基于配体与受体结构的酪氨酸酶抑制剂定量构效关系分析

酪氨酸酶是细胞内催化合成黑素的关键酶。理解酪氨酸酶抑制剂结构与活性之间的关系对于设计新药和化妆品具有重要意义。然而,酪氨酸酶抑制剂的定量构效关系仍不清楚。本文利用配体和结构描述符构建了隐式和显式模型,阐明了酪氨酸酶抑制剂定量构效关系。隐式模型的相关系数R高达0.961,显式模型的相关系数为0.775。两个模型很好地预测了3个茶多酚的酪氨酸酶抑制活性,表儿茶素没食子酸酯(ECG)>表没食子儿茶素没食子酸酯(EGCG)>没食子酸(G)。相关性分析发现,抑制剂与酪氨酸酶结合引起的构象熵损失与抑制剂的活性密切相关。具有较少构象熵损失的ECG在4种茶多酚中具有较高酪氨酸酶抑制活性。结合自由能计算也证实ECG与酪氨酸酶的结合能力最强。此外,通过分解结合自由能发现,酪氨酸酶活性中心的氨基酸残基(His57、His201、Asn202、His205、Glu192和Val215)与抑制剂形成了较强的范德华和静电相互作用,进而稳定了复合物结构。

机器学习方法在高分子玻璃化研究中的应用

高分子玻璃的物理性质与其结构和动力学密切相关.揭示高分子玻璃化的微观物理图像对高分子玻璃材料的结构调控和分子设计至关重要.然而,高分子的长链结构和复杂单体结构特征致使目前仍然缺乏普适的理论或者模型来定量解释高分子玻璃化的物理机制.因此,亟需发展更为先进的研究方法从而更深入地理解高分子玻璃化.近年来,国内外学者利用基于数据驱动的信息学方法(例如机器学习)对高分子玻璃化开展了研究,并取得了丰富成果.本综述首先介绍了常用的高分子信息学数据库和机器学习算法.之后,从高分子玻璃化转变温度的预测、新型高分子玻璃材料的研发、过冷液体的结构-动力学关系和玻璃体系相变的确定四个方面总结和评述了机器学习应用在玻璃化研究中的代表性进展.最后,探讨了机器学习方法在高分子玻璃化研究中面临的主要挑战,并对玻璃信息学这一领域的发展进行了展望.

材料基因组学的发展现状、研究思路与建议

回顾了材料基因组学的发展历程,分析了材料基因组学在能源、气体分离、合金、催化和高分子等新材料开发中的成功应用案例、典型流程和理论基础等共性特征,整理出了材料基因组学研究思路的要点和主要方法,并对当前机遇下大力发展材料基因组学提出了建议.

高分子材料大数据研究:共性基础、进展及挑战

介绍了作为一种新的认知范式,大数据研究常见和前沿算法及其应用在高分子材料研究中的共性基础,围绕材料的基础与应用研究聚焦的定量组成-工艺-结构-性质-性能关系,剖析了该关系中的要素和可数值化、定量化的资源和途径.进而系统介绍近4年在高分子材料的合成与自组装、机械热性质、光电声磁性质、分离性质和加工性质等方面大数据研究的一些典型进展,梳理了当前高分子材料大数据研究的难题和挑战,对这一新兴快速发展方向和一段时间内可能的突破进行了展望.