Molecular ‘time‐machines’ to unravel key biological events for drug design
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.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
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 ».