企业官网建设流程全解析

AI力场二次开发教程（17）：蛋白–配体自由能（FEP）——AI力场接入 alchemical 工作流

适用版本与技术栈（以官方文档为准）

• espaloma 0.3.x（conda-forge）
• openff-toolkit 0.19.0 / openff-interchange 0.5.1
• OpenFE（openfe，自由能与工作流引擎，开源）
• Perses（相对自由能 alchemical 引擎，开源，espaloma 0.3.0 校验中使用过 perses 0.10.1）
• 涉及无 License 开源工具时一律按官方文档示意，不编造接口细节

一句话结论：相对结合自由能（FEP）通过 alchemical 映射与退火把一个配体"逐步变成"另一个配体，从而抵消大量常项误差、得到高精度的相对绑定自由能差值；Espaloma 已被 perses-benchmark 用于蛋白–配体体系验证，接入点是"用 espaloma 生成 alchemical 双态体系所需的 OpenMM Force 参数"。

〇、认知问题

1. 为什么我们算相对结合自由能（relative binding free energy）而不是绝对结合自由能？（认知）
2. alchemical 映射（alchemical map）与退火（annealing）到底在做什么？（认知）
3. Espaloma 在 perses-benchmark 这类相对自由能计算里扮演什么角色——它的真实接入点在哪？（方法）
4. 用 openfe/perses 搭一个 FEP 骨架时，CPU/GPU 模拟窗口如何组织、怎么理解窗口间能差？（方法）

一、机制解析

1.1 从绝对到相对：为什么自由能差值好用

热力学告诉我们，结合自由能本身可以写成：

ΔG_bind = -k_B T ln( 配体在口袋 / 配体在溶液 的配分比 )

但直接算"绝对"绑定自由能需要同时精确处理口袋、水、去溶剂熵，极难收敛。相对自由能则聪明地利用热力学循环：

ΔG1（结合态的转变） L1·蛋白 ────────────────→ L2·蛋白 │ │ ΔG(A)│ 真实绑定能 │ΔG(B) ↓ ↓ L1(水) ────────────────→ L2(水) ΔG2（溶液态转变） ΔΔG_bind = ΔG(B) - ΔG(A) = ΔG2 - ΔG1 （循环闭合）

只要两个配体够相似（同系物等），两个转变过程里的误差大量抵消，ΔΔG往往可以做到±1 kcal/mol级别——这在药物优化中已经很有价值。这就是"我们算相对而不是绝对"的根本原因。

1.2 alchemical 映射与退火：把化学转变变成连续参数

alchemical 映射的核心思想：在 L1 与 L2 之间插值一个耦合成λ的中间态。常见做法是引入 alchemical 原子对：把 L1 与 L2 的共同原子重合，把"多出来/要消失"的原子用软核（softcore）处理，避免双删诞生的奇异项（LJ 项分母趋于 0 的经典问题）。

退火（annealing）在自由能语境里，通常指对 λ 做渐进的、多窗口的调度：从 λ=0（纯 L1）扫到 λ=1（纯 L2），每个窗口是一个 OpenMM 模拟，收集能量对 λ 的导数，通过热力学积分（TI, thermodynamic integration）或各向异性/一阶累积展开（BAR/MBAR）加权求和。

ASCII 图：一个典型 6 窗口 TI 过程

调节变量 λ： 0.0 0.2 0.4 0.6 0.8 1.0 状态 L1 ←—————— 混合态 ————————→ L2 能量采样 [w0] [w1] [w2] [w3] [w4] [w5] 累计积分 →→→→→→→→ ∂H/∂λ 对 λ 积分 →→→→→→→→

一个更高的窗口数（例如 12–24 窗加退火往返）通常能改善方差，但代价是总 GPU 机时；最优窗口数以具体体系与官方实践为准。

1.3 Espaloma 在 perses-benchmark 中的真实接入点

Espaloma 官方仓库提供了scripts/perses-benchmark作为真实佐证；espaloma-0.3.0 的论文（arXiv:2307.07085）也报告了用 perses 0.10.1 的相对 alchemical 自由能框架，在蛋白–配体基准集上把 espaloma 参数化的小分子与成熟力场 openff-2.1.0 做对比。

接入点在工程上是很清晰的：alchemical 引擎（如 perses）需要一个能对 λ 状态生成 OpenMMSystem与Integrator的参数化后端。Espaloma 恰好提供esp.graphs.deploy.openmm_system_from_graph(molecule_graph)生成openmm_system。所以在管线里，用 espaloma 替换默认 S-LSR/OpenFF 参数化的哪一步，就是 AI 力场真正"接入" alchemical 工作流的地方。

