算原子矩时经常被忽视的一个方面:在定性和定量比较它们之前,验证它们的数值准确性是必不可少的,这取决于所使用的分子积分网格。我们的分析表明,当使用原子电荷近似分子偶极矩时,AVH-B方案在Silica数据集中的表现优于其他方法,包括CM5,并且在其余数据集中表现出相当或略低的准确性。使用原子电荷和偶极矩近似分子四极矩时,AVH-B的表现始终更优,表明其收敛更平滑、更快。此外,对于大多数分子,在AVH框架中添加偶极矩可以减少四极矩误差,而HI和MBIS则经常显示出相反的趋势。这些结果将AVH-B定位为一个有前途的框架,用于力场开发,使得可以直接从量子化学计算中而不是通过经验拟合推导出更高阶的静电参数。我们的结论的计算稳健性使用了在九个理论水平上评估的Organic数据集进行了测试。原子电荷及其得到的分子偶极矩和四极矩近似在方法和基组之间大体上是稳定的,而原子偶极矩和四极矩显示出更大的变异性,其中HI最为敏感。使用丙氨酸-二肽构象评估的构象稳定性显示,尽管分子偶极矩范数随着二面角的变化而显著变化,但原子矩相对不受影响。基于电荷的偶极矩和四极矩近似随构象平滑变化,而在四极矩近似中包含偶极矩可以使AVH-B和MBIS的误差稳定,但使HI的误差增加。我们的结果挑战了通常的假设,即提供最佳原子电荷的方案也产生最可靠的高阶多极矩;实际上,并非总是如此。基于这些结果,我们提出AVH-B作为一个更可靠的参考方案,用于计算原子矩,以开发下一代力场和机器学习模型。

作者贡献

所有作者都审查并批准了最终的手稿。Maximilian van Zyl参与了方法论、软件、数据管理、正式分析、可视化、写作-审阅和编辑、调查以及项目管理;Carlos Castillo-Orellana参与了数据管理、正式分析、可视化、验证以及写作-审阅和编辑;Leila Pujal参与了数据管理、写作-审阅和编辑;Farnaz Heidar-Zadeh参与了概念化、方法论、正式分析、可视化、写作-原始草案、项目管理、资金获取和资源获取。

利益冲突

没有需要声明的利益冲突。

数据可用性

“计算细节”部分描述了用于构建数据库和计算原子矩的软件和免费/开源代码(附有适当的引用)。本研究的所有数值数据和输入/输出文件均可根据请求向相应的作者索取。补充信息(SI):遵循主论文的结构,其中包括支持我们讨论的额外图表,以及对我们发现计算稳健性的评估。详见DOI: https://doi.org/10.1039/d5ra07866k。

致谢

M. V. 感谢加拿大自然科学与工程研究委员会(NSERC)和安大略省研究生奖学金(OGS)计划提供的支持。C. CO. 感谢美洲新兴领袖计划(ELAP)的支持。F. H. 感谢NSERC提供的发现Grant和女王大学提供的研究启动Grant的支持。这项研究部分得到了女王大学高级计算中心(cac.queensu.ca)、Compute Ontario(computeontario.ca)和加拿大数字研究联盟(alliancecan.ca)的支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号