在SAMPL9挑战中,使用能量多尺度细胞相关性方法来预测烯-水日志P

科学领域:

• 计算化学是一种计算化学.
• 物理化学 物理化学
• 药物发现 药物发现

背景情况:

• 准确预测药物分区系数 (log P) 对药物发现和开发至关重要.
• 现有的方法往往很难准确地捕捉到复杂的能量和的贡献,以记录P.
• 分子动力学 (MD) 模拟为研究溶液中的分子行为提供了强大的工具.

研究的目的:

• 引入和验证能量多尺度细胞相关性 (EE-MCC) 方法,用于计算烯-水日志P值.
• 评估EE-MCC与SAMPL9物理性质挑战中的实验数据的性能.
• 为药物分区提供能量和贡献的分子层面的理解.

主要方法:

• 使用了能量多尺度细胞相关性 (EE-MCC) 方法.
• EE-MCC从MD模拟水和溶液中的药物分子中计算自由能量,能量和.
• 被通过将系统划分为多个长度尺度的细胞和能量井来评估.

主要成果:

• 与实验数据相比,EE-MCC实现了log P值的平均平均误差为0.82和标准误差的平均值为0.97.
• 计算的log P值与SAMPL9挑战中表现最佳的方法相比较.
• 能量被确定为对log P的主要贡献者,较少的极性药物表现出更有利的转移能量.

结论:

• EE-MCC方法为预测药物分区系数提供了一种强大而准确的方法.
• 这项研究阐明了能量和在药物分区行为中的重要作用.
• 未来的软件开发旨在解决MD模拟的更全面的值计算目前的局限性.