CEST-forskare utvecklade en ny maskininlärningsmetod baserad på ett latent utrymme med låg energi (LOLS) och funktionell densitetsteori (DFT) för att söka efter molekylära konformers.

Molekylär konformatorsökning är ett ämne av stor betydelse inom beräkningskemi, läkemedelsdesign och materialvetenskap. Utmaningen är att identifiera lågenergikonformatorer i första hand. Denna svårighet beror på den höga komplexiteten hos sökutrymmen, såväl som den beräkningskostnad som är förknippad med noggranna kvantkemiska metoder. Tidigare tog konformersökning avsevärd tid och beräkningsresurser.

För att möta denna utmaning undersökte den gästande doktoranden Xiaomi Guo tillsammans med andra CEST-forskare Lincan Fang, Prof. Patrick Rinke, Dr. Xi Chen och Prof. Milica Todorovic (Åbo universitet) möjligheten att utföra sökningen av molekylära konformer i en lågdimensionellt latent utrymme. Denna metod använder en generativ modellvariationsautokodare (VAE) och fördomar VAE mot molekylära konfigurationer med låg energi för att generera mer informativ data. På detta sätt kan modellen effektivt lära sig ytan med låg energipotential och därmed identifiera de relaterade molekylära konformatorerna. CEST-teamen kallar sin nya metod för lågenergi latent utrymme (LOLS) conformer search.

I en nyligen publicerad Journal of Chemical Theory and Computation publikation, testade författarna denna nya LOLS-procedur på aminosyror och peptider med fem till nio sökdimensioner. De nya resultaten stämmer väl överens med tidigare studier. Teamet fann att för små molekyler som cystein är det mer effektivt att ta provdata i verkliga rymden; dock visar sig LOLS vara mer lämplig för större molekyler som peptider. Författarna planerar nu att utöka sina struktursökningsmetoder till mer komplexa material bortom molekyler. + Utforska vidare

Ny maskininlärningsmetod påskyndar sökningen efter molekylära konformers