CN110400598B - 基于mm/pbsa模型的蛋白质-配体结合自由能计算方法 - Google Patents
基于mm/pbsa模型的蛋白质-配体结合自由能计算方法 Download PDFInfo
- Publication number
- CN110400598B CN110400598B CN201910592398.5A CN201910592398A CN110400598B CN 110400598 B CN110400598 B CN 110400598B CN 201910592398 A CN201910592398 A CN 201910592398A CN 110400598 B CN110400598 B CN 110400598B
- Authority
- CN
- China
- Prior art keywords
- protein
- ligand
- free energy
- binding
- pbsa
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Analytical Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Genetics & Genomics (AREA)
- Chemical & Material Sciences (AREA)
- Physiology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于MM/PBSA模型的蛋白质‑配体结合自由能计算方法，包括以下步骤：分别获取蛋白质和配体分子的pdb文件；对蛋白质的pdb文件借助pdb4amber工具进行预处理，删除Amber软件不能读取的氢原子；对配体分子的pdb文件借助antechamber工具，将pdb格式转为mol2文件格式，并且修改原子类型为amber力场的原子类型；借助tleap命令指定配体分子的GAFF力场参数；借助tleap命令采用AMBER99SB‑ILDN分子力场参数，分别生成蛋白质、配体小分子、蛋白质‑配体小分子复合结构的拓扑文件和坐标文件，并在该过程中添加水盒子以及抗衡离子；借助Amber软件对模拟体系进行能量最小化、升温和分子动力学模拟；借助MMPBSA.py程序对上一步骤中的分子动力学模拟轨迹进行基于分子力学‑玻尔兹曼泊松表面积模型的结合自由能计算。
Description
技术领域
本发明涉及分子动力学模拟技术领域，具体涉及一种基于MM/PBSA模型的蛋白质-配体结合自由能计算方法。
背景技术
随着社会和科技的发展，治疗技术也随之发生了很大的改变，除了常规的手术、放疗、化疗、生物治疗和中医中药治疗外，针对病原体在器官组织、分子水平的靶点不同，可以使用不同的靶向治疗技术进行靶点治疗。
目前，常用的靶向治疗技术有靶向药物治疗技术。靶向药物治疗技术的关键是研究蛋白质与配体分子的相互作用，蛋白质与配体分子的结合需要立体互补性和化学互补性。不同的配体分子与靶标蛋白结合时表现出不同的结合强度，如何测量靶向蛋白与配体分子的结合强度是药物发现的第一步。目前可用的测量靶向蛋白与配体分子的结合强度实验技术，包括ITC(Isothermal Titration Calorimetry，等温滴定量热)、FP(FluorescencePolarization，荧光偏振)和SPR(Surface Plasmon Resonance，表面等离子共振)等。虽然实验技术手段能够提供有效的靶向蛋白与配体分子的结合强度，但在实际的实验中会消耗大量的溶剂和蛋白质等试剂，因而在进行大通量筛选时必然花费巨大，无法应用到具体的海量药物筛选中。
随着理论计算的发展，为我们提供了一个可解决上述问题的有效方案。理论计算通过计算蛋白质-配体分子的结合自由能，可对海量分子进行快速筛选，从而发现可与蛋白质结合的配体分子，同时理论计算的药物筛选在前期不需要进行实验，在完成初步的筛选后，只针对有效的结合体分子进行实验验证，有望较低实验成本。但对于虚拟药物筛选，如何准确高效的结合自由能计算关系到药物筛选成败。
目前通用的蛋白质与配体分子结合自由能计算方法包括分子对接、QSAR(Quantitative Structure Activity Relationship，定量构效关系)、基于知识的结合能预测、机器学习、以及分子力学-玻尔兹曼泊松表面积模型估算自由能等。其中，分子对接采用经验函数，可实现快速的结合自由能计算，然而分子对接由于不能考虑或者部分考虑蛋白质柔性结构的变化，尤其是在诱导契合模型提出后，人们认识到在蛋白质-配体结合过程中有较大构象变化，单纯的静态对接存在一定缺陷，无法提供准确的自由能计算。机器学习与深度学习技术是目前新兴的计算方法，可提供较为准确的自由能计算，然而这两类方法需要高质量的数据库和特征提取技术。由于实验存在的误差，以及目前仅解析出部分蛋白质结构，高质量的数据库需要进一步积累。基于分子力学-玻尔兹曼泊松表面积模型对所研究的体系通过分子力场的参数计算蛋白质与配体之间的相互作用能量，并通过隐形溶剂模型计算溶剂化自由能，该方法可研究不同构型时的结合自由能。然而其计算需要消耗大量的计算机时，在以往的研究中只针对从数据库中选择出的部分结构进行了理论计算与验证，还未有研究人员进行高通量的计算。