传统管线： SMIRNOFF(openff-2.x) → alchemical System → OpenMM 采样 → ΔΔG AI 管线： espaloma(GNN) → openmm_system_from_graph → 无缝进入同一 alchemical 引擎 接入点 = 替换上方的“参数化后端”，其余引擎逻辑保持不变

这个"替换后端而保留引擎"的接口，正是 AI 力场能复用整个 free energy 生态的原因。

二、完整代码与逐行剖析

下面两段代码都是"可运行骨架"。第一段演示 AI 力场侧生成 OpenMM System 的最小闭环；第二段演示 openfe/perses 的通用 FEP 骨架逻辑（标注 AI 接入点）。涉及无 License 开源工具的 API 一律以官方文档为准。

2.1 代码一：Espaloma 生成 System（AI 力场侧闭环）

# 文件：espaloma_to_system_for_fep.py# 思路：相对自由能引擎需要"能对 λ 生成 OpenMM System"的参数化后端，# 这里给出 espaloma 最小闭环。后续把它塞进引擎即可。fromopenff.toolkit.topologyimportMoleculeimportespalomaasesp# 1) 建小分子（同系物示例：以简单骨架代表 L1）molecule=Molecule.from_smiles("CCO")# 乙醇，仅作骨架示意g=esp.Graph(molecule)# 转成 espaloma 异质图# 2) 加载 AI 力场模型（"latest" 指向最新稳定权重；本地 .pt 需先 model.eval()）model=esp.get_model("latest")model(g.heterograph)# 前向推理：为图上每个节点跑参数# 3) 把预测参数组装成 OpenMM System —— 这就是 alchemical 引擎所需的"后端产物"fromespaloma.graphs.deployimportopenmm_system_from_graph openmm_system=openmm_system_from_graph(g)print("生成 System，相互作用类型数：",openmm_system.getNumForces())

逐行剖析：esp.Graph(molecule)接受openff.toolkit的Molecule，把化学图（原子键角二面）建成异质图；esp.get_model("latest")拉取官方权重，model(g.heterograph)触发 GNN 前向以填充参数；openmm_system_from_graph(g)是部署入口，得到可直接交给模拟引擎的openmm_system。在 FEP 语境里，alchemical 引擎会对该 System 做 λ 态改造（施加软核、耦合缩放），因此此处的 System 结构越规整，改造越稳。

2.2 代码二：openfe / perses FEP 骨架（标注接入点）

# 文件：fep_sketch_openfe_perses.py# 说明：openfe / perses 的调用细节属于无 License 开源工具，# 这里只给骨架 + AI 接入点注释，实际运行以官方文档为准。defbuild_fep_workflow(ligand_a_smiles,ligand_b_smiles,protein_pdb,method="TI"):""" 骨架示意，非可直跑的完整管线。 此函数的核心目标：把两个配体、一个蛋白，组织成 alchemical 任务。 """# 1) 化学网络 / 映射（openfe 概念：transformation、alchemical network）ligand_a=ligand_a_smiles# 例 "CCO"ligand_b=ligand_b_smiles# 例 "CCN"（骨架同系替换）mapping=_sketch_atom_mapping(ligand_a,ligand_b)# 原子对应关系（骨架示意）# 2) 蛋白准备（简化：仅示意）system_a=_sketch_system(protein_pdb,ligand_a)# L1 结合态复合物system_b=_sketch_system(protein_pdb,ligand_b)# L2 结合态复合物# 3) 窗口调度（真正实现时 perses / openfe 会生成 λ 窗列表）lambdas=[0.0,0.2,0.4,0.6,0.8,1.0]# 4) 关键注释（AI 力场接入点）：# 真正脚本中，L1/L2 的参数化后端应从“openff-toolkit/espaloma”产生 OpenMM System，# 替换这里的 _sketch_system，即让 espaloma 进入 alchemical 引擎。results={}forlaminlambdas:# 每个窗口：做 OpenMM 模拟 → 记录 dU/dλ → 存进 resultsresults[lam]=_run_window(system_a,system_b,lam)# 骨架示意# 5) 热力学积分求和得到 ΔG2 类量，结合溶液态循环得 ΔΔGdG=_integrate(lambdas,results)returndGdef_sketch_atom_mapping(a,b):"""骨架：返回原子索引映射字典，真正实现用 openfe 的 mapping 工具。"""return{i:iforiinrange(min(len(a),len(b),8))}def_sketch_system(pdb,smi):"""骨架：占位，返回一个普通 dict；实际是构建复合物并参数化。"""return{"protein":pdb,"ligand":smi}def_run_window(sys_a,sys_b,lam):"""骨架：占位积分采样；真实逻辑在 OpenMM 中进行 MD 并记录能量。"""return0.0def_integrate(lambdas,results,order=2):"""示意：用辛普森/梯形做热力学积分；返回 kcal/mol 等级差值。"""importnumpyasnpreturnfloat(np.trapz([results.get(l,0.0)forlinlambdas],lambdas))if__name__=="__main__":dG=build_fep_workflow("CCO","CCN",protein_pdb="target.pdb")print("相对转变自由能(示意):",round(dG,3),"kcal/mol —— 以实际运行与官方文档为准")

