Readme

data_gaussian storage

data_gaussian 目录下
- 机时预测所用的计算结果（ACSOmega2021）
  - _media_yingjin_51ad96af-a542-4f7a-9b9c-13075136e305_ERA_FCST
    - 95159条数据
    - 构造分子108个，drugbank分子1712个
    - 计算泛函：PBEPBE, BLYP, bhanfhlyp, LC-blyp, CAM-B3LYP, M06, M06-2x, wb97xd
    - 计算基组：6-31G, 6-31G*, 6-31+G* (主要此3个)
  - _media_yingjin_51ad96af-a542-4f7a-9b9c-13075136e305_ERA_work1_20201129
    - 上述结果的补充
    - 4672条数据
- 溶液体系，包含基态、激发态（计算机科学2022）
  - _work1_scquant_REM_AI-HPC
    - 12704条数据
    - 基态及激发态计算
- P38蛋白体系（JCC2023）
  - _work1_scquant_ParaEngine-git-QCs
    - 6355条数据
    - P38体系及新冠体系的测试计算
  - _work1_scquant_ParaEngine-git-Gaussian
    - 34087条数据
    - 包含695个分片/分子/氨基酸残基
    - 计算方案包括 M062x-631gss, CAMB3LYP-631gss, wB97XD-631gss, CAMB3LYP-631gss, MP2 等
- 新冠蛋白分片计算结果(JCC2023)
  - _work1_scquant_ParaEngine-git-COVID2019_Results_M062x-631Gs-8A
    - 95103条数据
  - _work1_scquant_ParaEngine-git-COVID2019_Results_M062x_631Gss-GD3-12A
    - 227015条数据
  - _work1_scquant_ParaEngine-git-COVID2019_Results_M062x_631Gss-scfqc-12A
    - 12948条数据
  - _work1_scquant_ParaEngine-git-COVID2019_Results_MP2_631gss-12A
    - 13696条数据
  - _work1_scquant_ParaEngine-git-COVID2019_Results_wb97xd-6311gss-12A
    - 78088条数据
  - _work1_scquant_ParaEngine-git-COVID2019_Results_wb97xd-631Gss-12A
    - 144392条数据

