Chem Rev｜用机器学习研究分子系统中的非共价相互作用

文章首先介绍了非共价相互作用的类型及其在化学和生物学中的重要性，然后详细探讨了机器学习（ML）在预测和设计非共价相互作用中的应用。文章涵盖了非共价相互作用的数据集、特征化方法、预测模型以及逆向设计方法，并讨论了当前面临的挑战和未来的发展方向。通过结合机器学习的强大能力与非共价相互作用的复杂性，文章展示了这一领域在催化、药物设计、材料科学和环境化学中的巨大潜力。

非共价相互作用（NCIs）是指分子内或分子间通常较弱的吸引或排斥力，这些相互作用在化学和生物学中起着关键作用。尽管单个非共价相互作用的能量贡献较低，但它们的集体效应显著影响分子行为。例如，在生物系统中，非共价相互作用对蛋白质结构、DNA形成、酶-底物结合以及药物-靶标相互作用至关重要。然而，预测非共价相互作用具有挑战性，需要至少分子力学级别的成对能量贡献或高效的量子力学电子相关处理。近年来，机器学习（ML）在化学和物理科学中的应用取得了显著进展，尤其是在处理复杂非线性关系和整合大量实验与理论数据方面表现出色。

图1：非共价相互作用的类型。A：范德华力（vdW）的组成，包括永久偶极-偶极（Keesom力）、永久偶极-诱导偶极（Debye力）、相互诱导偶极（伦敦色散）和排斥相互作用。B：氢键的示例，展示了氢键供体和受体之间的相互作用。C：σ-空穴的分子静电势表面，红色和蓝色分别代表负电和正电区域。D：π-空穴的分子静电势表面，展示了π-空穴与电子富集位点之间的相互作用。

图2：π-π相互作用和离子对相互作用。A：π-π堆积的不同模式，包括平行位移和T形堆积。B：离子-π相互作用和π-π堆积的示例，展示了阳离子和阴离子与π电子系统的相互作用。C：蛋白质中盐桥的结构，展示了蛋白质中两个带相反电荷的氨基酸残基之间的静电相互作用。

图4：A ：前馈神经网络（FNN）架构，展示了如何通过全连接层处理分子特征以预测分子属性。B：卷积神经网络（CNN）架构，展示了如何通过卷积和池化层处理分子图像数据，最终通过全连接层输出结果。C：图神经网络（GNN）架构，展示了如何将分子表示为图结构，通过图层更新节点特征，并最终通过全连接层输出结果。

图5：A：InteractionNet的图表示，展示了如何分别用不同的卷积层处理共价键和非共价相互作用。B：InteractionNet的整体架构，展示了如何通过图卷积网络预测配体解离常数。

图6：展示了如何将蛋白质口袋和小分子表示为图结构，通过两个独立的监督GCNN进行训练，用于预测结合分类。

图7：展示了如何通过距离分箱和原子类型组合生成原子接触向量，用于预测Diels-Alder和Michael加成反应的立体选择性。

图8：展示了硫族元素相互作用的几何参数，包括Δd、α和Θ，这些参数用于定义硫族元素相互作用的倾向性描述符S。

图9：π-相互作用的凝聚参数。A：展示了π-相互作用的凝聚参数，包括环心之间的距离（Dπ）和相互作用能量（Eπ）。B：展示了π-相互作用在动力学拆分中的应用。C ：展示了π-相互作用在不对称氟化反应中的应用。

图10：常见的立体参数。A：展示了Charton参数的定义，基于最小范德华半径的差异。B：展示了Winstein-Holness A值的定义，基于取代环己烷的轴向和赤道构象的能量差异。C：展示了干扰值的定义，基于取代联苯的旋转势垒。

图11：展示了Sterimol参数的定义，包括L、B1、B2、B3、B4和B5，这些参数用于描述取代基的立体效应。

图12：A：展示了实验A值与Sterimol参数B1'之间的相关性。B：展示了A值的伦敦色散分量与极化率之间的相关性。

图13：展示了计算得到的A值与Sterimol参数B1和B5之间的相关性。

图14：展示了Pd(0)催化的二芳基化反应的示意图，用于研究π-π相互作用对立体选择性的影响。

图15：展示了DelFTa模型预测的Wiberg键级在生物大分子中的应用，包括α-螺旋中的弱氢键、RNA碱基对、β-折叠/转角中的氢键等。

图16：VmaxPred模型的特征向量。展示了VmaxPred模型的特征向量，包括正负电荷的度量、原子的电负性和孤对电子指数等。

图17：葫芦脲[7]的结构。展示了葫芦脲[7]的分子结构，用于研究其与小分子药物的主客体相互作用。

图18：TFRegNCI模型的特征可视化。展示了TFRegNCI模型的特征可视化结果，与NCIPLOT方法和相关分子轨道等值面进行了对比。

图19：基于VAE的宿主-客体复合物设计工作流程。展示了基于变分自编码器（VAE）的宿主-客体复合物设计工作流程，包括生成潜在空间、优化分子结构和翻译为SMILES表示的步骤。

本文综述了机器学习在非共价相互作用研究中的应用，强调了其在预测和设计非共价相互作用中的潜力。尽管机器学习在这一领域取得了显著进展，但仍面临数据集质量、特征化方法和训练策略等方面的挑战。未来的研究方向包括开发高质量的实验数据集、改进特征化策略、探索自监督或无监督学习方法，以及开发用于非共价相互作用设计的深度生成模型。通过这些努力，机器学习有望在非共价相互作用的研究中发挥更大的作用，推动化学和生物学领域的进一步发展。

参考资料：

https://pubs.acs.org/doi/10.1021/acs.chemrev.4c00893?ref=pdf

本文转自【计算化学前沿】公众号

感兴趣的读者，可以添加小邦微信加入 读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位或姓名-学校-职务/研究方向。