MARC

 008250123s2024        us                              c    eng  d
■001000017164064
■00520250211152827
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384081463
■035    ▼a(MiAaPQ)AAI31560279
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a542
■1001  ▼aVargas,  Santiago.
■24510▼aGeometric  Learning  for  Quantum-Informed,  Machine  Learning  and  Analysis  of  Electrostatic  Preorganization
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a265  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Alexandrova,  Anastassia  N.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2024.
■520    ▼aThis  thesis  is  organized  in  a  slightly  unconventional  fashion:  algorithms  lead  and  applications  fill  out  the  content.  I  think  this  emphasizes  my  interests  during  graduate  school  -  I  built  algorithms  and  tools  to  address  issues  that  were  otherwise  inaccessible  to  different  areas  of  computational  chemistry  (including  applied  machine  learning)  and  enzymology.  Two  sets  of  scientific  thrusts  underscore  the  bulk  of  my  work:  algorithms  to  analyze  dynamic,  heterogeneous  fields  in  the  context  of  enzymology  and  flexible  machine  learning  algorithms,  including  those  that  leverage  quantum  descriptors,  for  rigorous  molecular  and  reaction-level  properties.  Each  section  will  include  grounding  on  applications  and  broader  impacts  for  the  reader  as  well.  Now  we  pivot  to  discussing  the  main  thrusts  and  outlining  each  chapter  briefly. General  ML  and  Quantum  Theory  of  Atoms-in-Molecules  (QTAIM):  QTAIM  serves  as  a  mathematical  decomposition  algorithm  for  electronic  basins  within  a  molecule.  The  algorithm  intakes  molecular  densities,  as  computed  (typically)  by  density  functional  theory  (DFT),  and  uses  the  flux  of  density  to  partition  the  scalar  field  into  3-dimensional  atomic  basins  of  density  [14,  16].  These  objects  are  known  as  atomic  basins  and  represent  the  quantum  atom  within  a  molecule.  By  constructing  these  structures,  we  compute  a  rich  set  of  mathematical  descriptors  that  map  to  many  features  including  energies,  bonding,  and  electron  delocalization.  These  features  have  been  correlated,  in  the  past,  to  activation  energies,  reactivity,  and  overall  system  energies,  but  these  uses  largely  relied  on  human  intervention  and  small  datasets  [44,  62,  65,  111,  142,  287].  By  developing  software  centered  around  high-throughput  QTAIM  calculations  and  machine  learning,  I  was  able  to  bring  these  descriptors  to  larger  datasets  and  a  wide  host  of  applications.In  Chapter  2,  I  discuss  an  algorithm  I  implemented  to  predict  Diels-Alder  reaction  barriers  from  QTAIM  signatures  alone.  In  this  study,  we  showed  that  QTAIM  features,  can  be  used  to  surmise  reaction  barriers  while  also  using  machine  learning  techniques  to  understand  what  signatures  were  most  informative  to  our  models.  Here  QTAIM  electrostatic  potentials  and  delocalization  indices  alone  were  able  to  yield  great  performance  on  withheld  datasets.  In  addition,  we  demonstrated  that  QTAIM  features  can  allow  a  machine  learning  model  to  generalize,  to  an  extent,  to  much  larger  Diels-Alder  reactions.  This  chapter  was  adapted  from  the  following:  Machine  Learning  to  Predict  Diels-Alder  Reaction  Barriers  from  the  Reactant  State  Electron  Density.  S.  Vargas*,  M.  Hannefarth,  Z.  Liu,  A.N.  Alexandrova.  Journal  of  Chemical  Theory  and  Computation  2021  17  (10),  6203-6213.  10.1021/acs.jctc.1c00623.In  Chapter  3,  I  discuss  a  package  developed  to  perform  high-throughput  QTAIM  calculations  on  datasets  of  molecules  and  reactions.  This  package  is  currently  adapted  to  work  with  open-source  packages  such  as  ORCA  and  Multiwfn.  These  softwares,  respectively,  compute  DFT  densities  at  a  user-specified  level  of  theory  and  subsequently  compute  QTAIM  descriptors.  The  package  is  built  with  high-performance  compute  (HPC)  in  mind  as  it  can  operate  on  a  single  dataset  with  an  arbitrary  number  of  concurrent  jobs.  