Predicción de STD

[0HH02]

• Título: KESTD
• Autores:
  • Carlos Mario Chang Jardínez (https://github.com/0HH02)
  • Ernesto Rousell Zurita (https://github.com/Rousellz)
  • Yisell Martínez Noa (https://github.com/yisell01)
  • Lidier Robaina Caraballo (https://github.com/lido1015)
  • Carlos Manuel García Rodríguez (https://github.com/karlosgr)
• Repositorio: https://github.com/0HH02/Machine_Learning_KESTD.git
• Organización: https://trello.com/invite/b/67621f15611077bf3fa377dd/ATTIc341ec5943bb7b14f48ae3e6bfd50b2bCF4D8D20/machine-learning
• Contacto: Lic. Ernesto Alejandro Fajardo Díaz +5355258363

Resumen del proyecto

El objetivo es construir un modelo de aprendizaje automático (ML) para predecir las intensidades de STD (Diferencia de transferencia de saturación) para cada protón de una molécula de ligando en un complejo proteína-ligando de baja afinidad.

Datos Disponibles

• Descriptores Moleculares: Información sobre el entorno molecular de los átomos de hidrógeno en el ligando. Esto puede incluir:
• Estructuras 3D de los complejos: Coordenadas espaciales de los átomos en las moléculas de ligando y proteína.
• Distancias entre átomos: Distancias entre los átomos de hidrógeno del ligando y los protones de la proteína.
• Descriptores del entorno: Tipo de átomos, hibridación, residuos al que pertenecen, u otros.

Datos a predecir

El modelo de ML debe predecir las intensidades de STD para cada protón del ligando en función de los descriptores del entorno molecular. Esto implica aprender la relación entre las características del entorno y las intensidades de STD observadas experimentalmente.