Quantum refinement (Q|R) of crystallographic or cryo-EM derived structures of biomolecules within the Q|R project aims at using ab initio computations instead of library-based chemical restraints. An atomic model refinement requires the calculation of the gradient of the objective function. While it is not a computational bottleneck in classic refinement it is a roadblock if the objective function requires ab initio calculations. A solution to this problem adopted in Q|R is to divide the molecular system into manageable parts and do computations for these parts rather than using the whole macromolecule. This work focuses on the validation and optimization of the automatic divide-and-conquer procedure developed within the Q|R project. Also, we propose an atomic gradient error score that can be easily examined with common molecular visualization programs. While the tool is designed to work within the Q|R setting the error score can be adapted to similar fragmentation methods. The gradient testing tool presented here allows a priori determination of the computationally efficient strategy given available resources for the potentially time-expensive refinement process. The procedure is illustrated using a peptide and small protein models considering different quantum mechanical (QM) methodologies from Hartree-Fock, including basis set and dispersion corrections, to the modern semi-empirical method from the GFN-xTB family. The results obtained provide some general recommendations for the reliable and effective quantum refinement of larger peptides and proteins.

中文翻译：

---

生物分子结构量子细化的最佳聚类：Q|R#4

Q|R 项目中生物分子的晶体学或低温 EM 衍生结构的量子细化 (Q|R) 旨在使用从头计算而不是基于库的化学限制。原子模型细化需要计算目标函数的梯度。虽然它不是经典细化中的计算瓶颈，但如果目标函数需要从头计算，它就是一个障碍。Q|R 中采用的解决方案是将分子系统划分为可管理的部分，并对这些部分进行计算，而不是使用整个大分子。这项工作的重点是验证和优化在 Q|R 项目中开发的自动分而治之程序。还，我们提出了一种原子梯度误差评分，可以使用常见的分子可视化程序轻松检查。虽然该工具设计用于在 Q|R 设置中工作，但错误分数可以适应类似的碎片化方法。此处介绍的梯度测试工具允许在给定可能耗时的细化过程的可用资源的情况下先验确定计算有效的策略。使用肽和小蛋白质模型说明了该过程，该模型考虑了 Hartree-Fock 的不同量子力学 (QM) 方法，包括基组和色散校正，以及来自 GFN-xTB 系列的现代半经验方法。获得的结果为较大肽和蛋白质的可靠和有效的量子精炼提供了一些一般性建议。虽然该工具设计用于在 Q|R 设置中工作，但错误分数可以适应类似的碎片化方法。此处介绍的梯度测试工具允许在给定可能耗时的细化过程的可用资源的情况下先验确定计算有效的策略。使用肽和小蛋白质模型说明了该过程，该模型考虑了 Hartree-Fock 的不同量子力学 (QM) 方法，包括基组和色散校正，以及来自 GFN-xTB 系列的现代半经验方法。获得的结果为较大肽和蛋白质的可靠和有效的量子精炼提供了一些一般性建议。虽然该工具设计用于在 Q|R 设置中工作，但错误分数可以适应类似的碎片化方法。此处介绍的梯度测试工具允许在给定可能耗时的细化过程的可用资源的情况下先验确定计算有效的策略。使用肽和小蛋白质模型说明了该过程，该模型考虑了 Hartree-Fock 的不同量子力学 (QM) 方法，包括基组和色散校正，以及来自 GFN-xTB 系列的现代半经验方法。获得的结果为较大肽和蛋白质的可靠和有效的量子精炼提供了一些一般性建议。此处介绍的梯度测试工具允许在给定可能耗时的细化过程的可用资源的情况下先验确定计算有效的策略。使用肽和小蛋白质模型说明了该过程，该模型考虑了 Hartree-Fock 的不同量子力学 (QM) 方法，包括基组和色散校正，以及来自 GFN-xTB 系列的现代半经验方法。获得的结果为较大肽和蛋白质的可靠和有效的量子精炼提供了一些一般性建议。此处介绍的梯度测试工具允许在给定可能耗时的细化过程的可用资源的情况下先验确定计算有效的策略。使用肽和小蛋白质模型说明了该过程，该模型考虑了 Hartree-Fock 的不同量子力学 (QM) 方法，包括基组和色散校正，以及来自 GFN-xTB 系列的现代半经验方法。获得的结果为较大肽和蛋白质的可靠和有效的量子精炼提供了一些一般性建议。使用肽和小蛋白质模型说明了该过程，该模型考虑了 Hartree-Fock 的不同量子力学 (QM) 方法，包括基组和色散校正，以及来自 GFN-xTB 系列的现代半经验方法。获得的结果为较大肽和蛋白质的可靠和有效的量子精炼提供了一些一般性建议。使用肽和小蛋白质模型说明了该过程，该模型考虑了 Hartree-Fock 的不同量子力学 (QM) 方法，包括基组和色散校正，以及来自 GFN-xTB 系列的现代半经验方法。获得的结果为较大肽和蛋白质的可靠和有效的量子精炼提供了一些一般性建议。