Development of a hybrid QM/ML method for the calculation of protein-drug interactions

Abstract

Despite its significant strengths, computer-aided drug design is limited in accuracy by the size of the studied structure, which restricts the computational complexity of methods usable for this purpose. One possible way to tackle this issue is via so-called ∆-ML methods, combining the robustness and speed of semiempirical quantum mechanical methods with a state-of-the-art machine learning correction. Using this approach, this work aims to develop a broad, SQM/ML computational method, PM6-ML. After the completion of training and model selection, the method was tested on multiple datasets relevant for drug design, and compared against similar methods (Nováček and Řezáč, 2025).

Přes svou nespornou užitečnost je vývoj léků s pomocí výpočetní chemie limitován na přesnosti velikostí studovaného systému, která omezuje výpočetní náročnost použitelných metod. Jeden z možných postupů řešení tohoto problému je využití takzvaných ∆-ML metod, které kombinují robustnost a rychlost semiempirických kvantově mechanických metod s korekcí pomocí nejmodernějších technik strojového učení. Cílem této práce je pomocí tohoto přístupu vyvinout široce aplikovatelnou SQM/ML metodu, PM6-ML. Po dokončení trénování a vybrání nejvhodnějších modelů byla tato metoda otestována na několika datasetech relevantních pro vývoj léků a srovnána s podobnými metodami (Nováček and Řezáč, 2025).