Parciální atomové náboje jsou reálná čísla aproximující elektronovou hustotu v molekule. Náboje nacházejí mnohá uplatnění v oborech, jako je strukturní bioinformatika, výpočetní chemie nebo chemoinformatika. Protože jsou však náboje pouze teoretický koncept, nelze jejich hodnoty určit měřením ale pouze výpočtem. Standardní metody výpočtu jsou založeny na metodách kvantové mechaniky (QM), jejich výpočetní náročnost ale limituje jejich použití pouze na malé systémy. Druhým způsobem je použití výrazně rychlejších empirických metod, které se snaží pomocí jednoduchých fyzikálně chemických modelů reprodukovat QM výsledky. Třetí možností je pak využít v současnosti v mnoha oborech populární metody strojového učení. Ty jsou obecně nezávislé na typu dat a představují tak zajímavou alternativu k empirickým metodám. Pro výpočet parciálních atomových nábojů již byly použity několikrát (např. [1, 2]), dosud však neexistuje jejich přímé srovnání a stejně tak srovnání se zavedenými empirickými metodami.

Cíle práce:
1. Provést rešerši machine-learningových technik používaných pro výpočet parciálních atomových nábojů.
2. Na základě této rešerše vybrat a implementovat v jazyce Python (a jeho základních knihovnách, jako je scikit-learn) snadno použitelné přístupy pro výpočet parciálních atomových nábojů.
3. Provést srovnání těchto přístupů (tj. proces parametrizace, rychlost výpočtu, kvalita nábojů) na reprezentativní sadě molekul s vybraným typem referenčních QM nábojů.
4. Přidat srovnání těchto přístupů s novou empirickou metodou SQE+qp [3].
5. Otestovat vhodnost vypočítaných nábojů pro predikci pKa [4, 5].

Reference:
[1] Bleiziffer, P., Schaller, K., & Riniker, S. (2018). Machine learning of partial charges derived from high-quality quantum-mechanical calculations. Journal of chemical information and modeling, 58(3), 579-590.
[2] Martin, R., & Heider, D. (2019). ContraDRG: automatic partial charge prediction by machine learning. Frontiers in genetics, 990.
[3] Schindler, O., Raček, T., Maršavelski, A., Koča, J., Berka, K., & Svobodová, R. (2021). Optimized SQE atomic charges for peptides accessible via a web application. Journal of cheminformatics, 13(1), 1-11.
[4] Svobodová Vařeková, R., Geidl, S., Ionescu, C. M., Skřehota, O., Kudera, M., Sehnal, D., ... & Koča, J. (2011). Predicting pKa values of substituted phenols from atomic charges: comparison of different quantum mechanical methods and charge distribution schemes. Journal of chemical information and modeling, 51(8), 1795-1806.
[5] Svobodová Vařeková, R., Geidl, S., Ionescu, C. M., Skřehota, O., Bouchal, T., Sehnal, D., ... & Koča, J. (2013). Predicting pKa values from EEM atomic charges. Journal of cheminformatics, 5(1), 1-15.