Molecular ‘time‐machines’ to unravel key biological events for drug design
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Molecular dynamics ( MD ) has become a routine tool in structural biology and structure‐based drug design ( SBDD ). MD offers extraordinary insights into the structures and dynamics of biological systems. With the current capabilities of high‐performance supercomputers, it is now possible to perform MD simulations of systems as large as millions of atoms and for several nanoseconds timescale. Nevertheless, many complicated molecular mechanisms, including ligand binding/unbinding and protein folding, usually take place on timescales of several microseconds to milliseconds, which are beyond the practical limits of standard MD simulations. Such issues with traditional MD approaches can be effectively tackled with new generation MD methods, such as enhanced sampling MD approaches and coarse‐grained MD ( CG‐MD ) scheme. The former employ a bias to steer the simulations and reveal biological events that are usually very slow, while the latter groups atoms as interaction beads, thereby reducing the system size and facilitating longer MD simulations that can witness large conformational changes in biological systems. In this review, we outline many of such advanced MD methods, and discuss how their applications are providing significant insights into important biological processes, particularly those relevant to drug design and discovery. WIREs Comput Mol Sci 2017, 7:e1306. doi: 10.1002/wcms.1306 This article is categorized under: Structure and Mechanism > Computational Biochemistry and Biophysics Molecular and Statistical Mechanics > Free Energy Methods Software > Simulation Methods
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle