TripK a : Predicción precisa y escalable de propiedades de disociación ácido-base mediante redes de interacción triplete y conocimiento físico

La constante de disociación ácido-base (pKa) caracteriza la tendencia de una molécula a donar o aceptar protones, influyendo fundamentalmente en sus propiedades fisicoquímicas y comportamiento. En consecuencia, la pKa es fundamental para diversas aplicaciones en el descubrimiento de fármacos, incluyendo cribado virtual y diseño de medicamentos. Sin embargo, la predicción precisa de pKa sigue siendo un desafío debido a las intrincadas interacciones atómicas entre grupos ionizables y la escasez de datos experimentales. Para afrontar esto, proponemos TripKa, un predictor cuántico-informado de pKa en medio acuoso que emplea una red de interacción triplete para modelar el acoplamiento termodinámico complejo en equilibrios de protonación multisitio. TripKa se afina utilizando descriptores a nivel cuántico como objetivos de entrenamiento, lo que permite extraer conocimientos físicos sobre las propiedades de disociación ácido-base molecular a partir de datos limitados y de alta calidad. Nuestro TripKa propuesto supera a métodos punteros en múltiples benchmarks de pKa, incluyendo los conjuntos de datos SAMPL6-8 y Novartis, logrando reducciones superiores al 10% tanto en error absoluto medio como en error cuadrático medio. Más allá de la predicción de pKa, TripKa sirve además como modelo fundamental para la predicción de diversas propiedades moleculares y tareas de modelado de interacciones, beneficiándose de su preentrenamiento químicamente informado en pKa.