A machine learning-based representation of the electron density in biomacromolecules
- Autores: Bruno Emilio Cuevas Zuviría
- Directores de la Tesis: Luis Fernández Pacios (dir. tes.)
- Lectura: En la Universidad Politécnica de Madrid ( España ) en 2021
- Idioma: español
- Materias:
- Enlaces
- Tesis en acceso abierto en: Archivo Digital UPM
- Resumen
Resolver problemas electrónicos de muchos cuerpos en sistemas moleculares en Mecánica Cuántica ha sido uno de los objetivos más disputados del Aprendizaje Automático. Entre las propiedades moleculares fundamentales, está la densidad electrónica que es la probabilidad de encontrar carga electrónica en una región del espacio. Conociendo esta propiedad, es posible calcular casi todos los demás aspectos de un sistema molecular.
En esta tesis, hemos tratado de predecir la densidad electrónica de grandes moléculas empleando Aprendizaje Automático. Primero hemos estudiado cómo convertir densidades electrónicas provenientes de cálculos cuánticos en modelos lineales a través de una metodología sencilla. Una vez entendimos cómo realizar dicha conversión, construimos tanto conjuntos de datos de densidades electrónicas analíticas como métodos de Aprendizaje Automático basados en redes neuronales. Las redes resultantes sacan partido de los entornos locales de cada átomo para generar deformaciones de la densidad electrónica atómica, de forma que el resultado es una predicción precisa de la densidad electrónica molecular. Combinando nuestro enfoque con varias heurísticas y fórmulas, hemos podido alcanzar diferentes objetivos, como describir la densidad electrónica de proteínas o calcular energías intermoleculares.
Consideramos que esta metodología tiene un gran futuro por delante en varios aspectos de la química computacional.
