中国药科大学计算机辅助药物设计CADD整理

计算机辅助药物设计当我们谈论医药领域的创新时，计算机辅助药物设计无疑是一个日益重要的主题。

这一前沿领域结合了计算机科技与药物研发，为人类提供了强大的新工具来抗击疾病。

本文将详细介绍计算机辅助药物设计的概念、发展历程、应用领域以及所面临的挑战，并展望其未来发展前景。

计算机辅助药物设计（CADD）是一种利用计算机技术参与药物研发全过程的方法。

它通过模拟药物与生物体的相互作用，帮助科学家们更快地发现和优化潜在药物分子。

CADD的优点在于缩短药物研发周期、降低研发成本、提高药物设计的效率和准确性。

自上世纪90年代初以来，随着计算机技术的飞速发展，CADD也取得了长足进步。

然而，尽管取得了许多显著成果，但CADD在实际应用中仍面临许多挑战，如数据收集、算法设计和模型构建等方面。

CADD在各个领域都有广泛的应用。

在新药研发领域，CADD可以帮助科学家们预测药物分子的生物活性，从而加快药物发现和开发进程。

CADD在疾病诊断方面也具有潜在价值，例如通过分析生物标志物以提高疾病诊断的准确性。

同时，CADD还可以用于药效预测，通过模拟药物在人体内的代谢过程，评估药物的疗效和副作用。

然而，CADD在实际应用中仍面临诸多挑战。

数据收集是一个重要问题，尤其是对于某些罕见疾病和新兴疾病，相关数据可能非常有限。

算法设计和模型构建也是CADD面临的挑战，需要不断优化和改进以提高预测的准确性和可靠性。

未来，随着计算能力的进一步提升和算法的不断创新，CADD有望实现更大的突破。

例如，利用和机器学习技术，我们可以构建更智能、更高效的CADD模型。

随着“组学”技术的发展，我们将能够更全面地了解生物体的分子结构和功能，从而为CADD提供更多有价值的信息。

量子计算也为CADD带来了新的可能性，它可以处理更为复杂的系统模拟，进一步提升药物设计的精度和效率。

计算机辅助药物设计是医药领域的一次革命性变革，它为药物研发提供了新的思路和方法，大大加速了新药的开发进程。

1、药物设计：是指基于对疾病靶标或已知活性化合物的结构、性质、及其相互作用等先验知识的理解和归纳总结，然后像设计飞机和导弹一样，有目的的设计出具有特殊疗效的药物分子。

2、有经验的药物化学家在合成药物分子之前，通常采用构效关系的定性分析以及一些经验规则，来设计要合成的分子结构，此为传统药物设计，或者叫经验型或常规药物设计。

3、由于药物设计研究的对象时看不见，摸不着的分子，以及大量与分子有关的化学和生物信息学，并与人体生命健康息息相关，因此药物设计的过程非常复杂，非人工可独立胜任，通常借助计算机等现代高科技辅助手段，此即计算机药物辅助设计。

4、靶标：是指导致疾病或与疾病产生密切相关的生物大分子，包括蛋白质（酶、受体、离子通道），核酸（DNA，RNA）5、相应地药物一般指能与靶标专一结合的，加强或阻止靶标进行正常生理活动的有机小分子，可分为酶活化剂和抑制剂，受体激动剂和拮抗剂，通道开启剂和阻断剂等等。

6、先导化合物：是指具有一定药理活性的，可通过结构改造来优化其药理特性而可能导致药物发现的特殊化合物。

7、先导化合物的来源主要由天然产物（植物、动物、微生物、海洋生物）提取，偶然发现，随机筛选，老药新用等，如治疗疟疾的青蒿素是我国科学家从青蒿中提取出来的，著名抗生素青霉素是在细菌培养实验中偶然发现的等等。