data_gaussian format

233 0 1212.8 0 test10_dimer_6-10 23 52.7304347826087 2097152000 6-31+G(d) [233, 233] E(RM062X) [44, 44] ['-0.163382237580', '-0.195054172598', '-0.007470856512', '-0.004745264700', '-0.000085862482', '-0.000008659366', '-0.000001045323', '-0.000000135890', '-0.000000020508', '-0.000000003290', '-0.000000000344', '-0.000000000080', '-0.000000000026', '0.000000000008'] [ Machine: ERA Package: G16 NPROCS: 24 Charge: 0 Multi: 1 PARAMETERS: #p m062x/6-31+g* TD pop=full nosym ] [ HOMO: -0.311 LUMO:-0.01603 ] [ TDINFO: Excited State 1: Singlet-?Sym 3.9460 eV 314.20 nm f=0.0007 <S**2>=0.000 | Excited State 2: Singlet-?Sym 4.5410 eV 273.04 nm f=0.0002 <S**2>=0.000 | Excited State 3: Singlet-?Sym 5.0568 eV 245.18 nm f=0.0039 <S**2>=0.000 ] [ 23 : O 0.213 1.985 2.213 H 0.014 2.487 3.007 H 0.87 1.314 2.415 O 6.659 2.267 -0.592 O 5.346 0.449 -0.34 O 8.416 2.578 4.165 N 6.878 -0.926 1.271 N 6.405 2.622 5.247 C 7.354 0.362 0.837 C 7.758 1.165 2.035 C 6.673 1.416 3.014 C 6.412 1.027 -0.055 C 7.224 2.219 4.136 H 7.018 2.415 -1.547 H 7.092 -1.668 0.544 H 5.822 -0.881 1.368 H 5.788 3.439 5.092 H 6.471 2.079 6.136 H 8.298 0.177 0.246 H 8.182 2.138 1.72 H 8.576 0.605 2.543 H 6.221 0.514 3.446 H 5.851 2.004 2.539 ] [ 1\1\GINC-C5441\SP\RM062X TD-FC\6-31+G(d)\C5H12N2O4\SCQUANT\16-Dec-2020\0 ] [ Version=ES64L-G09RevE.01\HF=-607.8502647\RMSD=5.734e-09\PG=C01 [X(C5H12N2O4)] ] /work1/scquant/REM_AI-HPC/model1_TDDFT/test10.pdb_GAU/test10_dimer_6-10.log
- Section-1 (Fcst / time_prediction / 机时预测)
  - ref from https://github.com/yingjin-ma/Fcst_sys_public/edit/main/database/rawdata/README.md 格式同ACSOmega已发表工作
  - 233 0 1212.8 0 test10_dimer_6-10 23 52.7304347826087 2097152000 6-31+G(d) [233, 233] E(RM062X) [44, 44] ['-0.163382237580', '-0.195054172598', '-0.007470856512', '-0.004745264700', '-0.000085862482', '-0.000008659366', '-0.000001045323', '-0.000000135890', '-0.000000020508', '-0.000000003290', '-0.000000000344', '-0.000000000080', '-0.000000000026', '0.000000000008']
    - 233 -- 基组总数目 (Used in training)
    - 0 -- Not used yet
    - 1212.8 -- 计算时间 (seconds) (Used in training)
    - 0 -- Not used yet
    - test10_dimer_6-10 -- *** Gaussin输入文件名 ***
    - 23 -- 自洽常迭代数目
    - 52.7304347826087 -- 每次迭代时间 (seconds)
    - 2097152000 -- (MEM? need to check)
    - 6-31+G(d) -- 计算基组
    - [233, 233] -- 每个不可约表示的基组数目
    - E(RM062X) -- 计算方法
    - [44, 44] -- (need to check)
    - ['-0.163382237580', '-0.195054172598', '-0.007470856512', '-0.004745264700', '-0.000085862482', '-0.000008659366', '-0.000001045323', '-0.000000135890', '-0.000000020508', '-0.000000003290', '-0.000000000344', '-0.000000000080', '-0.000000000026', '0.000000000008'] -- 每次迭代的能量变化值
- Section-2 (Basic info. / 基本信息 )
  - Within [], start with Machine / 中括号内，关键字 Machine
  - [ Machine: ERA Package: G16 NPROCS: 24 Charge: 0 Multi: 1 PARAMETERS: #p m062x/6-31+g* TD pop=full nosym ]
    - Machine: ERA
    - Package: G16
    - NPROCS: 24
    - Charge: 0
    - Multi: 1
    - PARAMETERS: #p m062x/6-31+g* TD pop=full nosym
- Section-3 (HOMO LUMO / 前线轨道 )
  - [ HOMO: -0.311 LUMO:-0.01603 ]
- Section-4 (TD informations / 激发态信息 )
  - Within [], start with TDINFO / 中括号内，关键字 TDINFO
  - [ TDINFO: Excited State 1: Singlet-?Sym 3.9460 eV 314.20 nm f=0.0007 <S**2>=0.000 | Excited State 2: Singlet-?Sym 4.5410 eV 273.04 nm f=0.0002 <S**2>=0.000 | Excited State 3: Singlet-?Sym 5.0568 eV 245.18 nm f=0.0039 <S**2>=0.000 ]
    - TDINFO:
    - Excited State 1: -- 第1激发态
    - Singlet-?Sym -- 单三态、对称性信息
    - 3.9460 eV -- 激发能
    - 314.20 nm -- 激发波数
    - f=0.0007 -- 振子强度
    - <S**2>=0.000 -- 自旋信息
- Section-5 (Geometry / 构型信息 )
  - Within [], start with NUM : / 中括号内，关键字 NUM(原子数目) :
  - [ 23 : O 0.213 1.985 2.213 H 0.014 2.487 3.007 H 0.87 1.314 2.415 O 6.659 2.267 -0.592 O 5.346 0.449 -0.34 O 8.416 2.578 4.165 N 6.878 -0.926 1.271 N 6.405 2.622 5.247 C 7.354 0.362 0.837 C 7.758 1.165 2.035 C 6.673 1.416 3.014 C 6.412 1.027 -0.055 C 7.224 2.219 4.136 H 7.018 2.415 -1.547 H 7.092 -1.668 0.544 H 5.822 -0.881 1.368 H 5.788 3.439 5.092 H 6.471 2.079 6.136 H 8.298 0.177 0.246 H 8.182 2.138 1.72 H 8.576 0.605 2.543 H 6.221 0.514 3.446 H 5.851 2.004 2.539 ]
    - 23 : -- 原子总数目
    - O 0.213 1.985 2.213 -- 元素符号, x坐标, y坐标, z坐标
- Section-6 (Gaussian-part1 / 高斯总结信息1 )
  - Within [], contents are separated with \ / 中括号内, 内容通过反斜杠分隔
  - [ 1\1\GINC-C5441\SP\RM062X TD-FC\6-31+G(d)\C5H12N2O4\SCQUANT\16-Dec-2020\0 ]
    - 1\1\ --
    - GINC-C5441 -- 计算机器名称
    - SP -- 计算类型, 此处为SP(Single Point)单点计算
    - RM062X TD-FC -- 计算泛函(RM062X, 注意R为闭壳层意思) 计算方法(TD-FC, Time-Dependent Frank-Condon 激发)
    - 6-31+G(d) -- 基组
    - C5H12N2O4 -- 分子元素构成
    - SCQUANT -- 任务计算用户名
    - 16-Dec-2020 -- 计算时间
- Section-7 (Gaussian-part2 / 高斯总结信息2 )
  - Within [], contents are separated with \ / 中括号内, 内容通过反斜杠分隔
  - [ Version=ES64L-G09RevE.01\HF=-607.8502647\RMSD=5.734e-09\PG=C01 [X(C5H12N2O4)] ]
    - Version=ES64L-G09RevE.01 -- Gaussian版本
    - HF=-607.8502647 -- 体系能量值
    - RMSD -- 均方根误差
    - Dipole=0.327971,-2.1120592,0.0933191 -- 偶极距
    - Quadrupole=-6.6345648,11.2750699,-4.6405051,11.3518393,-1.6737339,4.2125752 -- 四极距
- Section-8 (原始计算输出文件)
  - 原始计算输出文件的绝对路径
  - /work1/scquant/REM_AI-HPC/model1_TDDFT/test10.pdb_GAU/test10_dimer_6-10.log