综上所述，目前通用的蛋白质与配体分子结合自由能计算方法还存在计算误差较大、计算效率较低等问题。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的目的在于提出一种基于MM/PBSA(Molecular Mechanics Poisson Boltzmann SurfaceArea，分子力学-玻尔兹曼泊松表面积)模型的蛋白质-配体结合自由能计算方法，可实现高通量的蛋白质-配体复合结构的结合自由能计算，从而能够提高计算效率，并能够计算不同结构的蛋白质-配体复合结构在不同状态时结合自由能的统计平均值，消除通过单一的蛋白质-配体复合结构进行结合自由能计算而带来的偏差，从而能够提高计算精度。
为达到上述目的，本发明实施例提出了一种基于MM/PBSA模型的蛋白质-配体结合自由能计算方法，包括以下步骤：S1，分别获取蛋白质的pdb(Protein Data Bank，蛋白质结构数据库)文件和配体分子的pdb文件；S2，对蛋白质的pdb文件借助pdb4amber工具进行预处理，删除Amber软件不能读取的氢原子；S3，对配体分子的pdb文件借助antechamber工具，将pdb格式转为mol2文件格式，并且修改原子类型为amber(Assisted Model Buildingwith Energy Refinement)力场的原子类型；S4，借助tleap命令指定配体分子的GAFF(general Amber force field)力场参数；S5，借助tleap命令采用AMBER99SB-ILDN(Assisted Model Building with Energy Refinement frcmod.ff99SBildn)分子力场参数，分别生成蛋白质、配体小分子、蛋白质-配体小分子复合结构的拓扑文件和坐标文件，并在该过程中添加水盒子以及抗衡离子；S6，借助Amber软件对模拟体系进行能量最小化、升温和分子动力学模拟；S7，借助MMPBSA.py程序对步骤S6中的分子动力学模拟轨迹进行基于分子力学-玻尔兹曼泊松表面积模型的结合自由能计算。
根据本发明的基于MM/PBSA模型的蛋白质-配体结合自由能计算方法，先通过pdb4amber工具和antechamber工具分别对应处理获取的蛋白质的pdb文件和配体分子的pdb文件，再借助tleap命令指定配体分子的GAFF力场参数，借助tleap命令采用AMBER99SB-ILDN分子力场参数生成模拟体系，然后采用Amber软件对模拟体系进行能量最小化、升温和分子动力学模拟，最后采用MMPBSA.py程序对分子动力学模拟轨迹进行基于分子力学-玻尔兹曼泊松表面积模型的结合自由能计算，由此，可实现高通量的蛋白质-配体复合结构的结合自由能计算，从而能够提高计算效率，并能够计算不同结构的蛋白质-配体复合结构在不同状态时结合自由能的统计平均值，消除通过单一的蛋白质-配体复合结构进行结合自由能计算而带来的偏差，从而能够提高计算精度。
另外，根据本发明上述实施例提出的基于MM/PBSA模型的蛋白质-配体结合自由能计算方法还可以具有如下附加的技术特征：
进一步地，步骤S1包括：从数据库下载pdb文件格式的蛋白质-配体复合结构；使用grep命令，分别提取出蛋白质和配体分子的结构，并分别另存为pdb文件格式。
进一步地，步骤S1包括：从数据库直接下载蛋白质分子的pdb文件；使用AutoDockVina建立蛋白质与配体的复合结构，利用脚本pdbqt_to_pdb.py将文件另存为pdb文件格式。
进一步地，步骤S6包括：进行2000步的能量最小化，消除模型搭建过程中可能不合理的重叠结构；对所模拟的体系进行升温，采用Langevin控温方法，从0K升温到300K；在300K进行分子动力学模拟。
进一步地，将大量蛋白质-配体复合结构拆分为多组，通过多个GPU进行并行的结合自由能计算。
进一步地，当蛋白质-配体复合结构数量为1600时，将1600个蛋白质-配体复合结构均等拆分为8组。
根据本发明的一个实施例，所述数据库为PDB数据库或PDBbind数据库。
根据本发明的一个实施例，还包括：S8，对计算得到的结合自由能进行回归分析的验证。
进一步地，步骤S8包括：通过阿雷尼乌斯公式将结合自由能转变为结合常数
其中，logKa为结合常数，ΔG为结合自由能，kB为玻尔兹曼常数，T为绝对温度；回归分析计算获得的结合常数与实验测量的结合常数的相关性。
附图说明
图1为本发明实施例的基于MM/PBSA模型的蛋白质-配体结合自由能计算方法的流程图；
图2为本发明一个实施例中关键的脚本程序；
图3为本发明一个实施例中蛋白质-配体复合结构的结构示意图；
图4为本发明一个实施例的基于MM/PBSA模型的蛋白质-配体结合自由能计算方法的流程图；
图5a为本发明一个实施例的基于MM/PBSA模型的蛋白质-配体结合自由能计算方法得到的结合常数logKa示意图；
