替代密度函数理论在反应屏障计算中用于蛋白质中的原子转移
Kai Riedmiller1, Patrick Reiser2,3, Elizaveta Bobkova1
1Heidelberg Institute for Theoretical Studies Heidelberg Germany frauke.graeter@h-its.org.
我们开发了一种机器学习模型,用于预测蛋白质中原子转移 (HAT) 反应的能量障碍. 这种计算工具加速了对这些关键生物过程的研究.
科学领域:
- 计算化学是一种计算化学.
- 生物物理学的生物物理.
- 机器学习是机器学习.
背景情况:
- 原子转移 (HAT) 反应在生物系统中至关重要.
- 对HAT反应的实验观测具有挑战性.
- 模拟对于理解HAT机制至关重要.
研究的目的:
- 开发一种机器学习模型,用于预测HAT反应能量障碍.
- 以经典模拟的非优化结构作为输入.
- 为了能够有效地模拟生物和合成聚合物中的HAT反应.
主要方法:
- 基于图形神经网络 (GNN) 的机器学习模型.
- 来自混合密度函数理论 (DFT) 计算的17000多个能量障碍的训练数据集.
- 模型评估了原和其他聚合物的HAT反应.
主要成果:
- 该模型准确地预测了相关HAT反应 (小距离) 的能量障碍.
- 在R2 ≈ 0.9和MAE < 3 kcal mol−1.1的情况下实现了高预测功率.
- 高推断速度可以快速评估许多化学场景.
结论:
- 开发的GNN模型为研究HAT反应提供了强大的工具.
- 工作流适应各种生物和合成聚合物.
- 与分子动力学和动力学蒙特卡洛集成使反应模拟成为可能.
更多相关视频
05:45Capillary Electrophoresis-based Hydrogen/Deuterium Exchange for Conformational Characterization of Proteins with Top-down Mass Spectrometry
Published on: June 8, 2021
05:57Author Spotlight: In Silico Creation and Impact of Carbonylated Amino Acids on Protein Structure and Function
Published on: April 26, 2024
相关概念视频
The Quantum-Mechanical Model of an Atom
¹H NMR of Labile Protons: Deuterium (²H) Substitution
Hess's Law
Arrhenius Plots
The Arrhenius equation can be used...
Molecular Orbital Theory II
Real Gases: Effects of Intermolecular Forces and Molecular Volume Deriving Van der Waals Equation
