MétaCan
Menu
Retour à la cohorte
Enregistrement W2139785321 · doi:10.1002/jcc.21726

Combination of the CHARMM27 force field with united‐atom lipid force fields

2010· article· en· W2139785321 sur OpenAlexafffund
Nicolas Sapay, D. Peter Tieleman

Notice bibliographique

RevueJournal of Computational Chemistry · 2010
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueLipid Membrane Structure and Behavior
Établissements canadiensUniversity of Calgary
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésForce field (fiction)Lipid bilayerNucleic acidChemistryMolecular dynamicsField (mathematics)Atom (system on chip)Computational scienceComputer scienceComputational chemistryMembraneMathematicsBiochemistryArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Computer simulations offer a valuable way to study membrane systems, from simple lipid bilayers to large transmembrane protein complexes and lipid-nucleic acid complexes for drug delivery. Their accuracy depends on the quality of the force field parameters used to describe the components of a particular system. We have implemented the widely used CHARMM22 and CHARMM27 force fields in the GROMACS simulation package to (i) combine the CHARMM22 protein force field with two sets of united-atom lipids parameters; (ii) allow comparisons of the lipid CHARMM27 force field with other lipid force fields or lipid-protein force field combinations. Our tests do not show any particular issue with the combination of the all-atom CHARMM22 force field with united-atoms lipid parameters, although pertinent experimental data are lacking to assess the quality of the lipid-protein interactions. The conversion utilities allow automatic generation of GROMACS simulation files with CHARMM nucleic acids and protein parameters and topologies, starting from pdb files using the standard GROMACS pdb2gmx method. CMAP is currently not implemented.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,043

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,006
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0030,003
Bibliométrie0,0020,003
Études des sciences et des technologies0,0020,000
Communication savante0,0020,002
Science ouverte0,0060,002
Intégrité de la recherche0,0020,004
Charge utile insuffisante (le modèle a refusé de juger)0,0130,006

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.

Tête enseignante Opus0,004
Tête enseignante GPT0,232
Écart entre enseignants0,227 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations112
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Computational ChemistryMême sujetLipid Membrane Structure and BehaviorTravaux en français237 207