論文の概要: QMProt: A Comprehensive Dataset of Quantum Properties for Proteins
- arxiv url: http://arxiv.org/abs/2505.08956v2
- Date: Fri, 16 May 2025 21:38:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-20 12:45:56.141987
- Title: QMProt: A Comprehensive Dataset of Quantum Properties for Proteins
- Title（参考訳）: QMProt:タンパク質の量子特性の包括的データセット
- Authors: Laia Coronas Sala, Parfait Atchade-Adelemou,
- Abstract要約: Quantum Mechanics for Proteins (QMProt)は、タンパク質研究における量子コンピューティングアプリケーションをサポートするために開発されたデータセットである。
QMProtは正確な量子力学的および物理化学的データを含み、生体分子の正確なキャラクタリゼーションを可能にする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce Quantum Mechanics for Proteins (QMProt), a dataset developed to support quantum computing applications in protein research. QMProt contains precise quantum-mechanical and physicochemical data, enabling accurate characterization of biomolecules and supporting advanced computational methods like molecular fragmentation and reassembly. The dataset includes 45 molecules covering all 20 essential human amino acids and their core structural elements: amino terminal groups, carboxyl terminal groups, alpha carbons, and unique side chains. QMProt primarily features organic molecules with up to 15 non-hydrogen atoms (C, N, O, S), offering comprehensive molecular Hamiltonians, ground state energies, and detailed physicochemical properties. Publicly accessible, QMProt aims to enhance reproducibility and advance quantum-enhanced simulations in molecular biology, biochemistry, and drug discovery.
- Abstract（参考訳）: 本稿では,タンパク質研究における量子コンピューティング応用を支援するために開発されたデータセットであるQuantum Mechanics for Proteins (QMProt)を紹介する。
QMProtは正確な量子力学的および物理化学的データを含み、生体分子の正確なキャラクタリゼーションを可能にし、分子の断片化や再組み立てのような高度な計算方法をサポートする。
このデータセットは、20の必須アミノ酸とその中核構造要素(アミノ末端基、カルボキシル末端基、アルファ炭素、ユニークな側鎖)全てをカバーする45の分子を含む。
QMProtは主に15個の非水素原子(C, N, O, S)を持つ有機分子を特徴とし、包括的分子ハミルトニアン、基底状態エネルギー、詳細な物理化学的性質を提供する。
一般公開されたQMProtは、再現性を高め、分子生物学、生化学、薬物発見における量子強化シミュレーションを促進することを目的としている。
関連論文リスト
- OrbitAll: A Unified Quantum Mechanical Representation Deep Learning Framework for All Molecular Systems [64.69217059173184]
OrbitAllは、幾何学および物理インフォームドディープラーニングフレームワークである。
任意の電荷、スピン、環境効果を持つ任意の分子系を表現し、処理することができる。
競合するAIモデルよりも10倍少ないトレーニングデータを使用して、化学精度を達成し、密度汎関数理論と比較して約103$ - 104$のスピードアップを実現している。
論文 参考訳（メタデータ） (2025-07-05T01:21:56Z) - How to use quantum computers for biomolecular free energies [2.7113856644674037]
自由エネルギー計算は物理学に基づく生化学プロセスの分析の中心にある。
本稿では, サブストラクチャで得られた正確な量子力学データを, 機械学習による生体分子複合体全体のポテンシャルエネルギーに連続的に関連付ける方法を示す。
論文 参考訳（メタデータ） (2025-06-25T16:27:36Z) - Are Molecules Magical? Non-Stabilizerness in Molecular Bonding [50.24983453990065]
分離原子と平衡状態の分子は、量子計算複雑性の観点からは単純であると推定される。
化学結合の形成過程は電子基底状態の量子的複雑さの顕著な増大を伴うことを示す。
論文 参考訳（メタデータ） (2025-04-09T08:14:27Z) - Mol-LLaMA: Towards General Understanding of Molecules in Large Molecular Language Model [55.87790704067848]
Mol-LLaMAは、分子を中心とした一般的な知識を把握した大きな分子言語モデルである。
異なる分子エンコーダの相補的な情報を統合するモジュールを導入する。
実験の結果,Moll-LLaMAは分子の一般的な特徴を理解することができることがわかった。
論文 参考訳（メタデータ） (2025-02-19T05:49:10Z) - QMe14S, A Comprehensive and Efficient Spectral Dataset for Small Organic Molecules [10.076287990554901]
14元素を含む186,102個の有機分子からなるQMe14Sデータセットを紹介する。
我々は、エネルギー、原子電荷、原子間力、双極子モーメント、四極子モーメント、偏光性、オクタポールモーメント、第1超分極性、ヘッセンなどの計算特性を最適化した。
我々は、QMe14Sでトレーニングされたモデルは、分子スペクトルのシミュレーションにおいて、以前に開発されたQM9Sデータセットでトレーニングされたモデルよりも優れていることを示した。
論文 参考訳（メタデータ） (2025-01-31T04:12:53Z) - Efficient Protein Ground State Energy Computation via Fragmentation and Reassembly [0.0]
本稿では,既存の量子アルゴリズムを用いた量子シミュレーションを実現するための新しい手法を提案する。
我々のアプローチでは、タンパク質を対応するアミノ酸に分解し、それらを個別にシミュレートし、化学修飾を施した後に再組み立てする。
この手法は、比較的小さなペプチドの基底状態エネルギーを再集合して計算し、平均相対誤差が0.00469 pm 0.01071%$であることを示す。
将来的には、より大きな量子コンピュータで、このアプローチがより大きなタンパク質に対して有効かどうかを調査する予定である。
論文 参考訳（メタデータ） (2025-01-07T13:10:49Z) - Machine-learned molecular mechanics force field for the simulation of
protein-ligand systems and beyond [33.54862439531144]
生体分子シミュレーションとコンピュータ支援薬物設計には, 信頼性および分子力学(MM)力場の開発が不可欠である。
本稿では、一般化された機械学習型MM力場、ttexttespaloma-0.3、およびグラフニューラルネットワークを用いたエンドツーエンドの微分可能なフレームワークを紹介する。
力場は、小さな分子、ペプチド、核酸を含む薬物発見に非常に関係した化学ドメインの量子化学エネルギー特性を再現する。
論文 参考訳（メタデータ） (2023-07-13T23:00:22Z) - QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。
現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
論文 参考訳（メタデータ） (2023-06-15T23:39:07Z) - Quantum Computing for Molecular Biology [2.1839191255085995]
量子計算が分子生物学の量子基礎の実用性をいかに前進させるかについて論じる。
生体分子の電子構造における典型的な量子力学的問題について議論する。
論文 参考訳（メタデータ） (2022-12-23T09:23:04Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳（メタデータ） (2022-05-17T13:08:28Z) - CogMol: Target-Specific and Selective Drug Design for COVID-19 Using
Deep Generative Models [74.58583689523999]
新規なウイルスタンパク質を標的とした新規な薬物様小分子を設計するためのエンド・ツー・エンドのフレームワークであるCogMolを提案する。
CogMolは、分子SMILES変分オートエンコーダ(VAE)の適応事前学習と、効率的なマルチ属性制御サンプリングスキームを組み合わせる。
CogMolは、高目標特異性と選択性を有する合成可能で低毒性な薬物様分子の多制約設計を扱う。
論文 参考訳（メタデータ） (2020-04-02T18:17:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。