App 介绍

准确的分子结构建模是计算机辅助分子设计的基础，例如水溶液中的质子化过程对分子结构微妙的影响就在药物和催化剂发现中意义非凡。解离常数，或言 pK_a，是这一化学现象的核心概念。然而，在纷繁复杂的酸碱平衡中预测 pK_a 并理清质子化状态之间的关系，始终是计算化学中的难题。

Uni-pK_a 是一个全新的 pK_a 预测框架：它结合了化学平衡中的热力学原理与最先进的分子机器学习模型，在精心构建的数据集上预训练并精调后，能够快速、精确而自洽地处理有机小分子在水溶液中复杂而多变的质子化状态。其自由能建模方法详尽地描述了酸碱平衡的全貌。

我们基于 Uni-pK_a 开发了这一 App 来助力有机小分子的结构准备工作：你只需提供分子结构并指定 pH 范围，就可计算出水溶液中主要质子化形态的占比情况，为下游任务中分子结构的选择和调整提供重要参考。

参考文献

Uni-pKa 使用的分子机器学习模型：Uni-Mol | The molecular machine learning model used by Uni-pKa: Uni-Mol

• Zhou, G., Gao, Z., Ding, Q., Zheng, H., Xu, H., Wei, Z., Zhang, L., and Ke, G. (2023). Uni-Mol: A Universal 3D Molecular Representation Learning Framework. Paper presented at the Eleventh International Conference on Learning Representations.

质子化状态自由能建模的重要性 | The importance of the free energy modeling of protonation states：

• Gunner, M. R., Murakami, T., Rustenburg, A. S., Işık, M., and Chodera, J. D. (2020). Standard state free energies, not pK_as, are ideal for describing small molecule protonation and tautomeric states. Journal of computer-aided molecular design 34, 561–573.

训练数据来源 | Training data sources

• Gaulton, A., Bellis, L. J., Bento, A. P., Chambers, J., Davies, M., Hersey, A., Light, Y., McGlinchey, S., Michalovich, D., Al-Lazikani, B., et al. (2012). ChEMBL: a large-scale bioactivity database for drug discovery. Nucleic acids research 40, D1100–D1107.
• Sander, T., Freyss, J., Korff, M. von, and Rufener, C. (2015). DataWarrior: an open-source program for chemistry aware data visualization and analysis. Journal of chemical information and modeling 55, 460–473.
• Internet Bond-energy Databank (pKa and BDE)–iBonD Home Page. (2017). http://ibond.nankai.edu.cn

引用格式

• Luo, W., Zhou, G., Zhu, Z., Yuan, Y., Ke, G., Wei, Z., ... & Zheng, H. (2024). Bridging Machine Learning and Thermodynamics for Accurate p K a Prediction. JACS Au.