Elucidating Hyperconjugation from Electronegativity to Predict Drug Conformational Energy in a High Throughput Manner
Notice bibliographique
Résumé
Computational chemists use structure-based drug design and molecular dynamics of drug/protein complexes which require an accurate description of the conformational space of drugs. Organic chemists use qualitative chemical principles such as the effect of electronegativity on hyperconjugation, the impact of steric clashes on stereochemical outcome of reactions, and the consequence of resonance on the shape of molecules to rationalize experimental observations. While computational chemists speak about electron densities and molecular orbitals, organic chemists speak about partial charges and localized molecular orbitals. Attempts to reconcile these two parallel approaches such as programs for natural bond orbitals and intrinsic atomic orbitals computing Lewis structures-like orbitals and reaction mechanism have appeared. In the past, we have shown that encoding and quantifying chemistry knowledge and qualitative principles can lead to predictive methods. In the same vein, we thought to understand the conformational behaviors of molecules and to encode this knowledge back into a molecular mechanics tool computing conformational potential energy and to develop an alternative to atom types and training of force fields on large sets of molecules. Herein, we describe a conceptually new approach to model torsion energies based on fundamental chemistry principles. To demonstrate our approach, torsional energy parameters were derived on-the-fly from atomic properties. When the torsional energy terms implemented in GAFF, Parm@Frosst, and MMFF94 were substituted by our method, the accuracy of these force fields to reproduce MP2-derived torsional energy profiles and their transferability to a variety of functional groups and drug fragments were overall improved. In addition, our method did not rely on atom types and consequently did not suffer from poor automated atom type assignments.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».