జర్నల్ ఆఫ్ ఫార్మకోజెనోమిక్స్ & ఫార్మాకోప్రొటోమిక్స్

నైరూప్య

ప్రోటీన్-లిగాండ్ బైండింగ్ అఫినిటీ ప్రిడిక్షన్: కృత్రిమ మేధస్సు మరియు క్వాంటం కెమిస్ట్రీతో ఎంట్రోపిక్ సహకారాన్ని లెక్కించడం

ఎవాంజెలిడిస్ టి

సింథటిక్ కెమిస్ట్రీ మరియు లిగాండ్ బైండింగ్ అస్సే టెక్నాలజీలలో పురోగతి ఉన్నప్పటికీ, వేలకొద్దీ సమ్మేళనాలను సంశ్లేషణ చేయడానికి మరియు పరీక్షించడానికి సమయం మరియు ఖర్చు నిషేధించబడింది. ఇక్కడ, కనిష్ట మానవ ఇన్‌పుట్‌తో అత్యంత ఖచ్చితమైన, 1-సెకను వేగవంతమైన, 2D-లిగాండ్ ఆధారిత బైండింగ్ అఫినిటీ ప్రిడిక్షన్ కోసం డీప్‌స్కాఫ్‌ఆప్ట్ అల్గారిథమ్ ప్రదర్శించబడుతుంది. డీప్‌స్కాఫ్‌ఆప్ట్ "ఆన్ ది ఫ్లై" రిసెప్టర్-స్పెసిఫిక్ మెటా-ప్రిడిక్టర్‌ను రూపొందించడానికి కృత్రిమ మేధస్సును ఉపయోగిస్తుంది, ఇది బహుళ డీప్ న్యూరల్ నెట్‌వర్క్‌ల అవుట్‌పుట్‌ను మిళితం చేస్తుంది, ఇవి ఫీచర్ వెక్టర్స్
(“వార్‌హెడ్‌లు”) నుండి 2D రసాయన నిర్మాణం గురించి సమాచారాన్ని కలిగి ఉంటాయి. డీప్‌స్కాఫ్‌ఆప్ట్ యొక్క ఆర్సెనల్ మాక్రోసైకిల్స్, కోవాలెంట్ ఇన్‌హిబిటర్స్, పెప్టిడోమిమెటిక్స్ మరియు చిన్న చిన్న శకలాలు వంటి అనేక రకాల అణువులకు తగిన వార్‌హెడ్‌లను కలిగి ఉంటుంది. deepScaffOpt యొక్క స్వయంచాలక స్కోరింగ్ ప్రోటోకాల్ D3R గ్రాండ్ ఛాలెంజెస్ 2017 & 2018లో అత్యుత్తమ పనితీరును సాధించింది మరియు ఫ్రీ ఎనర్జీ పెర్టర్బేషన్స్ (FEP) కంటే ప్రయోగాత్మకమైన వాటికి దగ్గరగా ఉండే ఉచిత శక్తిని అంచనా వేయగలదు. నిర్మాణ-ఆధారిత పద్ధతుల వలె కాకుండా, డీప్‌స్కాఫ్‌ఆప్ట్ గ్రాహక నిర్మాణం లేనప్పుడు బాగా పని చేస్తుంది మరియు కొత్త విభిన్న హిట్ సమ్మేళనాలను కనుగొనడానికి, అలాగే ఆఫ్-టార్గెట్ ప్రిడిక్షన్ మరియు డ్రగ్ రీపర్పోజింగ్‌ను కనుగొనడానికి పెద్ద రసాయన లైబ్రరీల వర్చువల్ స్క్రీనింగ్‌కు సులభంగా స్వీకరించవచ్చు. అయితే, శిక్షణ నమూనాలు లేనప్పుడు, మొదటి సూత్రాలను ఆశ్రయించాలి. అందువల్ల, మేము సమాంతర సెమీఎమ్పిరికల్ క్వాంటం మెకానికల్ (SQM) ఉచిత శక్తి పద్ధతులలో అభివృద్ధి చేస్తాము [2]. మేము స్థానిక భంగిమ గుర్తింపులో SQM స్కోరింగ్ ప్రోటోకాల్‌ల యొక్క ఆధిక్యతను ప్రదర్శించాము మరియు ఎంథాల్పీ ద్వారా బైండింగ్‌లో ఆధిపత్యం చెలాయించే విభిన్న సిస్టమ్‌లలో విస్తృతంగా ఉపయోగించే డాకింగ్ స్కోరింగ్ ఫంక్షన్‌లపై గుర్తింపును కొట్టాము. ఒక కొత్త SQM-ఆధారిత లిగాండ్ కన్ఫర్మేషనల్ ఎంట్రోపీ డిస్క్రిప్టర్ ఇటీవలే ప్రవేశపెట్టబడింది, ఇది మెరుగైన పనితీరు కోసం భౌతిక ఆధారిత మరియు మెషిన్ లెర్నింగ్ పద్ధతులతో కలిపి ఉంటుంది. ఈ ప్రెజెంటేషన్‌లో చూపబడే కేస్ స్టడీస్‌లో, ఎంథాల్పీ మాత్రమే నిరోధక చర్యను వివరించడంలో విఫలమైంది, అయితే ఎంట్రోపీ డిస్క్రిప్టర్‌తో మెరుగుపరచబడిన SQMస్కోరింగ్ పరిస్థితిని తారుమారు చేసింది. డీప్‌స్కాఫ్‌ఆప్ట్ వార్‌హెడ్‌లలో ఎంట్రోపీ డిస్క్రిప్టర్ చేర్చబడినప్పుడు సారూప్య ప్రభావాలు గమనించబడ్డాయి.