其他
JCIM期刊指南解读，知计算最新动态发展
JCIM期刊简介
Journal of Chemical Information and Modeling(以下简称JCIM)杂志发表和报道，化学信息和分子建模领域的新方法和/或重要应用。
特定主题，包括化学数据库的表示和基于计算机的搜索、分子建模、计算机辅助分子设计的新材料，催化剂，配体，开发新的计算方法或化学高效算法的软件，生物活性和生物制药等化学分析和其他药物发现的相关问题。
敏锐的化学家、计算机科学家和信息专家关注，这个月刊中富有洞察力的研究学习、编程创新和软件评论，以跟上这个集成的、多学科领域的最新进展。
作为一个用户，您将了解数据库搜索系统，图论在化学问题中的应用，子结构搜索系统，模式识别和聚类，化学和物理数据分析，分子建模，图形和自然语言界面，文献计量学和引文分析，合成设计和反应数据库。
分子模拟和建模，有助于打击当前COVID-19全球大流行,例如，帮助确定COVID-19的治疗、诊断和疫苗线索，提示可能的抗病毒药物和生化探针，分析SARS-CoV-2病毒遗传变异的结构效应，分析分子识别和与感染、病理和抑制相关的机制。
这些努力是对实验的补充，可以与新兴的人工智能和机器学习方法联系起来，并为遗传学研究和大流行风险评估和预测潜在非药物干预(NPIs)影响的数学模型，增加分子洞察力。
为了最大限度地发挥分子模拟方法，在这场危机中的影响和价值，作为一个国际团体，来自美国加州大学圣迭戈分校的Rommie E. Amaro和英国布里斯托大学的Adrian J. Mulholland联合众多研究者(详细名单可见原文)认识到，有必要修改标准做法，以最大限度地提高全球应对这一大流行病的效力。
在此，本文通过ACS COVID-19子集提供，以任何形式或任何方式进行无限制的研究重用和分析，并确认原始来源。这些许可，是在世界卫生组织(世卫组织)宣布COVID-19为全球大流行期间授予的。
迫切需要公开、快速地分享人们的方法、模型和结果，以测试结果，确保再现性、测试意义、消除死胡同，并加速发现。共享COVID-19应用的数据，将有助于连接全球生物分子模拟界的科学家，也将改善模拟、实验和临床数据与研究人员之间的联系和沟通。
参考文献：Rommie E. Amaro and Adrian J. Mulholland. A Community Letter Regarding Sharing Biomolecular Simulation Data for COVID-19. Journal of Chemical Information and Modeling 2020 60(6), 2653-2656. DOI: 10.1021/acs.jcim.0c00319原文链接：https://pubs.acs.org/doi/10.1021/acs.jcim.0c00319
蛋白质-肽的相互作用，在许多细胞和生物功能中，起着至关重要的作用，这证明了人们对基于肽的药物的开发越来越感兴趣。
然而，由于这类配体一些特殊性，如高度的灵活性，预测蛋白质-肽对接的实验结合模式和亲和力，对大多数对接程序，仍然是一个巨大的挑战。
在此，来自巴西国家科学计算中心的Laurent E. Dardenne等人，介绍了DockThor程序在LEADS-PEP数据集上的性能，这是一个由53个不同的蛋白质-肽复合物组成的基准集，肽段有3到12个残基不等，有多达51个可旋转键。
在再对接研究中，DockThor用于姿态预测的性能与一些最先进的对接程序进行了比较，这些程序也在LEADS-PEP数据集、AutoDock、AutoDock Vina、Surflex、GOLD、Glide、rDock和DINC以及特定任务对接协议HPepdock上，进行了评估。
研究结果表明，当考虑到得分最高的对接姿势时，DockThor可以在总体骨干RMSD低于2.5 Å的情况下，对接40%的病例，表现出与Glide相似的结果，并优于其他蛋白配体对接程序，而rDock和HPepDock的结果更好。
评估最接近晶体结构的对接姿态(即最佳rmsd姿态)，DockThor在姿态预测方面的成功率为60%。由于处理多肽化合物的良好整体性能，DockThor方案适用于对接高度灵活和具有挑战性的配体，可多达40个旋转键。DockThor是一个免费的虚拟筛选Web服务器，网址为https://www.dockthor.lncc.br/。
参考文献：Karina B. Santos, Isabella A. Guedes, Ana L. M. Karl, and Laurent E. Dardenne. Highly Flexible Ligand Docking: Benchmarking of the DockThor Program on the LEADS-PEP Protein-Peptide Data Set. Journal of Chemical Information and Modeling 2020 60(2), 667-683. DOI: 10.1021/acs.jcim.9b00905原文链接：https://pubs.acs.org/doi/10.1021/acs.jcim.9b00905