Discussions sections

-- Discussions for chembiomed platform
-- Quantum Chemical full process for CHEMBIOMED platform

2023.1.6更新

数据平台构建需求文档

一、数据梳理：

-- 自创小分子，200个（分子结构），计算结果数***
-- Drugbank，1000个（分子结构），计算结果数***
-- 李宁新冠蛋白，***个（分子结构），计算结果数***
-- 马博新冠蛋白，***个（分子结构），计算结果数***
-- APPS各个阶段计算数据，镧系锕系

二、数据提取：

-- 1.统筹
-- 基本时间信息款+HOMO、LUMO、收敛等，？？能量、谱等
-- 不能提取--- /
-- 2.定制
-- S0、S1、T1
-- 新冠P38?

三、数据管理，备份，使用

四、数据展示

-- 汇总

五、数据分析挖掘

-- 时间预测：周帅（训练集测试集），新增，精度、速度提升-文章
-- 其他性质：复用、改进模型，性质预测，

六、文献挖掘、爬虫、其他------开放式不断完善

七、VASP原惠峰、郭佳宜-------一-五完备之后

2022年11月16日更新

数据库相关

1. DFT、MP2计算结果数据库，可用于机时预测、后续的性质预测；推荐李天颜主导

-- 数据库分类,可分别按照体系大小、药物小分子、氨基酸残基进行分类构建
-- 注意不同的分类会有重叠

2. CASSCF、DMRG等多组态/多参考计算数据库

-- 1,2-dioxetonane小分子体系、TDO-、FDO-体系
-- Eu-BTBP体系
-- 轨道系数矩阵为主的数据存储

Expert System consideration v20200106

Default computational software

Utility	----	QC package	----	Keywords	----	Level
Energy	==>	Gaussian	==>	functional/basis	==	Essential
Orbital	==>	Gaussian	==>	pop=full	==
Geometry optimization	==>	Gaussian	==>	opt	==
Searching transition structure	==>	Gaussian	==>	opt=ts	==
Vibrational frequencies	==>	Gaussian	==>	freq	==
Excited states	==>	Gaussian	==>	td	==

Default computational level (for functional and basis)

-- Super saving or ECO mode :  PBE/STO-3G/Fit
-- [default] Normal mode:  M062x/6-31g*
-- High accuracy mode:  wB97xd/6-31+G*

Templete of Gaussian

Gaussian templete (basic; no link)
More about Gaussian input : https://gaussian.com/input/?tabid=0

  %nproc=[NPROC]                          # Number of computational CPUs
  %mem=[MEM]                              # MEMORY for Gaussian   
  %chk=[NAME].chk                         # Checkpoint file for further analysis    
  #[Detailed computational parameters]    # So many parameters, we need to gradually encounter them

