Accurate and Scalable Continuum Electrostatics for Large Biomolecular Systems: The <i>pyDelPhi</i> Poisson–Boltzmann Framework
Notice bibliographique
Résumé
Electrostatic interactions are central to biomolecular structure, recognition, and assembly, making their efficient and accurate evaluation essential for biophysics, drug discovery, and materials modeling. The Poisson–Boltzmann equation (PBE) provides a rigorous implicit-solvent description, yet large macromolecular systems remain challenging for conventional CPU-based solvers. Here, we introduce pyDelPhi, a modern finite-difference PBE framework designed for numerical accuracy, scalability, and reproducibility across heterogeneous architectures. Implemented in Python with just-in-time compilation via Numba, pyDelPhi preserves the established DelPhi numerical framework while supporting traditional, Gaussian-density, and regularized dielectric models and enabling multiprecision execution on CPUs and NVIDIA GPUs via a CUDA backend. Benchmarking across three curated data sets shows that pyDelPhi reproduces DelPhi reaction-field energies within fractions of a percent and achieves 7–20× GPU acceleration for the linearized PBE. A cuboidal grid-box option reduces memory by up to 80% and accelerates runtimes several-fold for anisotropic systems. A complete viral-capsid calculation (∼5 × 10 5 atoms, 10 9 grid points) yields an order-of-magnitude reduction in wall time relative to the single-core DelPhi baseline while maintaining close numerical agreement. These results establish pyDelPhi as a unified and extensible platform that advances continuum electrostatics toward reproducible, high-performance modeling of biomolecular systems at both routine and large scales.
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 | 0,000 | 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) | 0,000 | 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 ».