23955

بررسي ثابت هاي نيرو زاويه هاي دو وجهي در تركيبات دارويي توسط مدل يادگيري عميق

ارشد

شيمي

ورودي 1398

1400/3/4

دكتر مجيد هاشميان زاده

دكتر هاشميان زاده

شيمي

يادگيرر عمي ا د ر بسيارر از اوز ههار علم و ف نثورر به ويژه در بهش هار ت ويرر متون و شناخو گفتار ر ت ولي ايجاد كرد هاسو . علوم م اسباتي شيمي نيز از نبيه مستينا نبود ه و دستهو ش تغييران و پيشرفتهار زياد ر د ر اي ن زمين ه شده اسو. د ر اي ن ت صيا ما نشان م يدهيم كه چرونه يك شبكه ع بي عميا م نوعي (NN) اموزش ديده شده با داده ها ر م اسبان DFT مكانيك كوانتومي (QM) م يتواند يك پتانسيك دنيا و نابك انتصال برار مولكو لهار ثلي را فراهم كن د . اين مدل شبكه ع بي ANAKIN-ME وشبكه دنيا ع بي engINe برار انرژ رهار مولكوليب يا به ور اخت ار ANI ميرفي شده اسو. يادگيرر عميا روشي جديد اسو كه با هد توسيه پتانسيكهار شبكه ع بي نابك انتصال رااي شدهاسو كه از يك نسهه اللا شده با دنو بالايي از توابل متصار ن مياليان Behler و Parrinello برار ساخو بردارهار تك اتمي AEVs م يم اتم ي (AEV) به عنوان يك نمايش مولكولي استفاده م يكنن د كه توانايي پرورش شبكههار ع بي با داد ههايي را فراهم م يكنند كه هم فبار تركيبي و هم ترتيبي را در بر م يگيرد . از ANI برار ساخو يك پتانسيك به نام ANI -1 استفاده شده اسو كه در زير مجموع هار از پايراههار داده ار GDB با 8 اتم سنرين ثموزش داده شده اسو تا كك انرژرهار ثلي ااور چهار نوع اتم : H ، C ، N و O را پيشبيني كن د . پيش از اين مياليان موردر نشان داده اسو كه ANI-1 در مصايسه با م اسبان DFT در بيشتر سيست مهار مولكو لي بزر گتر وتا 54 اتمب نسبو به موارد موجود در مجموعه داد ههار ثموزشي دنيا تر اسو. مدل هار م اسباتي دنيا برار بررسي انرژر پتانسيك پيچشي سيو مدل سازر ساختار ديناميكي و ات ال پروتئين به ليران د برورر اسو. لذا در ادام ه با كمك اين مد ل ساختار چند مولكول دارويي به لورن دنيا بررسي و با خروجي ها ر م اسبان كوانتومي ميدان نيرو OPLS مصايسه شده. سپ س سيح ا نرژ ر پتانسيك برا ر تيدادر ا ز تورشن هار مهم در ساختارهار اميك متاكرسول بتاهيستين بتازوكائين بتازول و دوپامين اسكن شده توسم مدل ارائه شده و سپس به منظور مصايسه با ساير ميدان ها ر نيرو ر كلاسيكي مورد بررسي نرار گرفته ان د . در مقايسه با داده هاي كوانتومي (B3LYP) و شبيه سازي، ANN-1ccx NNP دقيق ترين روش بود زيرا در توسعه ان يادگيري فعال نيز دخيل هست كه يك نوع تنوع دهنده هوشمند مجموعه داده هست .

1400/03/05

Evaluation of torsional potential of small drug molecules using a proposed deep learning model

5/25/2022 12:00:00 AM

ANAKIN-ME (Accurate NeurAl networK engINe for Molecular Energies) or ANI in short is a new method for developing NNPs that utilizes a modified version of the original SFs to build single-atom atomic environment vectors (AEV) as a molecular representation. present a transferable deep learning. potential that is applicable to complex and diverse molecular systems well beyond the training data set. An ANI potential trained in this way is well suited to predict energies for molecules within the desired training set domain (organic molecules in this dissertation), which is shown to be extensible to larger molecules than those included in the training set. Force field and NNP methods were evaluated to predict the Torsional potential energy surface of different Dihedrals in five small drug molecules since these torsions are significant features for the structure and dynamics of these molecules, accurate computational models of these terms are indispensable for accurate protein−ligand binding simulations. We conclude that In comparison to high level ab initio B3LYP data, the ANI-1ccx NNP was the most accurate method. The ANI-2x NNP had a comparable level of accuracy. The force field methods was less accurate OPLS was chosen to be evaluated.

شبكه ع بي م نوعي پتانسيلي شيمي م اسباتي ANI-1 ، نظريه تابع چگالي) (DFT ميدان نيرو (Force Fields)

ANI , Torsional Energy Potentials , NNP , Force Fields , Drug Molecules