8、传统先导化合物的发现主要靠运气，而现代先导化合物的发现则趋向于采用理性方法，即以疾病和靶标知识为基础而进行的。

9、药物与靶标之间的相互识别和结合主要通过非共价键进行，如静电相互作用、氢键相互作用、疏水相互作用等。

两者之间不但需要化学性质互补，而且需要几何形状互补，才能产生这些相互作用。

刚性结合：镜匙模式柔性结合：诱导契合10、计算机辅助药物设计的策略视对药物作用的生物大分子靶标的结构知识掌握多少而定。

一、如已有实验测定的靶标结构，最好是靶标—配体复合物结构，则可基于大分子结构进行直接药物设计。

二、如靶标实验结构未知，但一级氨基酸序列已知，并且同源蛋白实验结构已知，则首先采用同源蛋白模建方法预测靶标的三维结构，然后基于预测的结构进行直接的药物设计。

药物设计是一门涉及到多方面知识的学科，其中包括分子结构、化学反应、生物学特性等。

CADD（计算机辅助药物设计）和本人DD（人工智能辅助药物设计）是在药物设计中使用计算机和人工智能技术的两种重要方法。

在这篇文章中，我将详细介绍与CADD和本人DD相关的药物设计参数。

一、溶解度和渗透性溶解度和渗透性是药物分子在体内吸收的关键性质。

针对这两个参数，药物设计师通常会进行计算机模拟来评估候选化合物的溶解度和渗透性。

通过计算溶解度和渗透性，可以预测药物在体内的吸收速度和程度，为药物研发提供重要的参考依据。

二、毒性评估毒性是药物设计中必须要考虑的重要因素之一。

CADD和本人DD技术可以帮助研究人员通过模拟和预测来评估候选化合物的毒性。

毒性评估不仅可以减少动物实验的数量，还可以提前发现潜在的毒性问题，从而帮助加速药物研发的进程。

三、靶点亲和力药物设计的一个关键目标是寻找适当的靶点并设计能够与之产生良好亲和力的化合物。

CADD和本人DD技术可以通过对候选化合物与靶点的相互作用进行模拟和预测，从而评估化合物的靶点亲和力。

这对于筛选和优化候选化合物具有重要意义。

四、药代动力学参数药代动力学参数如药物的半衰期、药物代谢和排泄等对于药物在体内的活性和稳定性起着至关重要的作用。

CADD和本人DD技术可以帮助研究人员预测候选化合物的药代动力学参数，从而为药物研发提供参考依据。

五、构效关系构效关系指的是化合物的结构与其生物活性之间的关系。

CADD和本人DD技术可以通过模拟和预测来探索化合物结构与生物活性之间的关系，从而为药物设计提供指导。

通过深入理解构效关系，可以更好地设计具有目标活性的化合物。

六、多参数优化在药物设计过程中，往往需要考虑多个参数的优化，如生物利用度、溶解度、毒性等。

CADD和本人DD技术可以结合多种参数进行综合优化，帮助研究人员设计出具有良好整体性能的候选化合物。

在CADD和本人DD技术的辅助下，药物设计师可以更高效地设计出具有目标活性和良好药代动力学特性的化合物。

计算机辅助药物设计完整版计算机辅助药物设计随着计算机技术的不断发展，计算机辅助药物设计（Computer-aided Drug Design，CADD）已成为了新药研发的重要工具之一。

CADD 是利用计算机模拟、分子模拟、计算化学和生物信息学等技术手段，通过对候选化合物进行分子结构、活性、代谢动力学等方面的计算模拟，预测和优化化合物的药效、副作用等性质，加速新药研发的过程。

CADD 主要分为三个阶段：分子建模、虚拟筛选和药效优化。

分子建模分子建模是CADD的第一步，其目的是利用分子力学或量子力学等计算化学方法建立从分子结构到药效的计算模型。

常用分子力学方法包括分子动力学模拟和分子力场计算，其中分子动力学模拟的计算成本较高，但具有更高的精度和灵活性；分子力场计算的计算速度更快，但具有较低的精度和限制性。

虚拟筛选虚拟筛选是CADD的第二步，其目的是通过计算模拟来预测化合物在特定受体上的亲和力和特异性。

常用的虚拟筛选方法包括分子对接、药物学咨询和基于机器学习的方法。

分子对接是通过计算模拟，预测化合物和受体之间的稳定性和亲和力，从而筛选出具有生物活性的化合物；药物学咨询是基于既有药物的结构和代谢规律，通过机器学习和人工智能等方法来预测候选药物的代谢动力学和药物效能；而基于机器学习的方法则是基于大规模的分子及活性数据，利用计算机学习和预测建立模型，从而实现高效的虚拟筛选。

