From medicines to materials, small organic molecules are indispensable for human well-being. To plan their syntheses, chemists employ a problem solving technique called retrosynthesis. In retrosynthesis, target molecules are recursively transformed into increasingly simpler precursor compounds until a set of readily available starting materials is obtained. Computer-aided retrosynthesis would be a highly valuable tool, however, past approaches were slow and provided results of unsatisfactory quality. Here, we employ Monte Carlo Tree Search (MCTS) to efficiently discover retrosynthetic routes. MCTS was combined with an expansion policy network that guides the search, and an "in-scope" filter network to pre-select the most promising retrosynthetic steps. These deep neural networks were trained on 12 million reactions, which represents essentially all reactions ever published in organic chemistry. Our system solves almost twice as many molecules and is 30 times faster in comparison to the traditional search method based on extracted rules and hand-coded heuristics. Finally after a 60 year history of computer-aided synthesis planning, chemists can no longer distinguish between routes generated by a computer system and real routes taken from the scientific literature. We anticipate that our method will accelerate drug and materials discovery by assisting chemists to plan better syntheses faster, and by enabling fully automated robot synthesis.

In de novo drug design, computational strategies are used to generate novel molecules with good affinity to the desired biological target. In this work, we show that recurrent neural networks can be trained as generative models for molecular structures, similar to statistical language models in natural language processing. We demonstrate that the properties of the generated molecules correlate very well with the properties of the molecules used to train the model. In order to enrich libraries with molecules active toward a given biological target, we propose to fine-tune the model with small sets of molecules, which are known to be active against that target. Against Staphylococcus aureus, the model reproduced 14% of 6051 hold-out test molecules that medicinal chemists designed, whereas against Plasmodium falciparum (Malaria), it reproduced 28% of 1240 test molecules. When coupled with a scoring function, our model can perform the complete de novo drug design cycle to generate large sets of novel molecules for drug discovery.

Reaction prediction and retrosynthesis are the cornerstones of organic chemistry. Rule-based expert systems have been the most widespread approach to computationally solve these two related challenges to date. However, reaction rules often fail because they ignore the molecular context, which leads to reactivity conflicts. Herein, we report that deep neural networks can learn to resolve reactivity conflicts and to prioritize the most suitable transformation rules. We show that by training our model on 3.5 million reactions taken from the collective published knowledge of the entire discipline of chemistry, our model exhibits a top10-accuracy of 95 % in retrosynthesis and 97 % for reaction prediction on a validation set of almost 1 million reactions.

Abstract 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.

Cryo-EM and X-ray crystallography provide crucial experimental data for obtaining atomic-detail models of biomacromolecules. Refining these models relies on library- based stereochemical restraints, which, in addition to being limited to known chemical entities, do not include meaningful noncovalent interactions relying solely on nonbonded repulsions. Quantum mechanical (QM) calculations could alleviate these issues but are too expensive for large molecules. We present a novel AI-enabled Quantum Refinement (AQuaRef) based on AIMNet2 neural network potential mimicking QM at substantially lower computational costs. By refining 41 cryo-EM and 30 X-ray structures, we show that this approach yields atomic models with superior geometric quality compared to standard techniques, while maintaining an equal or better fit to experimental data.

This study investigated the extent of injury incidence and burden in a professional women football team of the Scottish Women's Premier League during two seasons. All injuries causing time-loss or required medical attention were recorded prospectively. A total of 671 injuries, 570 requiring medical attention and 101 causing time-loss were recorded in 41 players. Injuries occurring with National Team resulted in 12% of the club's international players' lay-off. Overall injury incidence was 11.1/1000-hours and burden was 368.9 days/1000-hours. Injury incidence (23.9/1000-hours vs 8.2/1000-hours) and burden (1049.8 days/1000-hours vs 215.1 days/1000-hours) were higher for match compared to training. Foremost mechanism of match injury burden was indirect-contact, which was different than the non-contact predominantly observed for training injury burden. Injury incidence, burden and patterns differed between training, match and playing positions. Tailoring injury-risk reduction strategies considering context, circumstances and playing position deserve consideration to enhance player's injury resilience in professional women footballers.

Low-resolution data derived from crystallographic or electron cryo-microscopy experiments can benefit from high quality restraints derived from quantum chemical methods. However, non-periodic atom-centered quantum chemistry codes do not inherently account for nearest neighbor interactions of crystallographic symmetry related copies in a satisfactory way. Herein, we have included these nearest neighbor effects in our model by expanding to a super-cell, and then truncating the super-cell to only include residues from neighboring cells that are interacting with the asymmetric unit. In this way our fragmentation approach can adequately and efficiently include the nearest neighbor effects. We have shown previously that a moderately sized X-ray structure can be treated with quantum methods if a fragmentation approach was applied. In this study, we partition a target protein (4gif) into a number of large fragments. The use of large fragments (typically hundreds of atoms) is tractable when a GPU based package such as TeraChem is employed or cheaper (semi-empirical) methods are used. We run the QM calculations at the HF-D3/6-31G level. We compare and contrast the models refined using a recently developed semi-empirical method (GFN2-xTB). To validate the refinement procedure for a non-P1 structure, we use a standard set of crystallographic metrics. We show the robustness of our implementation by refining 13 additional protein models across multiple space-groups and present the summary of the refinement metrics.