Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

The Equilibrium Binding Constant and Binding Strength02:18

The Equilibrium Binding Constant and Binding Strength

13.4K
The equilibrium binding constant (Kb) quantifies the strength of a protein-ligand interaction. Kb can be calculated as follows when the reaction is at equilibrium:
13.4K
Conserved Binding Sites01:49

Conserved Binding Sites

4.3K
Many proteins’ biological role depends on their interactions with their ligands, small molecules that bind to specific locations on the protein known as ligand-binding sites. Ligand-binding sites are often conserved among homologous proteins as these sites are critical for protein function.
Binding sites are often located in large pockets, and if their location on a protein’s surface is unknown, it can be predicted using various approaches. The energetic method computationally...
4.3K
Multimachine Stability01:25

Multimachine Stability

227
Multimachine stability analysis is crucial for understanding the dynamics and stability of power systems with multiple synchronous machines. The objective is to solve the swing equations for a network of M machines connected to an N-bus power system.
In analyzing the system, the nodal equations represent the relationship between bus voltages, machine voltages, and machine currents. The nodal equation is given by:
227
Molecular Models02:00

Molecular Models

40.4K
Physical models representing molecular architectures of chemical compounds play essential roles in understanding chemistry. The use of molecular models makes it easier to visualize the structures and shapes of atoms and molecules.
40.4K
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving01:29

Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving

100
Mechanistic models play a crucial role in algorithms for numerical problem-solving, particularly in nonlinear mixed effects modeling (NMEM). These models aim to minimize specific objective functions by evaluating various parameter estimates, leading to the development of systematic algorithms. In some cases, linearization techniques approximate the model using linear equations.
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
100

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Boltz-ABFE: Free Energy Perturbation without Crystal Structures.

Journal of chemical theory and computation·2026
Same author

AQuaRef: machine learning accelerated quantum refinement of protein structures.

Nature communications·2025
Same author

Optimizing Absolute Binding Free Energy Calculations for Production Usage.

Journal of chemical theory and computation·2025
Same author

Evaluation of Machine Learning/Molecular Mechanics End-State Corrections with Mechanical Embedding to Calculate Relative Protein-Ligand Binding Free Energies.

Journal of chemical theory and computation·2025
Same author

Understanding the Catalytic Efficiency of Two Polyester Degrading Enzymes: An Experimental and Theoretical Investigation.

ACS omega·2024
Same author

AQuaRef: Machine learning accelerated quantum refinement of protein structures.

bioRxiv : the preprint server for biology·2024

Video Experimental Relacionado

Updated: Sep 10, 2025

Incorporating Target Protein Structure Flexibility and Dynamics in Computational Drug Discovery Using Ensemble-Based Docking Analysis
08:49

Incorporating Target Protein Structure Flexibility and Dynamics in Computational Drug Discovery Using Ensemble-Based Docking Analysis

Published on: June 20, 2025

521

Pruebas básicas de estabilidad de potenciales de aprendizaje automático para simulaciones moleculares en el

Kavindri Ranasinghe1,2, Adam L Baskerville2, Geoffrey P F Wood1,2

  • 1Recursion, Schrödinger Building, Oxford Science Park, Oxford OX4 4GE, U.K.

Journal of chemical information and modeling
|August 27, 2025
PubMed
Resumen

Los potenciales de las redes neuronales ofrecen simulaciones moleculares rápidas pero requieren pruebas cuidadosas. Este estudio evalúa varios modelos, encontrando diferencias significativas en la estabilidad y precisión, destacando la necesidad de una selección rigurosa en las aplicaciones.

Más Videos Relacionados

Author Spotlight: Streamlining Protein Target Prediction and Validation via Molecular Docking and CETSA
10:21

Author Spotlight: Streamlining Protein Target Prediction and Validation via Molecular Docking and CETSA

Published on: February 23, 2024

2.9K
Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors
10:29

Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors

Published on: May 9, 2025

1.5K

Videos de Experimentos Relacionados

Last Updated: Sep 10, 2025

Incorporating Target Protein Structure Flexibility and Dynamics in Computational Drug Discovery Using Ensemble-Based Docking Analysis
08:49

Incorporating Target Protein Structure Flexibility and Dynamics in Computational Drug Discovery Using Ensemble-Based Docking Analysis

Published on: June 20, 2025

521
Author Spotlight: Streamlining Protein Target Prediction and Validation via Molecular Docking and CETSA
10:21

Author Spotlight: Streamlining Protein Target Prediction and Validation via Molecular Docking and CETSA

Published on: February 23, 2024

2.9K
Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors
10:29

Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors

Published on: May 9, 2025

1.5K

Área de la Ciencia:

  • Química computacional
  • Ciencias de los materiales
  • Aprendizaje automático

Sus antecedentes:

  • Los potenciales de red neuronal (NNP) entrenados en datos de mecánica cuántica proporcionan cálculos de interacción molecular eficientes.
  • Sin embargo, los NNPs pueden exhibir inestabilidades, comportamiento no físico o precisión insuficiente, lo que limita su uso en simulaciones moleculares.

Objetivo del estudio:

  • Evaluar sistemáticamente la fiabilidad y el rendimiento de varios potenciales de redes neuronales (PNN) para simulaciones moleculares.
  • Evaluar el impacto de la arquitectura del modelo en el rendimiento del NNP utilizando un marco de pruebas coherente.

Principales métodos:

  • Se han realizado ensayos de estabilidad del gas y de la fase condensada en ocho NNPs internos (arquitecturas ANI-2x y MACE) y cuatro NNPs públicos (ANI-2x, ANI-1ccx, MACE-OFF23, AIMNet2).
  • Realizó análisis de modo normal en moléculas de referencia y simulaciones de dinámica molecular para identificar inestabilidades y comportamientos no físicos.
  • Energías de interacción proteína-ligando evaluadas y resultados comparados con afinidades de unión experimentales y otros métodos computacionales.

Principales resultados:

  • Se observaron variaciones significativas en el rendimiento del modelo; algunos modelos MACE mostraron inestabilidades durante las simulaciones y los choques estéricos.
  • ANI-2x publicado y un modelo interno de MACE no pudieron representar con precisión el agua líquida, formando fases sólidas.
  • ANI-1ccx exhibió mínimos de energía no físicos en agua condensada, lo que llevó a transiciones de fase.
  • Un NNP interno demostró un acuerdo superior con la estructura experimental del agua en comparación con los modelos estándar.
  • La mayoría de los NNPs mostraron una mejor correlación con las afinidades de unión experimentales que las puntuaciones de acoplamiento, con ANI-2x acercándose a la precisión de DFT.

Conclusiones:

  • Ningún NNP único es universalmente adecuado; la arquitectura del modelo y los datos de formación influyen significativamente en el rendimiento.
  • Las pruebas rigurosas en diferentes fases y condiciones son cruciales para seleccionar NNPs confiables.
  • La consideración cuidadosa durante la formación y selección de NNP es esencial para las aplicaciones exitosas en el mundo real.