溶液中や酵素の活性部位など、複雑な環境内での化学反応を正確にシミュレーションすることは、計算化学における重要な課題です。量子化学（QM）計算は反応領域に対して高い精度を提供しますが、その計算コストは巨大な系には適用不可能です。逆に、古典的な分子力学（MM）計算は効率的ですが、反応中に起こる電子状態の変化を記述することができません。ハイブリッドQM/MM法は、重要で小さな領域をQMで、その周囲の広大な環境をMMで取り扱うことで、この問題に対する妥協点を与えます。しかし、QM領域とMM領域の間の相互作用を正確かつ効率的に記述することが、主要なボトルネックとなっています。
この課題に取り組むため、私たちは機械学習（ML）をQM/MMの枠組みに統合した新しい手法を開発しています。この「ML/MM」アプローチは、分極効果や長距離の静電効果を含む、QM部分とMM部分の間の複雑な相互作用を忠実に再現できる、非常に高精度で計算効率の良いポテンシャルエネルギー関数を作成することを目指しています。
私たちの研究は2つの点を当てています。第一に、QM/MMポテンシャルのための同変マルチスケールモデルを開発しました。このモデルは、静電演算子のテイラー展開から得られる高次の静電項を系統的に組み込むことで、複雑な多体分極効果を捉えることができます。これを長距離のクーロンモデルと組み合わせることで、私たちの手法は高い予測精度を達成し、様々な溶媒環境に対して優れた転移性を示します。これは、異なる媒質中での反応を研究する上で極めて重要な特徴です [1]。
第二に、これらのML/MMモデルの学習効率を向上させるための継続学習戦略を導入しました。一連の関連する化学反応や酵素反応を研究する際、従来の手法では系ごとに新しいモデルをゼロから学習させる必要があり、計算コストが膨大でした。私たちの継続学習アプローチは、モデルが以前に学習した系の知識を「記憶」し、それを基に学習を進めることを可能にします。これにより、学習コストと時間が劇的に削減されるだけでなく、新しい系に対するシミュレーションの安定性と精度も向上します。私たちはこの戦略を、異なる溶媒中でのSN2反応や複雑な酵素反応のモデリングに成功裏に適用し、その能力と汎用性を実証しました [2]。
これらの開発により、私たちは化学・生物学プロセスをより高精度かつ手軽に予測できるシミュレーション手法の実現に近づいています。こうした先進的なML/MM法は、新規触媒の発見や創薬研究を加速するとともに、化学反応や生体分子機能のメカニズムに対する基礎的な理解を深めることに貢献すると期待されています。
Lei, Y.-K., Yagi, K., and Sugita, Y. J. Chem. Phys. 160, 214109 (2024). https://doi.org/10.1063/5.0205123
Lei, Y.-K., Yagi, K., and Sugita, Y. J. Chem. Theory Comput. 21, 2695 (2024). https://doi.org/10.1021/acs.jctc.4c01393