FEP-SPell-ABFE: An Open-Source Automated Alchemical Absolute Binding Free-Energy Calculation Workflow for Drug Discovery
Notice bibliographique
Résumé
The binding affinity between a drug molecule and its target, measured by the absolute binding free energy (ABFE), is a crucial factor in the lead discovery phase of drug development. Recent research has highlighted the potential of in silico ABFE predictions to directly aid drug development by allowing for the ranking and prioritization of promising candidates. This work introduces an open-source Python workflow called FEP-SPell-ABFE, designed to automate ABFE calculations with minimal user involvement. The workflow requires only three key inputs: a receptor protein structure in PDB format, candidate ligands in SDF format, and a configuration file (config.yaml) that governs both the workflow and molecular dynamics simulation parameters. It produces a ranked list of ligands along with their binding free energies in the comma-separated values (CSV) format. The workflow leverages SLURM (Simple Linux Utility for Resource Management) for automating task execution and resource allocation across the modules. A usage example and several benchmark systems for validation are provided. The FEP-SPell-ABFE workflow, along with a practical example, is publicly accessible on GitHub at https://github.com/freeenergylab/FEP-SPell-ABFE, distributed under the MIT License.
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 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 | 0,000 |
| 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 | 0,001 | 0,008 |
| Science ouverte | 0,001 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».