通过QM/MM和机器学习来预测蛋白质中染色体的Solvatochromism
Amanda Arcidiacono1, Edoardo Cignoni1, Patrizia Mazzeo1
1Department of Chemistry and Industrial Chemistry, University of Pisa, Via G. Moruzzi 13, 56124 Pisa, Italy.
The journal of physical chemistry. A
|April 29, 2024
概括
机器学习模型可以准确地预测蛋白质中的胡卜素激发能,即使在溶剂数据上训练. 这表明了描述符在复杂的生物系统中理解溶解器的稳定性.
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 机器学习
背景情况:
- 索尔瓦托克罗米斯描述了染色体的颜色如何随着环境的变化而改变.
- 在蛋白质中解释solvatochromism是具有挑战性的,因为结构和异型效应.
- 胡卜素,柔性和结合的分子,显示激发能量对他们的环境高度敏感.
研究的目的:
- 开发一种机器学习 (ML) 策略,用于预测胡卜素激发能.
- 为了比较蛋白质与溶剂环境中的solvatochromism.
- 评估在溶剂数据上训练的ML模型对蛋白质环境的可转移性.
主要方法:
- 使用量子力学/分子力学 (QM/MM) 的计算.
- 开发了一个ML策略,培训了几何和电色贡献.
- 应用了ML模型来预测蛋白质和溶剂环境中的激发能.
主要成果:
- 该ML策略成功预测了胡卜素激发能.
- 在溶剂数据上训练的ML模型准确地预测了蛋白质内的激发能量.
- 这突显了所选择的描述符对于solvatochromism的稳定性.
结论:
- 机器学习提供了一个强大的方法来研究复杂系统中的solvatochromism.
- 基于溶剂的ML模型可以可靠地应用于预测蛋白质环境中的特性.
- 这些发现有助于我们更好地理解生物系统中胡卜素的行为.