药效优化药效优化是CADD的第三步，其目的是优化化合物的药效和代谢动力学等性质，从而实现对候选药物的合理设计和改进。

药效优化主要包括合成化学和药物动力学方面的研究。

合成化学方面主要是对药物分子结构进行调整和改进，以实现药效的提高和副作用的降低，同时优化药物分子的性质和输入特性。

药物动力学方面则是通过计算模拟和实验验证，研究药物的吸收、分布、代谢和排泄等过程，从而预测和优化其药效和安全性。

总的来说，CADD 是新药研发的一项重要科技，它可以辅助药物研究人员进行高通量筛选和设计优化，从而缩短新药研发的周期和降低研发成本。

计算机辅助药物设计计算机辅助药物设计：现代科技助力药物研发的里程碑导言计算机辅助药物设计（Computer-Aided Drug Design，CADD）是一种通过计算机技术辅助进行药物研发的方法。

它结合了计算机科学、化学、生物学等学科的知识，利用计算机进行药物分子的建模、虚拟筛选、药效优化等工作，大大加快了药物研发的速度和效率。

本文将探讨计算机辅助药物设计的发展历程、应用领域、优势和挑战，并展望其未来的前景。

一、发展历程计算机辅助药物设计首次出现于20世纪60年代，当时的计算机技术还非常有限。

随着计算机硬件和软件的不断发展，尤其是分子建模、蛋白质结构预测、药物虚拟筛选等方面的突破，计算机辅助药物设计逐渐成为药物研发的重要手段。

二、应用领域1. 药物发现与设计计算机辅助药物设计在药物发现与设计过程中发挥着关键作用。

通过计算机模拟药物分子的构象和生物作用机制，科研人员能够更好地理解药物与靶标之间的相互作用，并针对不同的疾病设计出具有高选择性和高亲和力的候选药物。

这使得药物发现和设计的效率大大提高。

2. 药物剂量优化合理的药物剂量是确保药物治疗效果和安全性的关键。

计算机辅助药物设计可以帮助科研人员在各类药物治疗中确定最佳的给药剂量和方案，从而最大程度地提高药物的疗效和减少不良反应。

3. 药物代谢和动力学研究计算机辅助药物设计可以通过模拟药物在体内的代谢途径和代谢产物的生成，预测药物的体内代谢动力学，进而为药物临床使用和剂量调整提供重要参考。

这有助于提高药物的药效和减少药物在体内的毒副作用。

三、优势和挑战1. 优势计算机辅助药物设计具有许多优势。

首先，它可以在较短的时间内筛选大量的化合物，并预测药物与靶标之间的相互作用。

这在传统的实验方法中是无法实现的。

其次，它能够帮助科研人员更好地理解药物的分子机制，减少实验的盲目性，提高研究的成功率。

最后，计算机辅助药物设计能够减少药物研发过程中的实验成本和风险。

中国药科大学计算机辅助药物设计CADD整理第1章概论一、药物发现一般过程新药的研究有三个决定阶段：先导化合物的发现，新药物的优化研究，临床与开发研究。

计算机辅助药物设计的主要任务就是先导化合物的发现与优化。

二、合理药物设计1、合理药物设计（rational drug design）是依据与药物作用的靶点，即广义上的受体，如酶、受体、离子通道、病毒、核酸、多糖等，寻找和设计合理的药物分子。

通过对药物和受体的结构在分子水平甚至电子水平的全面准确了解进行基于结构的药物设计和通过对靶点的结构、功能、与药物作用方式及产生生理活性的机理的认识基于机理的药物设计。

