More-Q，量子力学的分子嗅觉受体工程数据集

快速阅读: 据《Nature.com》最新报道，我们介绍了MORE-Q数据集，这是一个涵盖18种黏蛋白嗅觉受体与102种人体气味挥发物分子结合的量子力学数据集。MORE-Q分为三个子集：MORE-Q-G1、MORE-Q-G2和MORE-Q-G3，分别包含受体和分子的量子力学数据、BOV-受体构型数据及BOV-受体-石墨烯系统数据。每个子集均使用GFN2-xTB进行几何优化，并包含多种物理化学性质。该数据集可用于开发预测结合特性的机器学习方法，助力下一代黏蛋白嗅觉受体传感设备的研发。

我们介绍了MORE-Q数据集，这是一个量子力学（QM）数据集，涵盖了由18种源自黏蛋白的嗅觉受体与102种人体气味挥发物（BOV）分子结合形成的非共价分子传感器的结构和电子数据。为了更好地理解它们的分子内和分子间相互作用，我们在传感器设计的不同阶段进行了精确的量子力学计算，因此MORE-Q分为三个子集：i）MORE-Q-G1：18个受体和102个BOV分子的量子力学数据，ii）MORE-Q-G2：23,838个BOV-受体构型的量子力学数据，iii）MORE-Q-G3：1,836个BOV-受体-石墨烯系统的量子力学数据。

我们介绍了MORE-Q数据集，这是一个量子力学（QM）数据集，涵盖了由18种源自黏蛋白的嗅觉受体与102种人体气味挥发物（BOV）分子结合形成的非共价分子传感器的结构和电子数据。每个子集都使用GFN2-xTB进行几何优化，并应用D4色散校正，包含多达39种物理化学性质，包括全局和局部性质以及结合特性，所有这些都在PBE+D3理论框架下的紧密收敛水平上计算得出。

通过从量子力学的角度研究BOV-受体-石墨烯系统，MORE-Q可以作为基准数据集，用于开发预测结合特性的先进机器学习方法。这反过来又可以为开发下一代基于黏蛋白的嗅觉受体传感设备提供有价值的见解。

(以上内容均由Ai生成)