2019年发现的新型冠状病毒(COVID-19)全球传播，是一个亟待解决的问题。事实上，在相当短的时间内，在各个领域都做出了大量的工作。
此文中，来自日本东京大学的Yuji Mochizuki等人，报道了基于片段分子轨道(FMO)的SARS-CoV-2主要蛋白酶(Mpro)，及其肽样抑制剂N3 (PDB ID: 6LU7)之间复合物的相互作用分析。
目的抑制剂分子，被分割成五个片段，以捕获位点特异性相互作用的氨基酸残基蛋白酶。将相互作用能分解为几种贡献，明确了氢键和色散稳定的特性。
此外，水合作用，还考虑了Poisson-Boltzmann (PB)方案。在目前的FMO研究中，发现His41、His163、His164和Glu166，是Mpro与抑制剂相互作用中最重要的氨基酸残基，主要是由于氢键作用。基于FMO分析，研究者提出了抑制剂分子优化的指导原则。
参考文献：Ryo Hatada, Koji Okuwaki, Yuji Mochizuki, Yuma Handa, Kaori Fukuzawa, Yuto Komeiji, Yoshio Okiyama, and Shigenori Tanaka. Fragment Molecular Orbital Based Interaction Analyses on COVID-19 Main Protease − Inhibitor N3 Complex (PDB ID: 6LU7). Journal of Chemical Information and Modeling 60(7), 3593-3602 DOI: 10.1021/acs.jcim.0c00283原文链接：https://pubs.acs.org/doi/10.1021/acs.jcim.0c00283
合成规划，是递归地将目标分子分解成可用前体的过程。计算机辅助合成，可以潜在地帮助化学家设计合成路线；但是，目前的方法比较繁琐，不能得到满意的结果。
在此，来自中山大学的徐峻和杨跃东等人，开发了一个无模板的自校正反合成预测器(SCROP)，使用变换神经网络来预测反向合成。
在该方法中，将反合成规划转化为，从产物到反应物的分子线性符号的机器翻译问题。
通过结合基于神经网络的语法校正器，研究者的方法，在一个标准基准数据集上获得了59.0%的准确率，比其他深度学习方法的准确率高出>21%，比基于模板的高出>6%。更重要的是，对于训练集中没有出现的化合物，研究者的方法比其他最先进的方法的准确度高1.7倍。
参考文献：Shuangjia Zheng, Jiahua Rao, Zhongyue Zhang, Jun Xu, and Yuedong Yang. Predicting Retrosynthetic Reactions Using Self-Corrected Transformer Neural Networks. Journal of Chemical Information and Modeling 2020. 60(1)，47-55 DOI: 10.1021/acs.jcim.9b00949原文链接：https://pubs.acs.org/doi/10.1021/acs.jcim.9b00949
转录因子(TFs)，在控制关键的细胞过程和响应环境中，起着至关重要的作用。酵母是一种单细胞真菌，是基础生物学中研究转录和翻译的重要生物模型。
尽管，前人已经利用传统的方法和高通量技术，对酵母细胞的转录控制过程，进行了广泛的计算和研究。
然而，调节基因主要功能类别的转录因子的身份，仍然未知。由于后基因组时代的生物数据的雪崩，迫切需要开发自动化的计算方法，以便从大量的候选基因中，准确识别有效的转录因子结合位点。
在此，来自天津大学的郭菲等人，分析了TFs的高分辨率DNA结合谱和基序，涵盖了所有可能的连续8-mers。
首先，研究者将所有8-mer基序，分为16个不同的类别，并通过设置E-score阈值，从每个类别中选择各种样本。
然后，研究者采用了五种特征表示方法。此外，还采用了四种特征选择方法，来过滤无用的特征。
最后，研究者使用极端梯度提升(XGBoost)作为基分类器，然后使用一个对一个的策略，来建立16个二元分类器，来解决这个多分类问题。在实验中，研究者的方法获得了最好的性能，整体精度为79.72%，马修的相关系数为0.77。通过多序列比对，研究者发现了不同转录因子家族中，各类别之间的相似关系，并获得了序列原理图。DNA识别的复杂性，可能在基因调控的进化中，起着重要的作用。源代码可以在https://github.com/guofei-tju/tfbs上找到。
参考文献：Zongyu Wang, Wenying He, Jijun Tang, and Fei Guo. Identification of Highest-Affinity Binding Sites of Yeast Transcription Factor Families. Journal of Chemical Information and Modeling 2020 60(3)，1876-1883 DOI: 10.1021/acs.jcim.9b01012原文链接：https://pubs.acs.org/doi/abs/10.1021/acs.jcim.9b01012
END