CREMP:用于机器学习的宏环的调整器-旋转器组合

科学领域:

• 计算化学是一种计算化学.
• 机器学习是机器学习.
• 药物发现 药物发现

背景情况:

• 精确建模宏环构造对于合理的药物设计至关重要,但仍然具有挑战性.
• 现有的深度学习方法在蛋白质和小分子建模方面表现出色,但在宏环的独特性质方面扎.

研究的目的:

• 介绍CREMP,这是一个全面的数据集,用于开发和评估宏环的机器学习模型.
• 促进宏环结构预测和结构分析的计算方法的进步.

主要方法:

• 通过使用Conformer-Rotamer Ensemble Sampling Tool (CREST) 生成一个数据集,其中包含36,198个具有高质量的结构组合的独特宏环.
• 使用半实证扩展紧固结合 (xTB) DFT,计算了超过 3130 万个宏循环几何形状的能量.
• 包括3,258个宏循环的被动透性数据,以将构造数据与实验结果联系起来.

主要成果:

• 该CREMP数据集提供了一个大规模的,注释资源,用于宏循环形状建模.
• 数据集包括数以百万计的独特宏观周期几何与相关的能量计算.
• 关于被动透性的实验数据被整合在一起,以加强模型验证.

结论:

• 预计CREMP将大大推动对宏环的机器学习模型的开发.
• 这种资源将使宏环构造和性质的预测得到改善.
• 促进设计和优化基于新的治疗方法.