Ligand hydration and bridging waters molecules
Notice bibliographique
Résumé
<p>Water is the most abundant molecule in biological systems and is ubiquitous in nature. Despite this prevalence, water has long been considered a backdrop for bio-processes. However, with increasing sophistication in experimental and computational methods, water has now been recognized to interact and influence the behaviour of biomolecules in complex, subtle, and essential ways. The structure of water is unique in that it is small yet able to form multiple hydrogen bonded interactions. Water molecules are thus ideally suited to bridge interactions on biomolecular surfaces. Specifically, they have been identified to play an important role in mediating protein-ligand interactions. A methodology for the inclusion of these mediating waters has often been stated to be a major challenge facing the field of rational drug design. While notable successes exist in the design of better binders using water molecules, no single method has been able completely predict the locations of water molecules and its propensity to interact with the binding ligand.</p> <p>This thesis is intended to explore the possibilities of using the hydration of ligands as a pathway to study bridging water molecules in holo structures. To this end, a method of discretizing and scoring water-sites around ligands from their Molecular Dynamics (MD) simulation is first developed. This was then used to correlate the hydration shells of ligands with the locations of the bridging water molecules. Further, the hydration shell of ligands is used to improve WaterDock - a protocol to predict the locations of water molecules within binding sites. Finally, a comparison of MD is made with Empirical Potential Structure Refinement - a combined experimental and computational method that is often used to resolve the solvation structure of small molecules.</p>
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 | 0,000 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».