Here  I  also  used  the  package  to  compute  QTAIM  values  for  a  diverse  set  of  important  and  difficult  datasets  and  developed  graph  neural  networks  to  predict  molecular  and  reaction  properties  leveraging  QTAIM  as  inputs.  This  chapter  was  adapted  from  the  following:  This  was  adapted  from  High-throughput  quantum  theory  of  atoms  in  molecules  (QTAIM)  for  geometric  deep  learning  of  molecular  and  reaction  properties  Santiago  Vargas,  Winston  Gee,  and  Anastassia  N.  Alexandrova.  Digital  Discovery  2024  3,  987-998.Advancing  Analysis  of  Electric  Fields  in  Proteins:  The  later  chapters  follow  our  work  in  developing  algorithms  to  ingest,  interpret,  and  predict  on  electric  fields  in  protein  active  sites.  This  work  builds  on  the  notion  of  electrostatic  preorganization,  a  theory  that  posits  that  protein  scaffolds  arrange  to  electrostatically  catalyse  chemical  reactions,  and  thereby,  destabilizing  reactants  while  suppressing  transition  state  energies  [299,  301].Chapter  4  depicts  exhaustive  efforts  to  apply  heterogenous  electric  field  analysis  to  understanding  directed  evolution  in  the  context  of  a  protoglobin  directed  evolution  (DE)  trajectory.  Previous  DE  efforts  optimized  protoglobin  to  efficiently  catalyze  carbene  transfer  reactions.  We  show  that  traditional  explanations  for  increased  catalytic  activity  across  the  DE  lineage,  substrate  access  and  binding,  cannot  account  for  the  dramatic  improvements  in  protein  activity.  By  tracking  the  3-D  electric  field  and  using  clustering  algorithms,  we  pinpoint  representative  structures  for  QM/MM  calculations  and  show  that  changes  in  the  electric  field,  along  DE,  improve  carbene  transfer  reactivity.  These  findings  highlight  the  role  electrostatic  organization,  notably  its  dynamic  effect,  has  on  determining  protein  function  and  points  to  its  future  importance  in  designing  proteins  for  relevant  chemical  processes.  This  chapter  is  adapted  from  Directed  Evolution  of  Protoglobin  Optimizes  the  Enzyme  Electric  Field.  Shobhit  S.  Chaturvedi,  Santiago  Vargas,  Pujan  Ajmera,  and  Anastassia  N.  Alexandrova.  Journal  of  the  American  Chemical  Society  2024  146  (24),  16670-16680  DOI:  10.1021/jacs.4c03914.In  Chapter  5,  I  introduce  a  machine  learning  framework  designed  to  predict  enzyme  functionality  directly  from  the  heterogeneous  electric  fields  applied  to  protein  active  sites.  We  apply  this  method  to  a  dataset  of  Heme-Iron  Oxidoreductases.  Previous  studies  here,  focused  on  simple,  point  electric  fields  along  the  Fe-O  bond,  are  insufficient  for  reasonable  accuracy.  On  the  otherhand,  our  3-D,  heterogenous  model  can  accurately  predict  protein  activity  without  relying  on  additional  protein-specific  information.  In  addition,  feature  selection  elucidates  what  electric  field  components  most  inform  our  models  and  thus  highlight  important  components  to  reactivity  and  selectivity.  Finally,  we  apply  previously-mentioned  electric  field  clustering  algorithms  and  QM/MM  calculations  to  reveal  how  dynamic  complexities  in  protein  structures  can  complicate  predictions  and  thus  provides  a  path  forward  for  improved  models  in  this  space.  This  chapter  is  adapted  from  Machine-learning  prediction  of  protein  function  from  the  portrait  of  its  intramolecular  electric  field.  S.  Vargas*,  S.  Chaturvedi,  A.N.  Alexandrova.  (Accepted,  Journal  of  the  American  Chemical  Society). 
■590    ▼aSchool  code:  0031.
■650  4▼aComputational  chemistry
■650  4▼aPhysical  chemistry
■650  4▼aBiochemistry
■653    ▼aQTAIM  descriptors
■653    ▼aHigh-performance  compute
■653    ▼aProtoglobin  
■653    ▼a3-D  electric  field  
■653    ▼aMachine-learning  
■690    ▼a0219
■690    ▼a0487
■690    ▼a0800
■690    ▼a0494
■71020▼aUniversity  of  California,  Los  Angeles▼bChemistry  0153.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164064▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서