CADD通过内源性物质或外源性小分子作为效应子作用于机体的靶点，考察其形状互补，性质互补（包括氢键、疏水性、静电等），溶剂效应及运动协调性等进行分子设计。

2、方法分类（1）合理药物设计有基于靶点结构的三维结构搜索和全新药物设计等方法。

后者分为模板定位法、原子生长法、分子碎片法（碎片连接法和碎片生长法）。

（2）根据受体是否已知分为直接药物设计和间接药物设计。

前者即通过结构测定已知受体或受体-配体复合物的三维结构，根据受体的三维结构要求设计新药的结构。

受体结构测定方法：同源模建（知道氨基酸序列不知道空间结构时），X射线衍射（可结晶并得到晶体时），多维核磁共振技术（溶液状态）。

后者通过一些配体的结构知识（SAR，计算机图形显示等）推测受体的图像，提出家乡受体，采用建立Pharmacophore模型或3D-QSAR和基于药效团模型的三维结构搜索等方法，间接进行药物设计。

三、计算化学计算化学包括分子模型、计算方法、计算机辅助分子设计（CAMD）、化学数据库及有机合成设计。

计算方法包括很多种，但基本上可以分为两大类：分子力学和量子力学（分为从头计算方法和半经验方法）。

常用的计算应用有：（1）单点能计算：根据模型中原子的空间位置给出相应原子坐标的势能；（2）几何优化：系统的修改原子坐标使原子的三维构象能量最小化；（3）性质计算：预测某些物理化学性质，如电荷、偶极矩、生成热等；（4）构象搜索：寻找能量最低的构象；（5）分子动力学模拟：模拟分子的构象变化。

计算机辅助药物分子设计研究药物研发历经数年，需要经过长时间的试验和验证才能批准上市。

如今，计算机科学和技术的发展使药物研发进入了一个新的时代，这是因为计算机技术和软件可以用于药物分子设计，加速药物发现和开发过程，让整个过程更加高效和精确。

计算机辅助药物分子设计是为了加速药物研发，减少时间和经济成本。

计算机辅助药物分子设计（Computer-Aided Drug Design，CADD）是一种将计算机技术和贝叶斯推断的方法结合起来，进行有关药物设计前更准确的评估和数据分析。

正如这个名字所示，CADD将计算机技术用于药物研发过程中，将药物分子与靶标相互作用的物理、化学、生物学、计算科学和其他领域的信息相结合，从而发现潜在的药物分子，进而进行进一步的筛选和试验。

CADD主要包括四个部分：构建分子库、分子对接、模拟和优化等。

CADD的工作流程是建立一个分子库，通过计算机技术，对分子进行处理和筛选，找到具有潜在作为药物分子的化合物。

此外，通过计算机辅助设计精确的药物分子，使之更好地与蛋白质靶标进行结合，从而产生理想的效果，并尽量减少对人体其他组织的损害。

构建分子库是CADD的重要部分，可以分为虚拟化分子和实体分子两类，其中虚拟化分子部分是利用计算机和相应的建模工具获得一个大型的化学库，以期在其中寻找具有潜在药物分子的化合物，这是最常用和最基本的方法之一。

实体分子部分则是在现实生活中化学库实际选取的化合物，利用计算机对其作出相应的优化和改进。

分子对接是将虚拟或实体化学库中的化合物与目标蛋白质进行分子间相互作用的计算学方法，分子之间作出稳定的化学键，具有特定的空间构型，从而对蛋白质产生特定的效应，从而达到药物研发的目的。

模拟计算是模拟与模拟理论，用于针对蛋白质与药物之间相互作用的定量预测和定性分析。

模拟方法可以分为基于物理的模拟、知识驱动的模拟和统计机器学习模拟等。

优化方法包括遗传算法、模拟退火算法等优化算法，以期在药物研发过程中，对大量的分子进行优化，找出最优的测试合成功率，实现快速发现优质药物分子。

第九章计算机辅助药物设计（CADD）9.1 靶向药物设计概述本世纪初曾有报道，国际上研制成功一种新药平均需要耗时10～12年，耗资2.0～3.5亿美元，这一费用在以每年20％的速度递增。

