Kredit:Aalto Universitet
CEST-forskere udviklede en ny maskinlæringstilgang baseret på et lav-energi latent rum (LOLS) og densitets funktionel teori (DFT) til at søge efter molekylære konformere.
Molekylær konformersøgning er et emne af stor betydning inden for beregningskemi, lægemiddeldesign og materialevidenskab. Udfordringen er at identificere lavenergikonformere i første omgang. Denne vanskelighed opstår på grund af den høje kompleksitet af søgerum, såvel som de beregningsmæssige omkostninger forbundet med nøjagtige kvantekemiske metoder. Tidligere ville konformer-søgning tage betydelig tid og beregningsressourcer.
For at løse denne udfordring undersøgte den gæstende ph.d.-studerende Xiaomi Guo sammen med andre CEST-forskere Lincan Fang, Prof. Patrick Rinke, Dr. Xi Chen og Prof. Milica Todorovic (University of Turku) muligheden for at udføre den molekylære konformer-søgning i en lavdimensionelt latent rum. Denne metode bruger en generativ modelvariationel auto-encoder (VAE) og fordrejer VAE mod lavenergi-molekylære konfigurationer for at generere mere informative data. På denne måde kan modellen effektivt lære den lavenergipotentiale overflade og dermed identificere de relaterede molekylære konformere. CEST-holdene kalder deres nye metode low-energy latent space (LOLS) conformer search.
I et nyligt Journal of Chemical Theory and Computation publikation, testede forfatterne denne nye LOLS-procedure på aminosyrer og peptider med fem til ni søgedimensioner. De nye resultater stemmer godt overens med tidligere undersøgelser. Holdet fandt ud af, at for små molekyler som cystein er det mere effektivt at prøve data i det virkelige rum; LOLS viser sig dog at være mere velegnet til større molekyler såsom peptider. Forfatterne planlægger nu at udvide deres struktursøgningsmetoder til mere komplekse materialer ud over molekyler. + Udforsk yderligere