Cómo el nivel de optimización de la geometría cuántico-química afecta a los descriptores 3D clásicos y el rendimiento...

Área de la Ciencia:

• Química computacional es la química computacional.
• La informática química es la informática química.
• Modelado de la relación estructura-actividad cuantitativa (QSAR) Modelado de la estructura-actividad cuantitativa (QSAR)

Sus antecedentes:

• Las estructuras moleculares tridimensionales (3D) precisas son cruciales para el modelado cuantitativo de la relación estructura-actividad (QSAR).
• El impacto de los niveles de optimización de la geometría cuántica-química (QM) en los descriptores 3D clásicos y el rendimiento QSAR sigue sin estar claro.
• Los descriptores 3D clásicos dependientes de la conformación (Dragon 3D) son ampliamente utilizados en QSAR.

Objetivo del estudio:

• Para comparar ocho protocolos de optimización de la geometría QM para su efecto en los descriptores 3D y el rendimiento QSAR.
• Evaluar los beneficios prácticos de aumentar el nivel teórico de gestión de la calidad para el modelado QSAR.
• Proponer un marco para la selección de métodos pragmáticos en los estudios QSAR.

Principales métodos:

• Benchmarking de ocho protocolos de optimización de la geometría QM (HF / STO-3G a DFT y métodos compuestos).
• Evaluación a través de tres conjuntos de datos de actividad contra el cáncer y diez clasificadores de aprendizaje automático.
• Análisis a nivel de descriptor (desviación, correlación, similitud) y métricas de rendimiento QSAR (precisión equilibrada).

Principales resultados:

• Los protocolos QM de alta precisión producen espacios de descripción consistentes, mientras que los métodos de nivel inferior introducen variabilidad pero mantienen clasificaciones moleculares.
• El rendimiento de QSAR solo se ve débilmente afectado por el nivel de QM, con precisiones medias equilibradas que se agrupan estrechamente (0,852-0,871).
• B3LYP / 3-21G mostró la mayor precisión media equilibrada, pero las diferencias de rendimiento fueron marginales (<1-2%) y estadísticamente insignificantes en relación con el costo computacional.

Conclusiones:

• El aumento del nivel de optimización de la geometría QM ofrece un beneficio práctico limitado para la fidelidad del descriptor 3D clásico y la precisión predictiva QSAR.
• Las actualizaciones de QM alteran principalmente los valores del descriptor sin ganancias proporcionales en el poder predictivo, especialmente teniendo en cuenta los costos computacionales.
• Un marco propuesto de la Relación de Eficiencia Absoluta (REA) ayuda a la selección de métodos pragmáticos al equilibrar el rendimiento y la eficiencia.