图5b为本发明实施例得到的结合常数logKa与实验测量得到的结合常数logKa的相关性示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例的基于MM/PBSA模型的蛋白质-配体结合自由能计算方法的流程图。
如图1所示，本发明实施例的基于MM/PBSA模型的蛋白质-配体结合自由能计算方法，包括以下步骤：
S1，分别获取蛋白质的pdb文件和配体分子的pdb文件。
在本发明的一个实施例中，步骤S1具体包括，从数据库下载pdb文件格式的蛋白质-配体复合结构；使用grep命令，分别提取出蛋白质和配体分子的结构，并分别另存为pdb文件格式。
在本发明的另一个实施例中，步骤S1具体包括，从数据库直接下载蛋白质分子的pdb文件；使用AutoDockVina建立蛋白质与配体的复合结构，利用脚本pdbqt_to_pdb.py将文件另存为pdb文件格式，关键的脚本程序如图2所示。其中，AutoDockVina可对未知结合模式的配体进行结合模式构建，可适用于不同的研究问题，具有较广的适用性。
在本发明的一个实施例中，数据库可为PDB数据库(http://www.rcsb.org/)或PDBbind数据库(http://www.pdbbind.org.cn/)。其中，PDBbind的数据库中对每个pdb文件的解析精度进行了分类，便于获取不同解析精度的pdb文件。
S2，对蛋白质的pdb文件借助pdb4amber工具进行预处理，删除Amber软件不能读取的氢原子。
S3，对配体分子的pdb文件借助antechamber工具，将pdb格式转为mol2文件格式，并且修改原子类型为amber力场的原子类型。
在本发明的一个实施例中，对配对分子所采用的电荷来源于X-TOOL所分配的原子电荷。
S4，借助tleap命令指定配体分子的GAFF力场参数。
在本发明的另一个实施例中，也可采用其他力场参数，例如Lipid11(2012)力场参数，Lipid11(2012)力场作为amber系列力场的扩展，参数来自GAFF。
S5，借助tleap命令采用AMBER99SB-ILDN分子力场参数，分别生成蛋白质、配体小分子、蛋白质-配体小分子复合结构的拓扑文件和坐标文件，并在该过程中添加水盒子以及抗衡离子。
在本发明的一个实施例中，水盒子的大小可设置为距离复合物分子
并可根据模拟体系的电荷量加入等量的抗衡离子，保持模拟体系的电中性，然后对生成的蛋白质、配体小分子、蛋白质-配体小分子复合结构的拓扑文件和坐标文件分别进行存储。
在本发明的另一个实施例中，也可采用其他力场参数，例如AMBERff10(AssistedModel Building with Energy Refinement parm10.dat)分子力场参数，其蛋白的参数和AMBER99SB-ILDN分子力场的相同。
S6，借助Amber软件对模拟体系进行能量最小化、升温和分子动力学模拟。
在本发明的一个实施例中，步骤S6包括，进行2000步的能量最小化，消除模型搭建过程中可能不合理的重叠结构；对所模拟的体系进行升温，采用Langevin控温方法，从0K升温到300K；在300K进行分子动力学模拟，具体可在300K进行50ps的NVT(正则系统)的分子动力学模拟，并且存储每2ps时间间隔的结构。
S7，借助MMPBSA.py程序对步骤S6中的分子动力学模拟轨迹进行基于分子力学-玻尔兹曼泊松表面积模型的结合自由能计算。
在本发明的一个实施例中，可将大量的图3所示的蛋白质-配体复合结构拆分为多组，通过多个GPU进行并行的结合自由能计算，进一步地，当蛋白质-配体复合结构数量为1600时，可将1600个蛋白质-配体复合结构根据文件的序列号合理均等拆分为8组。通过在8个计算节点上分别开始进行模拟，充分利用所有的计算节点，可同时对8组任务进行并行计算，可在短时间内获得蛋白质-配体复合结构的结合自由能，从而可实现高通量的蛋白质-配体复合结构结合自由能的计算，满足高通量的蛋白质-配体复合结构的筛选，有望用于靶向药物治疗的技术中。
在本发明的一个具体实施例中，上述实施例的Amber软件可由CUDA Version8.0.44编译，上述实施例的分子动力学模拟及结合自由能计算可在英伟达的Tesla K80上实现GPU的加速计算，能够提高计算效率。
在本发明的一个实施例中，如图4所示，本发明实施例的基于MM/PBSA模型的蛋白质-配体结合自由能计算方法还可包括：
S8，对计算得到的结合自由能进行回归分析的验证。
在本发明的一个实施例中，步骤S8具体包括，通过阿雷尼乌斯公式将结合自由能转变为结合常数
其中，logKa为结合常数，ΔG为结合自由能，kB为玻尔兹曼常数，T为绝对温度；回归分析计算获得的结合常数与实验测量的结合常数的相关性，由此可衡量本发明实施例的基于MM/PBSA模型的蛋白质-配体结合自由能计算方法的可靠性。
进一步地，参照图5a和图5b，可看出本发明实施例的基于MM/PBSA模型的蛋白质-配体结合自由能计算方法得到的结合常数logKa与实验测量得到的logKa有较好的相关性，其中Pearson相关系数为0.48，所以本发明实施例的基于MM/PBSA模型的蛋白质-配体结合自由能计算方法的可靠性较高，可用于靶向药物的虚拟筛选。
