《Chemical Science》：Training a force field for proteins and small molecules from scratchOpen Access
编辑推荐：
以下是论文摘要的专业翻译：
分子动力学（molecular dynamics, MD）的力场通常依赖人工开发，这限制了其可迁移性，也使系统性地探索函数形式面临挑战。研究人员开发了一种图神经网络（graph neural network, GNN），通过连续原子
以下是论文摘要的专业翻译：
分子动力学（molecular dynamics, MD）的力场通常依赖人工开发，这限制了其可迁移性，也使系统性地探索函数形式面临挑战。研究人员开发了一种图神经网络（graph neural network, GNN），通过连续原子类型（continuous atom typing）为多种分子赋予全部力场参数。该免费可用的模型名为Garnet，其训练数据涵盖量子力学（quantum mechanical, QM）、凝聚相及蛋白质核磁共振（nuclear magnetic resonance, NMR）数据，且未使用任何现有参数。由此产生的力场在小分子、折叠蛋白、蛋白复合物及无序蛋白上的表现与当前主流力场相当。在一系列靶标上，该力场在相对结合自由能（relative binding free energy, RBFE）预测方面取得了与主流方法相似的结果。对不同函数形式的评估表明，双指数势能（double exponential potential）是伦纳德-琼斯势能（Lennard-Jones potential）的一种灵活且准确的替代方案。Garnet为自动化、可复现的力场发现提供了平台，将机器学习的优势引入经典力场领域。
以下是根据论文主体内容撰写的约1500字解读文章：
一、研究背景与问题
分子动力学模拟在原子层面理解生物学过程中发挥着重要作用，其准确性高度依赖于所使用的力场。数十年来，力场主要依靠人工调参来拟合量子力学和实验参考数据。这种针对特定体系进行精细优化的方式带来了一系列缺陷：其一，缺乏对所有目标分子类型采用统一参数化方案的准确“通用”力场；其二，对 intrinsically disordered proteins（IDPs，固有无序蛋白）或淀粉样蛋白等研究较少的分子类型表现不佳；其三，缺乏无需人工干预即可运行的可复现训练流程。此外，分子力学力场的函数形式数十年来几乎没有改变，这在很大程度上限制了结合自由能预测等应用的精度提升。因此，开发一种自动化、可迁移且能从头训练完整力场的方法成为当务之急。
二、研究内容与结论
针对上述问题，研究人员提出了Garnet模型。该模型受Espaloma启发，但做出了多项关键改进：训练过程中通过运行模拟，将汽化焓/混合焓及蛋白质核磁共振数据与DFT数据共同作为优化目标；探索了不同的函数形式；将DFT力拆分为分子内和分子间贡献分别训练；水分子未作特殊处理，其参数由模型从头训练；采用更浅的神经网络以降低过拟合风险；使用了更多的DFT数据。这些改进使力场的所有参数均可从头训练，无需复用任何传统力场参数。
研究发现，伦纳德-琼斯函数形式在训练至运行模拟阶段时会出现不稳定，而双指数势能在OpenMM中仅比伦纳德-琼斯慢15–20%，且能够成功训练出准确力场。训练得到的双指数势能σ和ε参数范围与现有力场相似，碳原子参数因化学环境不同呈现多样性，氢原子ε值较低表明模型认为氢原子不参与这类相互作用是有利的。
三、关键技术方法
研究人员主要采用了以下关键技术方法：一是构建了两层GraphSAGE卷积层的图神经网络，接收原子输入特征（包括元素、形式电荷、芳香性、键连原子数等），通过连续原子类型预测全部力场参数；二是采用Janossy池化以顺序无关方式获得键、角、二面角嵌入；三是利用系综重加权（ensemble reweighting）技术，通过运行分子动力学模拟将凝聚相实验数据（如汽化焓、NMR标量耦合常数）纳入训练目标；四是使用Molly.jl软件进行训练，并借助OpenMM的自定义力接口实现双指数势能等非标准函数形式。训练数据主要来自SPICE数据集（包含DFT能量、力和部分电荷），以及GB3蛋白的NMR数据。
四、研究结果
小分子基准测试：在SPICE数据集留出子集上，Garnet的力误差和势能差误差均低于Espaloma，远低于OpenFF 2.2.1，但仍高于机器学习原子间势MACE-OFF23。在OpenFF Industry Benchmark数据集的结构最小化测试中，Garnet与Espaloma表现相当且优于OpenFF。在偶极矩评估中，Garnet因拟合MBIS部分电荷而略显过极化。在凝聚相性质预测方面，Garnet预测汽化焓的RMSE为4.29 kcal mol?1，密度RMSE为0.13 g mL?1，均高于OpenFF-2.2.1，且倾向于高估两者，表明分子间吸引相互作用强度被高估。
蛋白质基准测试：四种具有NMR数据的折叠蛋白（GB3、BPTI、HEWL、泛素）在5微秒模拟中保持稳定，RMSD通常低于3 ?。在氢键相关标量耦合和三维键标量耦合的预测误差方面，Garnet与Amber14SB和Espaloma表现相当。四个蛋白复合物（barnase/barstar、CD2/CD58、colE7/Im7、SGPB/OMTKY3）在Garnet力场下保持稳定，表明学习到的分子间相互作用足以维持复合物结构。对于四种IDPs，Garnet存在过度压缩现象（回转半径偏小），但比Amber14SB轻，且二级结构偏好与实验吻合更好。Garnet水模型的体相性质与TIP3P相近，但介电常数因电荷过极化而偏大。
相对结合自由能基准测试：在8个蛋白-配体系上，Garnet的ΔΔG_bind预测RMSE平均为1.66 kcal mol?1，与OpenFE（1.50 kcal mol?1）相当，略逊于FEP+（1.15 kcal mol?1）。在Kendall's τ排序相关性和最强结合配体识别（FBL指标）方面，Garnet与OpenFE和FEP+表现相近。
不同函数形式评估：双指数势能和buffered 14–7势能均能成功训练且损失相近；伦纳德-琼斯6–9势能可训练但分子间力损失较高；Buckingham势能和Morse势能训练不稳定；Urey-Bradley角势能可训练但未带来改进；几何组合规则与Lorentz–Berthelot规则表现相似。
五、讨论与结论
研究人员指出，通过采用两跳感受野的GNN和浅层神经网络，有效降低了过拟合风险，模型总参数约20.7万，与CHARMM36参数规模相当。自动化训练避免了人工调参中维持蛋白质稳定折叠的偏差，使Garnet在IDPs上表现优于许多传统力场。双指数势能相比伦纳德-琼斯更易于自动化训练，未来可探索更复杂的价键项、CMAP扭转修正和极化效应等。研究人员强调，虽然机器学习原子间势在精度上仍领先，但经典力场在速度上具有数量级优势，且自动化训练为力场发现提供了快速迭代的平台。下一步将扩展至核酸、脂质、金属、碳水化合物等更多生物相关分子类型，朝着通用、准确的力场目标迈进。