2018年有报道称，研制成功一种新结构药物耗资已达14亿美元。

目前药品发明专利保护期限为20年，如果药物上市前研究与开发(R&D)时间为10年，那么药品实际有效市场销售时间就仅有10年。

如能压缩R&D时间，不但能节约R&D的经费，而且能为市场赢得宝贵的时间，这将为产权拥有者带来巨大的经济效益和社会效益。

近年来，计算机辅助药物设计(Computer-aided Drug Design, CADD)，成为国内外十分活跃的研究领域，成为新药研究的重要工具。

CADD是依据生物化学、酶学、分子生物学、遗传学等生命科学的研究成果，针对这些研究揭示的包括酶、受体、离子通道、核酸等潜在的药物作用靶点，并参考其他内源性配体以及天然药物的化学特征，合理设计药物分子的方法。

CADD方法能加速药物先导化合物的发现，因此已被许多国内外制药公司用于新药研究与开发，并且已经取得了极大的成功。

新药研究开发流程基本如下：近年来，“靶向给药”技术在临床中得到快速发展。

“靶向给药”亦称智能给药，是给患者用药的一种方式，其目标是使药物局部化、靶向作用和延长、保护药物与病变组织的相互作用。

传统给药方法，如：口服、血管注射等，药物是通过血液循环分布于整个身体各个组织器官，是通过跨生物膜吸收，对于大多数治疗药物仅有一小部分作用于用药部位器官。

靶向给药系统是有针对性的释放药物，主要针对作用的组织，而对其他组织的相对浓度较低，药物可以高浓度的到达活性位点。

靶向给药系统分为两类：（1）活性靶向给药，如：某些抗体药物；（2）被动靶向给药，例如：增强渗透性和滞留效应（EPR效应）。

药物作用生物靶点：与药物特异性结合的生物大分子统称为药物作用的生物靶点。

新药发现中计算机辅助药物设计方法探索在药物研发领域，传统的实验室方法耗时、耗资，且成功率有限。

随着计算机技术的快速发展，计算机辅助药物设计方法（Computer-Aided Drug Design, CADD）已成为新药发现的重要领域之一。

CADD利用计算机模拟方法和大数据技术，能够加速药物研发过程，提高成功率。

本文将探索新药发现中计算机辅助药物设计方法的应用和挑战。

首先，CADD在药物发现中的应用是提高药物研发效率的关键。

传统的药物研发需要通过实验室的生物试验、动物试验和临床试验等环节，耗时耗资。

而CADD则通过计算机模拟方法，可以对药物的性质、相互作用和代谢过程进行预测和评估。

这种虚拟筛选方法可以在大规模化合物库中快速筛选出潜在的候选药物，从而减少实验次数，加快药物研发的速度。

其次，CADD在理解药物分子与靶标间相互作用机制中发挥重要作用。

药物研发的核心是寻找合适的分子与靶标相互作用，从而发挥特定的治疗效果。

CADD使用多种计算方法，如分子对接、分子动力学模拟和量子化学计算等，可以模拟药物与靶标之间的相互作用过程。

通过研究药物分子的构象和活性位点，可以预测药物与靶标的亲和力和选择性，进而优化分子结构，提高研发成功率。

此外，CADD还可以通过分析药物代谢途径和药物动力学参数，优化药物的药代动力学特性。

药物代谢是药物在体内转化和排泄的过程，而药代动力学参数可以评估药物在体内的吸收、分布、代谢和排泄等特性。

CADD利用计算机模拟方法，可以预测药物的代谢途径、酶的作用和代谢产物等，为药物研发提供重要参考。

通过优化药物的药代动力学特性，可以提高药物的稳定性、生物利用度和药效，降低副作用和药物相互作用的风险。

然而，CADD在药物发现中仍面临一些挑战。

首先，计算机模拟方法依赖于准确的分子力场和参数。

如果分子力场的参数不准确，模拟预测的结果可能与实验结果不一致，影响药物研发的准确性和可靠性。

其次，大规模化合物库的筛选和评估需要高性能计算机和大数据处理能力的支持。

对乙酰氨基酚的结构计算一、对乙酰氨基酚的研究背景对乙酰氨基酚（扑热息痛）为一种非甾体抗炎药，主治感冒发热。

图对乙酰氨基酚红外光谱图该品是非那西丁在体内的代谢产生，其抑制中枢神经系统前列腺素合成的作用与阿司匹林相似，但抑制外周前列腺素合成作用弱，故解热镇痛作用强，抗风湿作用弱，对血小板凝血机制无影响。

