代码仓库：
https://github.com/bytedance/byteff
研究背景：
在药物发现过程中，识别潜在的治疗候选分子是一个至关重要的环节。而分子动力学（MD）模拟作为一种关键技术，能够提供分子动态行为、物理特性以及分子间相互作用的深刻见解。分子力场作为MD模拟的核心组成部分，直接影响着模拟的准确性和可靠性。传统的分子力场（MMFFs）虽然具有计算效率高的优点，但受限于其固定的函数形式，在模拟复杂分子时往往精度不足。近年来，合成化学和高通量筛选技术的进步，使得类药物分子的化学空间迅速扩展，这对分子力场提出了更高的要求，需要能够准确预测更广泛分子的势能面（PES）。来自字节跳动研究院的科研团队，近期在分子动力学模拟领域取得了重要进展。他们开发了一种名为ByteFF的新型数据驱动的分子力场参数化方法，能够为类药物分子提供更广泛的化学空间覆盖和更高的精度，为计算药物发现的多个阶段提供了有价值的工具。该研究成果已发表在arXiv预印本平台，引起了学界的广泛关注。
研究方法：
为了应对这一挑战，研究团队采用了现代数据驱动的方法，开发了ByteFF。该方法主要包括以下步骤：
构建大规模、高多样性的量子力学（QM）数据集：研究人员使用B3LYP-D3(BJ)/DZVP级别的理论，生成了一个包含240万个优化分子片段几何结构和相应Hessian矩阵以及320万个扭转构象分布的大规模、高多样性分子数据集。该数据集涵盖了类药物分子中常见的各种结构和官能团，为模型的训练提供了坚实的基础。
开发对称性保持的分子图神经网络（GNN）：基于该数据集，研究人员训练了一个边缘增强的、对称性保持的分子图神经网络。该网络能够充分利用分子中的原子和键特征，同时保留分子对称性。
设计巧妙的训练策略：为了有效利用数据集并提升ByteFF的鲁棒性和性能，研究团队采用了三阶段的训练策略：预训练、训练和微调。
预训练阶段：通过最小化均方误差（MSE）损失，将非键参数和正确扭转的力常数拟合到GAFF-2.2力场。利用优化数据集使用基于能量的损失函数拟合键合参数的平衡值，并使用部分Hessian损失函数训练键合项的力常数。
训练阶段：为了拟合正确扭转的力常数，研究团队采用了Boltzmann MSE损失函数，并使用优化数据集训练其他参数。在这个阶段，QM优化后的几何结构在扭转角度受限的情况下，被力场重新优化，参数被训练到优化和扭转数据集。
微调阶段：将部分来自Espaloma-0.3.0的“非平衡数据集”纳入其中，用QM能量和力来微调力场参数。
研究结果：
通过一系列基准测试，研究人员展示了ByteFF在以下方面的卓越性能：
出色的扭转势能面（PES）预测能力：与其他力场相比，ByteFF在各种基准数据集上均表现出最佳性能，能够准确预测弛豫几何结构、扭转能量分布以及构象能量和力。在TorsionNet500数据集上，大多数ByteFF预测的Boltzmann RMSE都在0.5 kcal/mol以内，展示了其卓越的扭转能量剖面预测精度。
准确预测平衡构象：在OpenFFBenchmark数据集的测试中，ByteFF的预测结果与QM参考值高度一致，证明了其准确预测分子平衡构象的能力。ByteFF的RMSD和TFD值都集中在零附近，且分布更窄，显示出更高的与QM优化的分子构象的一致性，并且ΔΔE分布峰值也更接近0，说明该模型成功地再现了构象异构体的QM相对能量。
精确的非平衡构象预测：在包含SPICE和RNA结构图集的非平衡数据集中，ByteFF表现出了极具竞争力的能量和力预测精度。在大多数子集中，ByteFF-joint 模型展现出最优的性能，表明即使在非平衡构象下，力场也保持着较高的准确度。
