感知构象的机器学习电荷让低成本MM-PBSA的亲和力排序更准
- 该ML/MM框架在终点自由能计算中引入随结合状态和构象变化的机器学习电荷,并采用两种嵌入方式。
- 研究在JACS和Merck基准集的多个靶点上做了回顾性评估。
- 两种方式的亲和力排序都优于经典MM-PBSA,额外计算成本可以接受。
- 电荷来源对照实验和PTP1B复合物分析表明,改进来自对局部静电环境的更好描述。
💡 要点 基于摘要的观点
最值得先看的是电荷来源对照实验,它检验改进究竟来自感知极化的电荷,还是仅仅换了一种电荷模型。不过评估是回顾性的,摘要也没提到与炼金术自由能方法(先导优化中常用的参照)的比较。可以先拿团队中亲和力已知的系列试一试。
Incorporating Polarization into ML/MM Endpoint Calculations for Protein–Ligand Affinity Ranking ↗