根据本发明实施例提出的基于MM/PBSA模型的蛋白质-配体结合自由能计算方法，先通过pdb4amber工具和antechamber工具分别对应处理获取的蛋白质的pdb文件和配体分子的pdb文件，再借助tleap命令指定配体分子的GAFF力场参数，借助tleap命令采用AMBER99SB-ILDN分子力场参数生成模拟体系，然后采用Amber软件对模拟体系进行能量最小化、升温和分子动力学模拟，最后采用MMPBSA.py程序对分子动力学模拟轨迹进行基于分子力学-玻尔兹曼泊松表面积模型的结合自由能计算，由此，可实现高通量的蛋白质-配体复合结构的结合自由能计算，从而能够提高计算效率，并能够计算不同结构的蛋白质-配体复合结构在不同状态时结合自由能的统计平均值，消除通过单一的蛋白质-配体复合结构进行结合自由能计算而带来的偏差，从而能够提高计算精度。
众所周知的是，蛋白质并非静态的结构，所以常用的实验技术中能提供的蛋白质构型仅为蛋白质处于结晶状态时的某一构型，并不能完全反映蛋白质与配体分子的相互作用。而本发明实施例的基于MM/PBSA模型的蛋白质-配体结合自由能计算方法的分子动力学模拟通过解牛顿方程，可演化蛋白质-配体结合后的动态过程，然后根据设定的模拟条件和模拟体系初始的位置、初始速度、控制体系温度，可计算蛋白质分子和配体分子的动态学过程，从而可获取到蛋白质-配体复合结构在不同时刻的结构。针对不同的结构，本发明实施例的基于MM/PBSA模型的蛋白质-配体结合自由能计算方法，基于分子力学-玻尔兹曼泊松表面积模型进行结合自由能的计算，不仅考虑了相互之间的静电能和范德华能，而且考虑了溶剂化对结合的能力的影响。并且，本发明实施例的基于MM/PBSA模型的蛋白质-配体结合自由能计算方法，通过对多个构型计算统计平均值，获得了更可信的结合自由能，从而证实了高通量的结合自由能计算在现有条件已成为可能，有望成为靶向药物筛选的通用理论计算方法。
在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于MM/PBSA模型的蛋白质-配体结合自由能计算方法，其特征在于，包括以下步骤：
S1，分别获取蛋白质的pdb文件和配体分子的pdb文件；
S2，对蛋白质的pdb文件借助pdb4amber工具进行预处理，删除Amber软件不能读取的氢原子；
S3，对配体分子的pdb文件借助antechamber工具，将pdb格式转为mol2文件格式，并且修改原子类型为amber力场的原子类型；
S4，借助tleap命令指定配体分子的GAFF力场参数；
S5，借助tleap命令采用AMBER99SB-ILDN分子力场参数，分别生成蛋白质、配体小分子、蛋白质-配体小分子复合结构的拓扑文件和坐标文件，并在该过程中添加水盒子以及抗衡离子；
S6，借助Amber软件对模拟体系进行能量最小化、升温和分子动力学模拟；
S7，借助MMPBSA.py程序对步骤S6中的分子动力学模拟轨迹进行基于分子力学-玻尔兹曼泊松表面积模型的结合自由能计算；
S8，对计算得到的结合自由能进行回归分析的验证，
步骤S8包括：
通过阿雷尼乌斯公式将结合自由能转变为结合常数
其中，logKa为结合常数，ΔG为结合自由能，kB为玻尔兹曼常数，T为绝对温度；
回归分析计算获得的结合常数与实验测量的结合常数的相关性。
2.根据权利要求1所述的基于MM/PBSA模型的蛋白质-配体结合自由能计算方法，其特征在于，步骤S1包括：
从数据库下载pdb文件格式的蛋白质-配体复合结构；
使用grep命令，分别提取出蛋白质和配体分子的结构，并分别另存为pdb文件格式。
3.根据权利要求1所述的基于MM/PBSA模型的蛋白质-配体结合自由能计算方法，其特征在于，步骤S1包括：
从数据库直接下载蛋白质分子的pdb文件；
使用AutoDockVina建立蛋白质与配体的复合结构，利用脚本pdbqt_to_pdb.py将文件另存为pdb文件格式。
4.根据权利要求2或3所述的基于MM/PBSA模型的蛋白质-配体结合自由能计算方法，其特征在于，步骤S6包括：
进行2000步的能量最小化，消除模型搭建过程中可能不合理的重叠结构；
对所模拟的体系进行升温，采用Langevin控温方法，从0K升温到300K；
在300K进行分子动力学模拟。
5.根据权利要求4所述的基于MM/PBSA模型的蛋白质-配体结合自由能计算方法，其特征在于，将大量蛋白质-配体复合结构拆分为多组，通过多个GPU进行并行的结合自由能计算。
6.根据权利要求5所述的基于MM/PBSA模型的蛋白质-配体结合自由能计算方法，其特征在于，当蛋白质-配体复合结构数量为1600时，将1600个白质-配体复合结构均等拆分为8组。