  [Something you want to write]

  [Nele]  [Nspin]                         # Nele : Number of extra electron(s)  (From SDF/PDB/OpenBabel or user assigned)    Nspin : Spin multiplicity Nspin=2S+1 (From SDF/PDB/OpenBabel or user assigned)
  [XYZ]
  [XYZ]
   ... 
  [XYZ]
  [XYZ]
  [One blank line!!!]

sample-1: 001_DrugBank_1380036.gjf in [biomed-QCdriver/examples_biomed]

-- Normal DFT calculations for drug molecules --

  %nproc=24                   # Number of computational CPUs
  %mem=1000mw                 # MEMORY for Gaussian, 1000mw equal to 8000MB (~8G). It can be the default value   
  %chk=1380036.chk            # Checkpoint file for further analysis. The [name] in [name].chk can be better identical to [name].gjf    
  #p M062x/6-31G* pop=full   # The "p" (detailed output) should better be kept at this stage; Default [DFT/BASIS] can be M06-2x/6-31G*； The "pop=full" can be used at this stage (for printing out molecular orbitals) 

  scaling check

  0  1
  C           0.91510         0.04080         0.09480
  C           0.47710         1.11240         1.06040
  N          -0.10060         0.67510         2.14490
  C          -0.58220         1.45040         3.16980
  O          -1.17930         1.03820         4.13030
  S          -0.29060         3.27040         3.12640
  C           0.45400         3.48740         1.59460
  C           0.74220         2.49900         0.71050
  C           1.38180         2.81270        -0.60540
  C           0.56110         2.88150        -1.87840
  C           1.17370         4.13130        -1.30450
  H           0.45360         0.18900        -0.88680
  H           0.64010        -0.93660         0.48900
  H           1.99980         0.07660        -0.06040
  H           0.69780         4.52030         1.36540
  H           2.37130         2.37830        -0.73200
  H           0.98290         2.45910        -2.78370
  H          -0.51390         2.76750        -1.78740
  H           0.50060         4.85620        -0.86030
  H           2.02340         4.57330        -1.81240

背景如下(仅供参考的背景讨论，非执行标准)

需求：用户给定分子结构等信息，通过指定计算的性质，由平台进行计算后返回给最终用户。

计算性质：（用户选择）

• 计算能量（分子构型特点分类，例：阴离子等）
• 光谱计算（分子构型特点分类，例：能量）
• 激发态相关（分子构型特点分类）
• 结构优化（和构型无关）
• 势能面扫描（目前阶段暂不涉及）
• 过渡态寻找（目前阶段暂不涉及）

Demo：1个分子—》计算性质（结构优化）「增加关键字」--》选择软件应用—》选择基组，拼接输入文件（）--》完整上传文件—》选择配置，进行上传

• 计算能量

计算方法：

1） HF
2） 半经验: 常用PM6/PM7/PM6-D3H4
3） 后HF方法：常用CISD/MP2/CCSD/
4） DFT方法

暂时考虑DFT泛函：

• B3LYP/CAM-B3LYP
• WB97XD
• TPSS
• PBE0
• M06/M06-2x
• MN15

计算基组：

• 6-31G*/6-31G**
• def-SV(P)/def-SVP
• def-TZVP/def-TZVPP
• def2-SV(P)/def2-SVP
• def2-TZVP（含赝势）
• cc-pvnZ（D/T/Q）
• aug-cc-pVnZ等弥散版本
• 赝势基组：Lan2DZ,lanl2MB,Lanl08,SDD,cc-pvnZ-PP等

一般推荐：B3LYP/6-31G*方法

开发流程：

• 前端：
• 用户上传分子
• 指定电荷和多重度
• 选择是否含有氢键，含有过渡金属原子等（选择方法和基组用）
• 选择待计算的性质
• 选择待计算的精度（低，中，高）
• 预览输入文件并发起计算请求
• 后端
• 分析分子的特点，根据条件选择DFT泛函类型和基组，生成输入文件，发到前端展示
• 前端确认后，发送到高性能计算机进行计算

关于后端泛函和基组的存取：

• 泛函和基组可以使用数据表存放，泛函表/基组表如：
  B3LYP泛函
{
泛函名：B3LYP
适合体系：一般有机体系
适合计算性质：结构优化
}

6-31G*基组 { 基组名:6-31G(d) 是否含弥散处理：否是否含赝势：否计算精度级别：低 }

yingjin-ma/chembiomed-QCdriver