Akkurate molekular-mechanische Kraftfelder mittels Daten-getriebenen Parameter Typen Definitionen

• Antragsteller: Dr. Tobias Hüfner
• Fachliche Zuordnung: Theoretische Chemie: Elektronenstruktur, Dynamik, Simulation ; Biophysik ; Computergestütztes Werkstoffdesign und Simulation von Werkstoffverhalten von atomistischer bis mikroskopischer Skala
• Förderung: Förderung von 2021 bis 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 462118539

Molekulare Prozesse sind komplex und nur ein Bruchteil ihrer Details ist über experimentelle Methoden zugänglich. Jedoch gibt es Anwendungen in welchen die Vorhersage dieser molekularen Details von großem Interesse ist. Insbesondere atomistische Simulationen haben zunehmend an Bedeutung gewonnen um die Eigenschaften und Wechselwirkungen von (Bio)molekülen zu untersuchen. Obwohl diese Simulationen aus theoretischer Sicht fundiert sein können, sind sie nicht unbedingt genau. Dabei ist eine Hauptfehlerquelle das molekularmechanische Kraftfeld, mit welchem die atomaren Kräfte für eine gegebene Molekülstruktur berechnet werden. Ein großes Hindernis zur Verbesserung von Kraftfeldern ist die mangelnde Genauigkeit, mit welcher Atome in Kategorien eingeteilt werden um ihnen die richtigen Kraftfeldparameter zuzuordnen. Diese Kategorien, die Parametertypen genannt werden, gruppieren ähnliche chemische Umgebungen (d. h. Substrukturen) und weisen den Atomen in diesen chemischen Umgebungen einen gemeinsamen Satz von Parametern zu. Um eine Überanpassung zu vermeiden und die Parameteroptimierung zu erleichtern, sollte die Anzahl der Parametertypen so gering wie möglich sein und dennoch eine gute Übereinstimmung zwischen berechneten und Referenzmoleküleigenschaften (experimentelle oder quantenchemische Daten) ermöglichen. In der Vergangenheit wurden Parametertypen jedoch weitgehend ad hoc definiert. Dies verhindert die rigorose Optimierung von Kraftfeldparametern, sobald neue Referenzdaten verfügbar werden. In dem vorliegenden Projekt erarbeite ich einen neuartigen Ansatz, der die oben genannten Nachteile mittels einer kombinierten daten-getriebenen Optimierung von Parametertypen und Parameterwerten überwindet. Dieser Ansatz unterscheidet sich fundamental von bestehenden Ansätzen zur Kraftfeldoptimierung, in welchen nur Parameterwerte angepasst oder ad hoc Parametertypen hinzugefügt wurden. In meinem Projekt werden Bayes'sche Inferenz und Monte Carlo Algorithmen verwendet um akkurate Kraftfelder mit so wenigen Parametertypen wie nötig zu erhalten. In jedem Schritt des Monte Carlo Algorithmus werden vorhandene Parametertypen entweder zusammengeführt oder zerteilt. Da die Anzahl der möglichen Zusammenführungs- oder Zerteilungsoperationen sehr groß ist, werden Parametertypen durch atomare Merkmale auf Quantenebene dargestellt, wodurch eine effiziente berechenbare physikalische Beschreibung für eine gegebene chemische Umgebung möglich ist. Die Signifikanz dieser Arbeit liegt in einem grundlegend neuen Weg zum rigorosen Aufbau von Kraftfeldern, welcher sich nicht auf bestimmte funktionale Formen oder Anwendungsbereiche des Kraftfeldes beschränkt. Darüber hinaus können die Kraftfelder leicht erweitert werden, sobald neue Referenzdaten verfügbar werden- ein wichtiger Aspekt in der Werkstoff- und Wirkstoffentwicklung. Abschließend wird die Signifikanz des Projekts dadurch maximiert, dass die entwickelten Methoden in ein Open-Source Python Paket implementiert werden.

• DFG-Verfahren: WBP Stipendium
• Internationaler Bezug: USA
• Gastgeber: Professor Michael Gilson, Ph.D.