7.根据权利要求2或3所述的基于MM/PBSA模型的蛋白质-配体结合自由能计算方法，其特征在于，所述数据库为PDB数据库或PDBbind数据库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910592398.5A CN110400598B (zh) | 2019-07-03 | 2019-07-03 | 基于mm/pbsa模型的蛋白质-配体结合自由能计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910592398.5A CN110400598B (zh) | 2019-07-03 | 2019-07-03 | 基于mm/pbsa模型的蛋白质-配体结合自由能计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110400598A CN110400598A (zh) | 2019-11-01 |
| CN110400598B true CN110400598B (zh) | 2023-07-11 |
Family
ID=68323773
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910592398.5A Active CN110400598B (zh) | 2019-07-03 | 2019-07-03 | 基于mm/pbsa模型的蛋白质-配体结合自由能计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110400598B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111161810B (zh) * | 2019-12-31 | 2022-03-22 | 中山大学 | 一种基于约束概率分布函数优化的自由能微扰方法 |
| CN110910951B (zh) * | 2019-11-19 | 2023-07-07 | 江苏理工学院 | 一种基于渐进式神经网络预测蛋白质与配体结合自由能的方法 |
| WO2023123288A1 (zh) * | 2021-12-30 | 2023-07-06 | 深圳晶泰科技有限公司 | 相对结合自由能贡献的确定方法、装置及存储介质 |
| CN114360663B (zh) * | 2021-12-30 | 2024-07-02 | 深圳晶泰科技有限公司 | 相对结合自由能贡献的确定方法、装置及存储介质 |
| CN114334023A (zh) * | 2022-01-25 | 2022-04-12 | 内蒙古工业大学 | 一种基于计算机的化学反应参数计算方法 |
| WO2024026725A1 (zh) * | 2022-08-03 | 2024-02-08 | 深圳阿尔法分子科技有限责任公司 | 一种基于mm/pb(gb)sa的蛋白质-药物结合自由能预测方法及预测系统 |
| CN117079738B (zh) * | 2022-10-24 | 2024-07-09 | 合肥微观纪元数字科技有限公司 | 一种基于量子计算的分子结合能综合计算方法 |
| CN116453587B (zh) * | 2023-06-15 | 2023-08-29 | 之江实验室 | 一种基于分子动力学模型预测配体亲和力的任务执行方法 |
| CN117789840B (zh) * | 2023-12-29 | 2024-06-28 | 上海智峪生物科技有限公司 | 一种自动化分子动力学模拟方法、装置、存储介质及设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080194415A1 (en) * | 2007-02-12 | 2008-08-14 | Zoltan Szabadka | Method for structuring and cleaning steric macromolecular data |
-
2019
- 2019-07-03 CN CN201910592398.5A patent/CN110400598B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| AMBER高级教程A3：MM-PBSA;李继存;《微博科学网》;20180102;第2-23页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110400598A (zh) | 2019-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110400598B (zh) | 基于mm/pbsa模型的蛋白质-配体结合自由能计算方法 | |
| Pun et al. | AI-powered therapeutic target discovery | |
| Xu et al. | De novo molecule design through the molecular generative model conditioned by 3D information of protein binding sites | |
| Kerpedjiev et al. | Predicting RNA 3D structure using a coarse-grain helix-centered model | |
