Chirality is understood by many as a binary concept: a molecule is either chiral or it is not. In terms of the action of a structure on polarized light, this is indeed true. When examined through the prism of molecular recognition, the answer becomes more nuanced. In this work, we investigated chiral behavior on protein–ligand binding: when does chirality make a difference in binding activity? Chirality is a property of the 3D structure, so recognition also requires an appreciation of the conformation. In many situations, the bioactive conformation is undefined. We set out to address this by defining and using several novel 2D descriptors to capture general characteristic features of the chiral center. Using machine‐learning methods, we built different predictive models to estimate if a chiral pair (a set of two enantiomers) might exhibit a chiral cliff in a binding assay. A set of about 3800 chiral pairs extracted from the ChEMBL23 database was used to train and test our models. By achieving an accuracy of up to 75 %, our models provide good performance in discriminating chiral cliffs from non‐cliffs. More importantly, we were able to derive some simple guidelines for when one can reasonably use a racemate and when an enantiopure compound is needed in an assay. We critically discuss our results and show detailed examples of using our guidelines. Along with this publication we provide our dataset, our novel descriptors, and the Python code to rebuild the predictive models.

中文翻译：

---

手性悬崖：调查手性对结合亲和力的影响

手性被许多人理解为一个二元概念：一个分子是手性的或不是手性的。就结构对偏振光的作用而言，这确实是正确的。当通过分子识别的棱镜进行检查时，答案会变得更加细微。在这项工作中，我们研究了蛋白质-配体结合的手性行为：手性何时会改变结合活性？手性是3D结构的属性，因此识别也需要对构象进行欣赏。在许多情况下，生物活性构象是不确定的。我们着手解决这个问题，方法是定义并使用一些新颖的2D描述符来捕获手性中心的一般特征。使用机器学习方法 我们建立了不同的预测模型，以估计手性对（一组两个对映异构体）在结合试验中是否可能表现出手性悬崖。从ChEMBL23数据库中提取的一组约3800个手性对用于训练和测试我们的模型。通过达到高达75％的精度，我们的模型在区分手性悬崖和非悬崖时提供了良好的性能。更重要的是，我们能够得出一些简单的指南，说明何时可以合理使用消旋体，何时需要对映纯化合物。我们会严格讨论我们的结果，并显示使用准则的详细示例。连同该出版物一起，我们提供了数据集，新颖的描述符以及用于重建预测模型的Python代码。从ChEMBL23数据库中提取的一组约3800个手性对用于训练和测试我们的模型。通过达到高达75％的精度，我们的模型在区分手性悬崖和非悬崖时提供了良好的性能。更重要的是，我们能够得出一些简单的指南，说明何时可以合理使用外消旋体以及何时需要对映纯化合物。我们会严格讨论我们的结果，并显示使用准则的详细示例。连同该出版物一起，我们提供了数据集，新颖的描述符以及用于重建预测模型的Python代码。从ChEMBL23数据库中提取的一组约3800个手性对用于训练和测试我们的模型。通过达到高达75％的精度，我们的模型在区分手性悬崖和非悬崖时提供了良好的性能。更重要的是，我们能够得出一些简单的指南，说明何时可以合理使用消旋体，何时需要对映纯化合物。我们会严格讨论我们的结果，并显示使用准则的详细示例。连同该出版物一起，我们提供了数据集，新颖的描述符以及用于重建预测模型的Python代码。我们能够得出一些简单的指南，说明何时可以合理地使用外消旋体以及何时需要在分析中使用对映纯化合物。我们会严格讨论我们的结果，并显示使用准则的详细示例。连同该出版物一起，我们提供了数据集，新颖的描述符以及用于重建预测模型的Python代码。我们能够得出一些简单的指南，说明何时可以合理地使用外消旋体以及何时需要在分析中使用对映纯化合物。我们会严格讨论我们的结果，并显示使用准则的详细示例。连同该出版物一起，我们提供了数据集，新颖的描述符以及用于重建预测模型的Python代码。