Virtual Multicomponent Crystal Screening: Hydrogen Bonding Revisited
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
Pharmaceutical cocrystals, salts, and multicomponent crystals, in general, have increasingly come under the spotlight in recent years. A fast and efficient a priori theoretical classifier to identify potential coformers is highly sought after to complement the experimental brute force screening methods. This research examines the qualitative approaches that are based on hydrogen bonding strength. First, molecular electrostatic potential (MEP) maps of 330 coformers were obtained from density functional theory simulations, using two geometries: experimentally determined crystal structures and gas-phase optimization. An in-depth comparison of MEPs revealed the potential pitfalls of these two geometries that are deliberated at length in the manuscript. Next, six APIs and their reported salts/cocrystals on the Cambridge Structural Database (CSD) were inversely predicted with MEP analysis. For two of these APIs, the prediction showed systematic errors that are resolved with suggestions provided in the manuscript. Subsequently, hydrogen bond energy (HBE) and hydrogen bond propensity (HBP) calculations were put to the test with two APIs and 52 organic coformers. Finally, multivariate logistic regression, a linear machine learning (ML) algorithm, showed how a combination of HBE and HBP can be a superior classifier, for which 18 out of 25 positive cases were uninterruptedly identified at the top of the list. Provided that a database of failed attempts of cocrystallization is compiled within the scientific community to supplement the existing positive results (multicomponent crystals in the CSD), the combination of chemistry-based parameters and ML can be a promising classifier for coformer selection.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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