El desafío de predicción a ciegas y gestión de datos de investigación reproducibles de euroSAMPL1 pKa

Área de la Ciencia:

• Química computacional
• Informática química y sus aplicaciones
• Gestión de los datos científicos

Sus antecedentes:

• Los métodos de química computacional para la predicción de propiedades fisicoquímicas están maduros.
• La gestión de datos de investigación (RDM) está subutilizada en el desarrollo de modelos de química computacional.
• Los modelos y los datos existentes a menudo no cumplen con los estándares FAIR (Findable, Accesible, Interoperable, Reusable).

Objetivo del estudio:

• Promover y desarrollar buenos estándares de RDM en química computacional.
• Evaluar tanto el rendimiento predictivo como la adherencia al principio FAIR en un desafío de predicción a ciegas pKa.
• Analizar la calidad de los modelos de química computacional y sus prácticas de gestión de datos.

Principales métodos:

• Organizó el primer desafío de predicción a ciegas euroSAMPL pKa.
• Clasificación del rendimiento del modelo utilizando métricas estadísticas.
• Evaluación del cumplimiento de los principios FAIR a través de la evaluación cruzada de los participantes utilizando una "puntuación FAIR".

Principales resultados:

• Múltiples métodos de química computacional lograron una precisión química en la predicción de pKa.
• Las predicciones de consenso de los métodos independientes superaron las predicciones individuales.
• El estudio proporciona un análisis del estado actual de RDM en química computacional.

Conclusiones:

• La química computacional puede predecir con precisión los valores de pKa.
• La adhesión a los estándares de datos FAIR es crucial para el avance de la investigación en química computacional.
• Las futuras mejoras en RDM son necesarias para el campo.