ねじれネット:量子力学の精度による小分子ねじれエネルギープロファイルを迅速に予測するための深層ニューラルネットワーク【JST・京大機械翻訳】

Rai Brajesh K.; Sresht Vishnu; Yang Qingyi; Unwalla Ray; Tu Meihua; Mathiowetz Alan M.; Bakken Gregory A.

文献

J-GLOBAL ID：202202236908906532 整理番号：22A0974188

ねじれネット:量子力学の精度による小分子ねじれエネルギープロファイルを迅速に予測するための深層ニューラルネットワーク【JST・京大機械翻訳】

TorsionNet: A Deep Neural Network to Rapidly Predict Small-Molecule Torsional Energy Profiles with the Accuracy of Quantum Mechanics

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=22A0974188&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=22A0974188&from=J-GLOBAL&jstjournalNo=A0294A") }}

著者 (7件)： , , , , , ,
資料名：
巻： 62 号： 4 ページ： 785-800 発行年： 2022年
JST資料番号： A0294A ISSN： 1549-9596 CODEN： JCISD8 資料種別：逐次刊行物 (A)
記事区分：文献レビュー発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

小分子二面エネルギー学の迅速で正確な評価は,薬化学における分子設計と最適化のために重要である。しかし,現在の分子力学(MM)法が薬物様化学空間の不十分な被覆によって制限され,正確な量子力学(QM)法が高価すぎるので,ねじれエネルギープロファイルの正確な予測は困難なままである。この限界に取り組むために,QMレベル精度を有する小分子ねじりエネルギープロファイルを予測するために特別に開発した深いニューラルネットワーク(DNN)モデル,TorsionNetを導入した。アクティブ学習を適用して,著者らの企業の化合物ライブラリーの被覆率を最大化し,これらのフラグメントの密度汎関数理論(DFT)ねじれ走査のための大規模並列クラウドコンピューティング資源を最大にし,1.2百万DFTエネルギーの訓練データセットを生成する,ほぼ50kフラグメント(要素H,C,N,O,F,S,およびCl)を同定した。このデータセット上でTorsionNetを訓練した後,DFTレベル精度で典型的な薬物様フラグメントのねじりエネルギープロファイルを迅速に予測できるモデルを得た。重要なことに,著者らの方法は,追加の計算なしで予測プロファイルに対する不確実性推定も提供した。本報告では,TorsionNetが結晶構造で観測される好ましい二面形状を正確に同定できることを示した。測定した結合親和性を有する多様な蛋白質-リガンド複合体のTorsionNetに基づく分析は,高いリガンド株と低い効力の間の強い会合を示した。また,DNNベース歪エネルギーの考察が,既存のリード発見と設計ワークフローの実質的な改善をもたらす,TorsionNetの実際的応用も示す。DFTねじりプロファイル(12k MM-およびDFT-最適化幾何学およびエネルギー)を有する500の化学的に多様なフラグメントから成るベンチマークデータセットであるTorsionNet500を作成し,公的に利用できる。Copyright 2022 American Chemical Society All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , , , , , , , , , , ,

分子・遺伝情報処理 , 薬物の構造活性相関

, , , , , , ,

前のページに戻る