Biological Activity Relationship of Cyclic and Noncyclic Alkanes Using Quantum Molecular Descriptors

A 3-Dimension-Quantitative Structure-Activity Relationship (3D-QSAR1) approach is applied for the prediction of accurate chemical products made from biological activity and toxicity. Quantum chemical technique allows the construction of the molecular descriptors. The molecular quantum descriptors are classified into five principal component factors. Various linear regression equations are obtained using the statistical technique. In this study, the researchers propose the three best regression equations based on quantum molecular descriptors discussed earlier in this study. The observed EC50 vs calculated EC50 is plotted using the best fitting with the quantum descriptors.

融合多模态数据的药物合成反应的虚拟筛选

药物合成反应,特别是不对称反应是现代药物化学的重要组成部分。化学家们投入了巨大的人力和资源来识别各种化学反应模式,以实现高效合成和不对称催化。量子力学计算和机器学习算法在这一领域的最新研究证明了通过计算机学习现有药物合成反应数据并进行精确虚拟筛选的巨大潜力。然而,现有方法局限于单一模态的数据来源,并且由于数据少的限制,只能使用基本的机器学习方法,使它们在更广泛场景中的普遍应用受到阻碍。因此,提出两种融合多模态数据的药物合成反应的筛选模型来进行反应产率和对映选择性的虚拟筛选,并给出了一种基于Boltzmann分布进行加权的3D构象描述符,从而将分子的立体空间信息与量子力学性质结合起来。这两种多模态数据融合模型在两个代表性的有机合成反应(C-N偶联反应和N,S-缩醛反应)中进行了训练和验证,结果表明前者的R2相对于基线方法在大多数据划分上的提升超过了1个百分点,后者的平均绝对误差(MAE)相对于基线方法在大多数据划分上的下降超过了0.5个百分点。可见,在有机反应筛选的不同任务中采用基于多模态数据融合的模型都会带来好的性能。

烃基酚类化合物结构与毒性关系研究

有机化合物通常由电性各异的氢、碳、氮、氧、硫及卤素等原子以共价键结合而成,从分子的三维空间结构出发,按照不同类型原子之间电性相互作用得到一种分子结构表达方法——三维分子电性相互作用矢量(three dimensional molecular electronegativity interaction vector,3D-MEIV).利用该矢量对41种烃基酚类化合物进行结构表达,通过逐步回归的方法建立了2变量毒性模型,复相关系数(R)为0.9438,均方根误差(RMS)为0.2541.再用留一法(Leave-one-out,LOO)交互检验对模型进行了评价,得到的复相关系数(R(CV))为0.9349,均方根误差(RMS(CV))为0.2728.结果表明3D-MEIV能较好地表征烃基酚类化合物的分子结构,所建模型具有较好的稳定性和预测能力.