ترجمه فارسی مقاله پارامتر سازی داده های محور مکانیک مولکولی زمینه های نیرو برای پوشش فضای شیمیایی گسترده

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Data-Driven Parametrization of Molecular Mechanics Force Fields for Expansive Chemical Space Coverage
عنوان مقاله به فارسی پارامتر سازی داده های محور مکانیک مولکولی زمینه های نیرو برای پوشش فضای شیمیایی گسترده
نویسندگان Tianze Zheng, Ailun Wang, Xu Han, Yu Xia, Xingyuan Xu, Jiawei Zhan, Yu Liu, Yang Chen, Zhi Wang, Xiaojie Wu, Sheng Gong, Wen Yan
فرمت مقاله انگلیسی PDF
تعداد صفحات 27
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Chemical Physics,یادگیری ماشین , فیزیک شیمیایی ,
توضیحات Submitted 22 August, 2024; originally announced August 2024. , Comments: ByteFF, a machine learning parametrized MMFF
توضیحات به فارسی ارسال شده در 22 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: Byteff ، یادگیری ماشین پارامتر شده MMFF
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

A force field is a critical component in molecular dynamics simulations for computational drug discovery. It must achieve high accuracy within the constraints of molecular mechanics' (MM) limited functional forms, which offers high computational efficiency. With the rapid expansion of synthetically accessible chemical space, traditional look-up table approaches face significant challenges. In this study, we address this issue using a modern data-driven approach, developing ByteFF, an Amber-compatible force field for drug-like molecules. To create ByteFF, we generated an expansive and highly diverse molecular dataset at the B3LYP-D3(BJ)/DZVP level of theory. This dataset includes 2.4 million optimized molecular fragment geometries with analytical Hessian matrices, along with 3.2 million torsion profiles. We then trained an edge-augmented, symmetry-preserving molecular graph neural network (GNN) on this dataset, employing a carefully optimized training strategy. Our model predicts all bonded and non-bonded MM force field parameters for drug-like molecules simultaneously across a broad chemical space. ByteFF demonstrates state-of-the-art performance on various benchmark datasets, excelling in predicting relaxed geometries, torsional energy profiles, and conformational energies and forces. Its exceptional accuracy and expansive chemical space coverage make ByteFF a valuable tool for multiple stages of computational drug discovery.

چکیده به فارسی (ترجمه ماشینی)

میدان نیرو یک مؤلفه مهم در شبیه سازی دینامیک مولکولی برای کشف داروی محاسباتی است.این باید در محدودیت های کاربردی محدود مکانیک مولکولی (MM) ، که راندمان محاسباتی بالایی را ارائه می دهد ، به دقت بالایی برسد.با گسترش سریع فضای شیمیایی در دسترس مصنوعی ، رویکردهای جدول جستجوی سنتی با چالش های قابل توجهی روبرو هستند.در این مطالعه ، ما با استفاده از یک رویکرد مدرن داده محور ، توسعه Byteff ، یک میدان نیرو سازگار با کهربا برای مولکول های مانند دارو ، به این موضوع می پردازیم.برای ایجاد بایتف ، ما یک مجموعه داده مولکولی گسترده و بسیار متنوع در سطح تئوری B3LYP-D3 (BJ)/DZVP ایجاد کردیم.این مجموعه داده شامل 2.4 میلیون هندسه قطعه مولکولی بهینه شده با ماتریس هسیایی تحلیلی ، همراه با 3.2 میلیون پروفایل پیچشی است.ما سپس یک شبکه عصبی نمودار مولکولی نمودار (GNN) را در این مجموعه داده ، یک لبه و تقارن به دست آوردیم و از یک استراتژی آموزشی با دقت بهینه استفاده کردیم.مدل ما تمام پارامترهای میدان نیروی MM پیوند شده و غیر پیوند شده را برای مولکولهای مانند دارو به طور همزمان در یک فضای شیمیایی گسترده پیش بینی می کند.بایتف عملکرد پیشرفته ای را در مجموعه داده های معیار مختلف نشان می دهد ، و در پیش بینی هندسه های آرام ، پروفایل های انرژی پیچشی و انرژی ها و نیروهای سازگار عالی است.دقت استثنایی آن و پوشش فضایی شیمیایی گسترده ، Byteff را به ابزاری ارزشمند برای چندین مراحل کشف داروهای محاسباتی تبدیل می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.