ガイド付き拡散による遷移状態の事前サンプリング

要旨: 遷移状態（ポテンシャルエネルギー面における一次の鞍点）は、化学反応やコンフォメーション変化の速度論およびメカニズムを支配する。遷移状態の特定は難しい。なぜなら、遷移経路は位相的に複雑であり、多様な経路の集合を介して進行し得るからである。既存の手法は、経路または反応座標に関するヒューリスティックな仮定を導入することでこれらの課題に対処している。しかし、そのような仮定は、良好な初期推定が得られない場合、あるいはその推定が、潜在的に関連し得る別の経路を排除してしまう場合には、適用可能性を制限する。本研究では、そのようなヒューリスティックの制約を回避するために、ASTRA（A Priori Sampling of TRAnsition States with Guided Diffusion）を提案する。これは、遷移状態探索を生成モデルに対する推論時のスケーリング問題として組み替え直す。ASTRAは、既知の準安定状態から得た構成（コンフィギュレーション）を用いて、スコアベースの拡散モデルを学習する。続いてASTRAは、条件付きスコアの原理的な合成によって、準安定状態の盆地を隔てる等密度面へ向けて推論を導く。次に、スコア整合型上昇（Score-Aligned Ascent, SAA）プロセスが、条件付きスコアの差から反応座標を近似し、その結果を物理的な力と組み合わせて、一階の遷移状態へ収束するよう駆動する。2Dポテンシャルから生体分子のコンフォメーション変化、化学反応に至るベンチマークで検証したところ、ASTRAは高精度に遷移状態を見つけ、さらに複数の反応経路を発見できることが示された。これにより、複雑な分子系のメカニズム研究を可能にする。