機械学習に基づく新しい手法により、巨大分子でも分子コンフォマーの探索に有望な結果が得られた A new method based on machine learning yields promising results when searching for molecular conformers even in large molecules
2022-08-25 フィンランド・アールト大学
分子コンフォーマー探索は、計算化学、ドラッグデザイン、材料科学において非常に重要なテーマである。課題は、そもそも低エネルギーのコンフォーマーを同定することである。この難しさは、探索空間が非常に複雑であることと、正確な量子化学的手法に伴う計算コストから生じている。従来、コンフォーマー探索には多大な時間と計算資源が必要であった。
この課題に取り組むため、低次元潜在空間における分子コンフォマー探索を行う可能性を探りました。この方法は、生成モデルである変分オートエンコーダ（VAE）を用い、低エネルギーの分子配置にVAEをバイアスして、より情報量の多いデータを生成するものです。これにより、低エネルギーポテンシャル面を効果的に学習し、関連する分子コンフォマーを同定することができた。
＜関連情報＞
- https://www.aalto.fi/en/news/new-lols-machine-learning-approach-facilitates-molecular-conformer-search-in-complex-molecules
- https://pubs.acs.org/doi/10.1021/acs.jctc.2c00290
低エネルギー潜在空間による分子コンフォーマー探索 Molecular Conformer Search with Low-Energy Latent Space
Xiaomi Guo, Lincan Fang, Yong Xu, Wenhui Duan, Patrick Rinke, Milica Todorović*, and Xi Chen
The Journal of Chemical Theory and Computation Published:June 13, 2022
DOI:https://doi.org/10.1021/acs.jctc.2c00290
Abstract
Identifying low-energy conformers with quantum mechanical accuracy for molecules with many degrees of freedom is challenging. In this work, we use the molecular dihedral angles as features and explore the possibility of performing molecular conformer search in a latent space with a generative model named variational auto-encoder (VAE). We bias the VAE towards low-energy molecular configurations to generate more informative data. In this way, we can effectively build a reliable energy model for the low-energy potential energy surface. After the energy model has been built, we extract local-minimum conformations and refine them with structure optimization. We have tested and benchmarked our low-energy latent-space (LOLS) structure search method on organic molecules with 5–9 searching dimensions. Our results agree with previous studies.
