MétaCan
Menu
Retour à la cohorte
Enregistrement W3087284646 · doi:10.1186/s13062-020-00267-2

AMDock: a versatile graphical tool for assisting molecular docking with Autodock Vina and Autodock4

2020· article· en· W3087284646 sur OpenAlexaff
Mario S. Valdés‐Tresanco, Mario E. Valdés‐Tresanco, Pedro A. Valiente, Ernesto Moreno

Notice bibliographique

RevueBiology Direct · 2020
Typearticle
Langueen
DomaineComputer Science
ThématiqueComputational Drug Discovery Methods
Établissements canadiensUniversity of TorontoUniversity of Calgary
Organismes subventionnairesUniversidad de Medellín
Mots-clésDocking (animal)Graphical user interfaceAutoDockVisualizationScripting languageComputer scienceStructural bioinformaticsComputational biologyProtein–ligand dockingSoftwarePython (programming language)Programming languageBiologyBioinformaticsData miningVirtual screeningProtein structureDrug discovery

Résumé

récupéré en direct d'OpenAlex

AMDock (Assisted Molecular Docking) is a user-friendly graphical tool to assist in the docking of protein-ligand complexes using Autodock Vina and AutoDock4, including the option of using the Autodock4Zn force field for metalloproteins. AMDock integrates several external programs (Open Babel, PDB2PQR, AutoLigand, ADT scripts) to accurately prepare the input structure files and to optimally define the search space, offering several alternatives and different degrees of user supervision. For visualization of molecular structures, AMDock uses PyMOL, starting it automatically with several predefined visualization schemes to aid in setting up the box defining the search space and to visualize and analyze the docking results. One particularly useful feature implemented in AMDock is the off-target docking procedure that allows to conduct ligand selectivity studies easily. In summary, AMDock's functional versatility makes it a very useful tool to conduct different docking studies, especially for beginners. The program is available, either for Windows or Linux, at https://github.com/Valdes-Tresanco-MS . REVIEWERS: This article was reviewed by Alexander Krah and Thomas Gaillard.

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)0,003
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Logiciel · Signal consensuel: aucune
Score de désaccord entre enseignants0,076
Score d'incertitude au seuil0,254

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,005
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0030,002
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,000
Communication savante0,0020,002
Science ouverte0,0050,003
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0760,029

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 Opus0,023
Tête enseignante GPT0,290
Écart entre enseignants0,268 · 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'étudeSans objet
Domainenon disponible
GenreLogiciel

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

En bref

Citations373
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBiology DirectMême sujetComputational Drug Discovery MethodsTravaux en français237 207