cinnabar（以前称为砷化物）

报告相对自由能结果

问题：我们必须一致地报告统计数据，我们希望也一致地绘制这些结果。

解决方案：接受相对自由能结果的软件包，与任何特定的方法/系统或软件包无关。为此，输入应尽可能未转换。

用法

python cinnabar.py example.csv

选项

python cinnabar.py --help

术语

D是差异（即相对）而d是方差（即误差条），dDG将是绝对FE的方差，DDG将是两个分子之间的相对自由能。

输出图表

有两种思考自由能模拟结果的方式，一种是将自己视为方法开发者，关注模拟与真实实验值之间的距离。另一种是将自己视为药物开发者——这个方法的所有信息实际上如何帮助我选择下一个分子。统计信息应确实打印在图表上。

DDG的

这些应代表主要数据（即方法开发者），相对自由能模拟的输出。关于如何最好地报告这些数据，仍有讨论。需要决定的问题包括

• 我们应该只报告边缘运行还是所有边缘

• 我们应该进行对称化

  如果我们只报告我们运行的边缘，那么比较不同集合的同一系统的结果会更困难——即如果我运行所有简单边缘，我看起来会比运行更多结果的另一种方法更好。绘制所有边缘可以解决这个问题，但这会使我们离主要数据更远，并且与DG图有些重复。

  相关统计量取决于边选择的符号，因此如果我们需要报告这些，对称化是唯一使这些稳健的方法。一个解决方案既不进行对称化也不报告相关统计量（仅针对这些图报告RMSE和AUE）。

  如果我们使用这些原始数据图，那么应该非常清楚地显示哪些边正在被绘制，以便我们知道我们是在比较一个网络还是另一个网络。也许应该附加一个networkX图。

DG的

这些应代表总体结果（即针对药物设计师），其中相对自由能应一致地结合（即使用MLE）以将可用的DDG转换为DG。由于这些图上只能有Nligand个数据点，因此可以使用任何统计量，但可能排名顺序指标最有用。

统计

• RMSE - 这很好

• MUE - 当比较靶点之间时，它存在一些问题，因为它取决于动态范围（由C. Bayly指出），但在比较方法之间时较少。C. Bayly建议相对绝对误差。此外，GSK的GRAM将是一个很好的衡量标准来纳入（《GRAM：相对结合亲和力预测的真正零模型 | 化学信息与建模杂志》)

• R2/Kendall等（相关系数）- 使用这些统计量与一些DDG图存在一些问题，并且与DG结果相比具有更有用的意义（参见1examples/WhyNotToUseR2ForDDG.ipynb`）

错误

我们如何比较错误？有几个来源

• MBAR

• 重复（相同的模拟再次进行）

• 重复（正向/反向类型）

• 循环封闭

• 其他来源（？）

我们希望一致地处理这些。软件的输入应有两个错误（a）由PYMBAR生成，因为这些是既定标准；（b）另一列包含可能生成的其他错误，可用于尝试补偿MBAR错误的低估。

绘图样式 - 可能无法完全就绘图样式达成一致（也许也不必要）

颜色？色盲友好？

距离相等的不同颜色（如David Hahn/de Groot实验室）？

误差线样式？

从相等单位的指南？

待办事项（将其移动到项目板）

生成人们满意的一组图表。添加MUE的gram分析。将边误差纳入bootstrap。正确处理重复和正反向边。也要有绝对自由能的入口点。查看其他成功指标的图，例如误差的直方图？（类似于METK的图？）目前只是将所有内容与实验数据进行比较，希望进行力场X与力场Y的比较

版权

版权（c）2021，Hannah Bruce Macdonald

致谢

基于计算分子科学Python Cookiecutter版本1.1的项目。