Reproducibility Archive for Integrated Model Development, Consensus ML Screening, Protein Selection, Docking, and MD to Identify GSK3β Inhibitors
收藏资源简介：
This Zenodo repository contains the complete reproducibility archive for the study: “Integrated Model Development, Consensus ML Screening, Protein Selection, Docking, and MD to Identify GSK3β Inhibitors” The archive includes: Machine Learning · Raw and processed datasets · Full descriptor matrices (normalized + raw) · Pre-processing, feature selection, and PCA scripts · Hyperparameter tuning and model development notebooks Virtual Screening · ASINEX screening datasets (full, AD-filtered, ML-filtered) · Screening workflow notebooks and scripts Molecular Docking · Receptor files (cleaned PDB, PDBQT) · Ligand structures (SDF) · Grid parameter files- config file · Docking logs and best poses for selected ligands · Docking preparation and analysis notebooks · Binding energy results from docking Molecular Dynamics (AMBER + GROMACS Hybrid Workflow) · All AMBER input files: tleap.in, min.in, heat.in, density.in, equil.in, mmpbsa.in · GROMACS production input (prod.mdp), GRO/TOP/TPR files · Ligand parameterization files (mol2, frcmod) · Conversion scripts (acpype, parmed) · Per-ligand MD directories with input files · RMSD, RMSF, SASA, Rg, PCA, HBond, DSSP analysis scripts and outputs · Per-residue MMGBSA and MMPBSA energy results Webtool · Full Streamlit webtool implementation · Final trained RF and ET models (.pkl) · Applicability domain statistics (means, covariance matrices, cutoffs) · ML models, AD cutoffs · Validation datasets and codes This archive is provided to ensure complete transparency and computational reproducibility for peer review.It will be made public upon acceptance of the manuscript. First author: Ajwin Joseph MartinCorresponding author: Dr. Dileep Kumar
本Zenodo存储库包含题为《整合模型开发、共识机器学习（Machine Learning，ML）筛选、蛋白选择、分子对接与分子动力学（Molecular Dynamics，MD）以识别糖原合成激酶3β（Glycogen Synthase Kinase 3β，GSK3β）抑制剂》的研究的完整可复现归档文件。 该归档包含以下内容： ### 机器学习模块 · 原始数据集与预处理后数据集 · 完整描述符矩阵（归一化版与原始版） · 预处理、特征选择与主成分分析（Principal Component Analysis，PCA）脚本 · 超参数调优与模型开发Jupyter笔记本 ### 虚拟筛选模块 · ASINEX筛选数据集（全量集、适用性域（Applicability Domain，AD）过滤集、机器学习过滤集） · 筛选工作流笔记本与脚本 ### 分子对接模块 · 受体文件（清理后的PDB、PDBQT格式文件） · 配体结构（SDF格式文件） · 网格参数文件与配置文件 · 对接日志与选定配体的最优结合构象 · 对接准备与分析笔记本 · 对接得到的结合能计算结果 ### 分子动力学混合工作流模块（AMBER + GROMACS） · 所有AMBER输入文件：tleap.in、min.in、heat.in、density.in、equil.in、mmpbsa.in · GROMACS生产模拟输入文件（prod.mdp）、GRO/TOP/TPR格式文件 · 配体参数化文件（mol2、frcmod格式） · 格式转换脚本（acpype、parmed） · 每个配体对应的分子动力学目录及其中的输入文件 · 均方根偏差（Root Mean Square Deviation，RMSD）、均方根波动（Root Mean Square Fluctuation，RMSF）、溶剂可及表面积（Solvent Accessible Surface Area，SASA）、回转半径（Radius of Gyration，Rg）、主成分分析（PCA）、氢键（Hydrogen Bond，HBond）、蛋白质二级结构字典（Dictionary of Secondary Structure in Proteins，DSSP）分析脚本与输出结果 · 单残基水平的MMGBSA与MMPBSA能量计算结果 ### 网络工具模块 · 完整的Streamlit网络工具实现代码 · 最终训练完成的随机森林（Random Forest，RF）与极限树（Extra Trees，ET）模型（.pkl格式文件） · 适用性域统计数据（均值、协方差矩阵、截断阈值） · 机器学习模型与适用性域截断阈值 · 验证数据集与验证代码 本归档旨在为同行评审提供完全透明且可复现的计算结果，将于论文录用后正式公开。 第一作者：Ajwin Joseph Martin；通讯作者：Dileep Kumar博士