逐行剖析：这段代码刻意保留了完整骨架但把所有不确定接口都降为_sketch_*占位函数，其唯一目的是让你看清FEP 管线的形状：化学网络/映射 → 双态 System 准备 → λ 窗采样 → 积分。真实环境里这些占位由 openfe 的 transformation 与 perses 的RelativeAlchemicalState等对象替换，调用方式以官方文档为准。文中最关键的一行是注释"AI 力场接入点"：把_sketch_system里的参数化后端换成 espaloma，就完成了 AI 力场接入。

三、常见报错与排查

表：FEP 类报错及处理思路

四、动手练习

练习 1（必做）：选取一对结构相似的中性小分子（例如CCO与CCN），先跑通 espaloma→openmm_system的闭环（2.1 段），打印 System 信息；再观察如果把该 System 交给某个 alchemical 引擎（无论 openfe 还是 perses），接入点改在哪一行。

练习 2（推进）：用一个极小的模型体系（如"假想蛋白质=单晶格约束中两个水+空腔"），跑 TI 骨架的 6 窗模拟，打印每一窗的dU/dλ，手动作梯形积分，理解"能差含义"——即每个窗里的导数在积分后如何累积成总自由能。

练习 3（对照）：制作一张"结合态 vs 溶液态"两行的处理差异表格，列出参数化、非键、约束等项是否必须一致，理解为什么循环闭合如此依赖一致性。

五、小结与下一篇预告

本篇讲清了三件事：相对结合自由能的循环机制与误差抵消、alchemical 映射与退火的工作方式、以及 Espaloma 在 perses-benchmark 中的真实接入点（用 espaloma 生成 alchemical 后端需要的 OpenMM System）。核心要点：相对自由能靠热力学循环与 alchemical 插值抵消常项误差，AI 力场的接入点是"替换参数化后端而保留引擎"。

下一篇（第 18 篇）转向规模化应用：高吞吐虚拟筛选——用concurrent.futures对上百个 SMILES 批量做 AI 参数化并统计成功率，为实战型管线铺路。

本篇认知问题回显（FAQ）

1. 为什么相对结合自由能（relative binding free energy）比绝对结合自由能更实用？
   相对法用热力学循环把 L1→L2 转变在结合态与溶液态中扣除，大量常项误差在差值中抵消，ΔΔG精度可到约 ±1 kcal/mol，而绝对绑定能需同时精确处理去溶剂熵，收敛代价高得多。

2. alchemical 映射（alchemical map）与退火到底在做什么？
   alchemical 映射建立 L1 与 L2 的原子对应并插值出λ依赖中间态，退火则对 λ 做多窗口渐进调度，每个窗口用 OpenMM 采样 dU/dλ，最终经热力学积分得到 ΔG。

3. Espaloma 在 perses-benchmark 相对自由能计算里的真实接入点在哪里？
   接入点是"参数化后端"：perses/openfe 引擎需要能对 λ 状态的复合体生成 OpenMM System，而 espaloma 的openmm_system_from_graph正可替换默认的 OpenFF 参数化，其余引擎逻辑保持不变。

4. 用 openfe/perses 搭 FEP 骨架时窗口如何组织、能差怎么理解？
   窗口沿 λ 从 0 到 1 排列，各窗独立采样 dU/dλ，事后梯形/辛普森或 MBAR 加权求和；每窗导数在积分后累积成总自由能，窗口越多方差越小但机时越高，最优窗口数以实际收敛为准。

查看第 17 篇教程