Точное предсказание межмолекулярных взаимодействий трёх тел с помощью машинного обучения на основе электронной деформационной плотности

В данной работе дескриптор на основе электронной деформационной плотности, первоначально разработанный в алгоритме машинного обучения энергии взаимодействия на основе электронной деформационной плотности (EDDIE-ML) для предсказания энергий взаимодействия димеров, расширен для предсказания трёхчастичных взаимодействий в тримерах. При последовательном отборе обучающих данных полученная модель гауссовской процессной регрессии (GPR) предсказывает энергию трёхчастичного взаимодействия с точностью до 0,2 ккал моль−1 относительно опорных значений SRS-MP2/cc-pVTZ для наборов данных тримеров 3B69 и S22-3. Введена гибридная ядерная функция, объединяющая вклады от усреднённых и индивидуальных атомных окружений, что позволяет с помощью одного и того же дескриптора предсказывать как полную энергию взаимодействия тримера, так и трёхчастичный вклад. Для расширения диапазона и разнообразия энергий взаимодействия тримеров, представленных в литературе, предложен новый набор данных на основе кристаллической структуры белок–лиганд, включающий 509 структур центрального лиганда с двумя фрагментами белка. Для нового набора данных приведены эталонные расчёты; он содержит значительно более сильные молекулярные взаимодействия, чем существующие базы данных, а также заряженные фрагменты. По сравнению с методами теории функционала плотности (DFT) и волновой функции для расчёта энергии трёхчастичного взаимодействия наша модель выполняет предсказания за значительно меньшее время, сокращая число необходимых расчётов самосогласованного поля (SCF) с 7 до 4, выполненных на уровне теории PBE0, что демонстрирует практическую ценность и эффективность метода Δ-ML, особенно при его применении к крупным системам.