Methods for Docking Small Molecules to Macromolecules: A User’s Perspective. 1. The Theory
Notice bibliographique
Résumé
Over the last two decades, computationally docking potential protein ligands (e.g., enzyme inhibitors) has become one of the most widely used strategies in computer aided drug design. While these docking methods were developed, some effort focused on their user-friendliness up to a point where they can be used by non-experts with nearly no training, somewhat hiding the underlying theory. However, basic knowledge is still required to avoid pitfalls and misinterpretations of docking experiments. Over the years, we have collected the common mistakes and necessary information for the proper use of docking programs. In this review, we compiled this data for non-experts in the field. In a first section, we present the theory of docking and scoring approaches as well as their limitations, followed by the most recent progress towards the consideration of protein flexibility, water molecules, metal ions, and covalent drugs. In a second section, we describe what we believe are the necessary steps to ensure optimal docking. More specifically, we present the selection of a docking program, available databases of small molecules, macromolecules and biological data, the necessary steps for the preparation of proteins and small molecules, and finally post docking analysis techniques. In the following sections, we compile the sources of biases and describe docking to nucleic acids.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».