口服吸收迅速，完全，在体液内分布均匀，大部分在肝脏代谢，中间代谢产物对肝脏有毒，以葡萄糖醛酸结合物形式或从肾脏排泄，半衰期一般为1-4小时。

二、计算方法1、用Hyperchem画出分子结构2、build->add H and model build3、comput->几何优化3、保存为.mol文件？.ml2?4、gaussView 打开，转换为gjf格式5、文档编辑器打开，修改开头部分6、gauss打开，计算7、打开Editplus、gaussView、hpyerChem观看结果：键角、键长、红外光谱、震动、电荷（用gausesview打开1.out，保存为2.mol，再用hyper打开）三、对乙酰氨基酚的计算结果1. 优化获得的分子几何结构原子编号：分子基本参数：Optimized Parameters !! (Angstroms and Degrees) !-------------------------------------------------! Name Definition Value Derivative Info. !----------------------------------------------------------------------------- ! R1 R(1,2) 1.3695 -DE/DX = 0.0001 ! ! R2 R(1,12) 0.9696 -DE/DX = 0. !! R4 R(2,7) 1.3977 -DE/DX = -0.0001 ! ! R5 R(3,4) 1.3934 -DE/DX = -0.0001 ! ! R6 R(3,13) 1.0854 -DE/DX = 0. ! ! R7 R(4,5) 1.4045 -DE/DX = 0.0001 ! ! R8 R(4,14) 1.0801 -DE/DX = 0. ! ! R9 R(5,6) 1.4055 -DE/DX = -0.0002 ! ! R10 R(5,8) 1.412 -DE/DX = 0. ! ! R11 R(6,7) 1.3908 -DE/DX = 0.0001 ! ! R12 R(6,15) 1.0877 -DE/DX = 0. ! ! R13 R(7,16) 1.0884 -DE/DX = 0. ! ! R14 R(8,9) 1.3854 -DE/DX = 0. ! ! R15 R(8,17) 1.0142 -DE/DX = 0. ! ! R16 R(9,10) 1.2245 -DE/DX = -0.0001 ! ! R17 R(9,11) 1.5147 -DE/DX = 0. ! ! R18 R(11,18) 1.0905 -DE/DX = 0. ! ! R19 R(11,19) 1.0955 -DE/DX = 0. ! ! R20 R(11,20) 1.0955 -DE/DX = 0. ! ! A1 A(2,1,12) 108.9854 -DE/DX = 0. ! ! A2 A(1,2,3) 117.831 -DE/DX = 0. ! ! A3 A(1,2,7) 123.2081 -DE/DX = 0. ! ! A4 A(3,2,7) 118.9609 -DE/DX = 0. ! ! A5 A(2,3,4) 120.8767 -DE/DX = 0. ! ! A6 A(2,3,13) 118.9223 -DE/DX = 0. ! ! A7 A(4,3,13) 120.201 -DE/DX = 0. ! ! A8 A(3,4,5) 120.7526 -DE/DX = 0. ! ! A9 A(3,4,14) 117.9868 -DE/DX = 0. ! ! A10 A(5,4,14) 121.2606 -DE/DX = 0. ! ! A11 A(4,5,6) 117.7346 -DE/DX = 0. ! ! A12 A(4,5,8) 125.8829 -DE/DX = 0. ! ! A13 A(6,5,8) 116.3825 -DE/DX = 0. ! ! A14 A(5,6,7) 121.5548 -DE/DX = 0. ! ! A15 A(5,6,15) 119.3951 -DE/DX = 0. ! ! A16 A(7,6,15) 119.0501 -DE/DX = 0. ! ! A17 A(2,7,6) 120.1205 -DE/DX = 0. ! ! A18 A(2,7,16) 120.3027 -DE/DX = 0. ! ! A19 A(6,7,16) 119.5768 -DE/DX = 0. ! ! A20 A(5,8,9) 136.3572 -DE/DX = 0. ! ! A21 A(5,8,17) 114.3473 -DE/DX = 0. ! ! A22 A(9,8,17) 109.2955 -DE/DX = 0. !! A24 A(8,9,11) 119.9986 -DE/DX = 0. ! ! A25 A(10,9,11) 121.5602 -DE/DX = 0. ! ! A26 A(9,11,18) 107.2838 -DE/DX = 0. ! ! A27 A(9,11,19) 111.5559 -DE/DX = 0. ! ! A28 A(9,11,20) 111.5559 -DE/DX = 0. ! ! A29 A(18,11,19) 109.1143 -DE/DX = 0. ! ! A30 A(18,11,20) 109.1143 -DE/DX = 0. ! ! A31 A(19,11,20) 108.1707 -DE/DX = 0. ! ! D1 D(12,1,2,3) 180. -DE/DX = 0. ! ! D2 D(12,1,2,7) 0. -DE/DX = 0. ! ! D3 D(1,2,3,4) 180. -DE/DX = 0. ! ! D4 D(1,2,3,13) 0. -DE/DX = 0. ! ! D5 D(7,2,3,4) 0. -DE/DX = 0. ! ! D6 D(7,2,3,13) -180. -DE/DX = 0. ! ! D7 D(1,2,7,6) 180. -DE/DX = 0. ! ! D8 D(1,2,7,16) 0. -DE/DX = 0. ! ! D9 D(3,2,7,6) 0. -DE/DX = 0. ! ! D10 D(3,2,7,16) 180. -DE/DX = 0. ! ! D11 D(2,3,4,5) 0. -DE/DX = 0. ! ! D12 D(2,3,4,14) 180. -DE/DX = 0. ! ! D13 D(13,3,4,5) 180. -DE/DX = 0. ! ! D14 D(13,3,4,14) 0. -DE/DX = 0. ! ! D15 D(3,4,5,6) 0. -DE/DX = 0. ! ! D16 D(3,4,5,8) 180. -DE/DX = 0. ! ! D17 D(14,4,5,6) 180. -DE/DX = 0. ! ! D18 D(14,4,5,8) 0. -DE/DX = 0. ! ! D19 D(4,5,6,7) 0. -DE/DX = 0. ! ! D20 D(4,5,6,15) 180. -DE/DX = 0. ! ! D21 D(8,5,6,7) 180. -DE/DX = 0. ! ! D22 D(8,5,6,15) 0. -DE/DX = 0. ! ! D23 D(4,5,8,9) 0. -DE/DX = 0. ! ! D24 D(4,5,8,17) 180. -DE/DX = 0. ! ! D25 D(6,5,8,9) 180. -DE/DX = 0. ! ! D26 D(6,5,8,17) 0. -DE/DX = 0. ! ! D27 D(5,6,7,2) 0. -DE/DX = 0. ! ! D28 D(5,6,7,16) 180. -DE/DX = 0. ! ! D29 D(15,6,7,2) 180. -DE/DX = 0. ! ! D30 D(15,6,7,16) 0. -DE/DX = 0. ! ! D31 D(5,8,9,10) 180. -DE/DX = 0. !! D33 D(17,8,9,10) 0. -DE/DX = 0. ! ! D34 D(17,8,9,11) 180. -DE/DX = 0. ! ! D35 D(8,9,11,18) 180. -DE/DX = 0. ! ! D36 D(8,9,11,19) -60.5512 -DE/DX = 0. ! ! D37 D(8,9,11,20) 60.5512 -DE/DX = 0. ! ! D38 D(10,9,11,18) 0. -DE/DX = 0. ! ! D39 D(10,9,11,19) 119.4488 -DE/DX = 0. ! ! D40 D(10,9,11,20) -119.4488 -DE/DX = 0. !2. 原子电荷分布情况3. 模拟红外振动光谱四、实验讨论与感想本次实验极大激发了我对使用计算机研究物质分子结构的兴趣，让我感到计算机之神奇的同时更加让我感到蕴藏在背后的量子化学的神奇。