| Chen et al. | Predicting the types of metabolic pathway of compounds using molecular fragments and sequential minimal optimization | |
| Martinez-Rosell et al. | Drug discovery and molecular dynamics: methods, applications and perspective beyond the second timescale | |
| Gaillard et al. | Evaluation of DNA force fields in implicit solvation | |
| Sun et al. | Computational tools for aptamer identification and optimization | |
| CN106055920B (zh) | 一种基于阶段性多策略副本交换的蛋白质结构预测方法 | |
| CN103077226B (zh) | 一种多模态蛋白质构象空间搜索方法 | |
| Lagorce et al. | DG-AMMOS: A New tool to generate 3D conformation of small molecules using D istance G eometry and A utomated M olecular M echanics O ptimization for in silico S creening | |
| Palermo et al. | Computational chemistry for drug discovery | |
| Parisien et al. | Determining RNA three-dimensional structures using low-resolution data | |
| Lim et al. | Fragment pose prediction using non-equilibrium candidate Monte Carlo and molecular dynamics simulations | |
| Liu et al. | De novo protein structure prediction by incremental inter-residue geometries prediction and model quality assessment using deep learning | |
| Barros et al. | Recent developments in multiscale free energy simulations | |
| Swanson | Multiscale kinetic analysis of proteins | |
| Morozov et al. | Protein-protein docking using a tensor train black-box optimization method | |
| Thomas et al. | In silico protein engineering: Methods and Tools | |
| Zhao et al. | Recent advances in protein folding pathway prediction through computational methods | |
| Duncan et al. | Exploring Novel Biologically-Relevant Chemical Space Through Artificial Intelligence: The NCATS ASPIRE Program | |
| Tripathi et al. | Application of machine learning and molecular modeling in drug discovery and cheminformatics | |
| Bonetta et al. | Role of protein structure in drug discovery | |
| Jadczyk et al. | Examining protein folding process simulation and searching for common structure motifs in a protein family as experiments in the gridspace2 virtual laboratory | |
| Zavitsanou | Automating Free Energy Perturbation Calculations For Drug Design |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |