摘要
已经有大量的算例表明,Flare FEP可以可靠地预测化合物的结合亲和力。本文演示了如何借助Cloudam云E算力平台加速FLARE FEP相对结合自由能计算,包括:1)Cloudam账号注册;2)Cloudam的使用;3)云端软件安装;4)在云端启用Broker;5)客户端计算资源的配置;6)FEP项目的创建;7)FEP生成图;8)FEP计算。借助云计算资源,Flare FEP可以在2-4小时内完成一个项目的计算。
Flare FEP: GPU加速的自由能微扰
FEP简介
自由能微扰(Free Energy Perturbation,FEP)计算可用来预测同系物的相对结合亲和力变化。在FEP计算中,分子通过非物理(“炼金术”)途径逐渐转变为结构上密切相关的类似物。通过对这些互相转化的终态之间的自由能差(ΔΔG)的计算评估,可以获得与实验值相比约1kcal/mol的预测精度。
Flare内置了FEP计算工作流,支持GPU加速计算。它将AMBER Tools,OpenMM,LOMAP,Sire和BioSimSpace等开源工具与Cresset专业、直观特性相结合,为完全自动化的FEP工作流程提供了用户友好的界面(图1)。
Flare中的FEP工作流已用多种数据集完成验证[1],包括FEP+数据集作为参考基准,部分结果如表1所示。结果表明,FLARE/FEP预测性能与Schrodinger/FEP+(Wang et al.[2])相当,而大大地优于AMBER的GPU-TI(Song et al.[2])。通过Flare图形用户界面和Flare Python API,可以完全控制模拟参数,使您能够探索和设定给定配体集合及其靶蛋白的理想条件。
GPU加速的原理
如图2所示,Flare默认采用全连接、双向网络进行FEP计算,每个连接(link)有9个λ窗口(默认值,可以调整),正常模式下每个连接计算两次(A->B与B->A, 即双向计算),所以每对连接在一起的分子有18个λ窗口需要计算。每个λ窗口计算都是互相独立的,因此可以同时一起进行计算。图2的网络共有8对接接,因此有8x2x9=144个λ窗口需要计算。因此,如果你有144个GPU可供使用,那么图2的网络可以在1-4个小时内完成计算,具体所需机时取决于所采用的GPU卡计算速度。
Cloudam云E算力平台: 为FEP计算提供近乎无穷的算力
Cloudam的云E算力平台整合了全球主流公有云近50个地域的高性能计算资源,开箱即用,无需硬件投入、无需运营维护、无需任务排队,支持一键式提交作业,具备自主学习与深度学习能力,能够根据用户的实例类型与计算要求智能推荐匹配合适的计算机型,将计算的虚拟损耗降至最低&