Машинное обучение для прогнозирования поверхности потенциальной энергии ресвератрола: квантово-уровневый расчёт

Потенциал нейронной сети ANI-1x, обученный на наборе данных теории функционала плотности, был исследован как метод машинного обучения квантового уровня для прогнозирования поверхностей потенциальной энергии противопаркинсонического препарата ресвератрола (3,5,4′-тригидрокси-транс-стильбена) за очень короткое время вычислений. Для молекулы ресвератрола была проведена всесторонняя валидация метода глубокого обучения ANI-1x с использованием теории функционала плотности на уровне теории ωB97X/6-31G(d). Представленные результаты дают важную информацию для вычислительных фармацевтических исследований, медицинской химии, разработки и дизайна лекарственных препаратов, тем самым внося ценный вклад в эти области.