Коллеги, хотим поделиться нашим препринтом:
Predicting Emission Wavelengths and Quantum Yields of Diverse Bis-cyclometalated Iridium(III) Complexes Using Machine Learning
https://doi.org/10.26434/chemrxiv-2024-cchdm
1. В этой статье мы собрали базу данных IrLumDB, в которой содержатся экспериментальные данные о 1287 бис-циклометалированных комлексах иридия (III) и их фотофизических свойствах (длина волны эмиссии (λmax), квантовый выход (PLQY) и время жизни).
2. На основе IrLumDB обучили XGBoost, LightGBM и Catboost предсказывать λmax и PLQY с MAE 18.26 нм и 0.13 на десятикратной кросс-валидации.
3. Протестировали работу обученных моделей на 33 синтезированных в нашей лаборатории комплексах, 12 из которых были получены для этой статьи. Комплексы были охарактеризованы с помощью ЯМР, РСА, масс-спектрометрии высокого разрешения, и частично РФА. 9 новых структур были депонированы в CCDC.
4. Сравнили на изученных нами соединениях точность предсказания длины волны эмиссии с помощью алгоритмов машинного обучения и с помощью DFT-расчетов; показали, что алгоритмы машинного обучения справляются с задачей лучше.
5. Так как нам важно искать новые комплексы с потенциально высокими квантовыми выходами, то мы разделили все комплексы на 3 класса: с низким (0-0.1), средним (0.1-0.5) и высоким PLQY (0.5-1), далее обучили классификационные модели и получили точность 72.4% на десятикратной кросс-валидации.
6. Подготовили мини-приложение IrLumDB App для того, чтобы любой исследователь смог предсказать свойства для своих комплексов. Для предсказания достаточно SMILES лигандов.
PDF | Датасет на Zenodo | IrLumDB App
Predicting Emission Wavelengths and Quantum Yields of Diverse Bis-cyclometalated Iridium(III) Complexes Using Machine Learning
https://doi.org/10.26434/chemrxiv-2024-cchdm
1. В этой статье мы собрали базу данных IrLumDB, в которой содержатся экспериментальные данные о 1287 бис-циклометалированных комлексах иридия (III) и их фотофизических свойствах (длина волны эмиссии (λmax), квантовый выход (PLQY) и время жизни).
2. На основе IrLumDB обучили XGBoost, LightGBM и Catboost предсказывать λmax и PLQY с MAE 18.26 нм и 0.13 на десятикратной кросс-валидации.
3. Протестировали работу обученных моделей на 33 синтезированных в нашей лаборатории комплексах, 12 из которых были получены для этой статьи. Комплексы были охарактеризованы с помощью ЯМР, РСА, масс-спектрометрии высокого разрешения, и частично РФА. 9 новых структур были депонированы в CCDC.
4. Сравнили на изученных нами соединениях точность предсказания длины волны эмиссии с помощью алгоритмов машинного обучения и с помощью DFT-расчетов; показали, что алгоритмы машинного обучения справляются с задачей лучше.
5. Так как нам важно искать новые комплексы с потенциально высокими квантовыми выходами, то мы разделили все комплексы на 3 класса: с низким (0-0.1), средним (0.1-0.5) и высоким PLQY (0.5-1), далее обучили классификационные модели и получили точность 72.4% на десятикратной кросс-валидации.
6. Подготовили мини-приложение IrLumDB App для того, чтобы любой исследователь смог предсказать свойства для своих комплексов. Для предсказания достаточно SMILES лигандов.
PDF | Датасет на Zenodo | IrLumDB App
Forwarded from AnanikovLab
💡 “Build-a-bio-Strip”: Ваш помощник в зеленой химии
Рады сообщить о публикации нашей статьи в ACS Journal of Chemical Information and Modeling, где представлен новый онлайн-сервис — “Build-a-bio-Strip”. Это удобный инструмент для быстрого анализа токсичности химических процессов, созданный для поддержки учёных в разработке более безопасных и устойчивых методов синтеза.
⚙️ Как работает “Build-a-bio-Strip”?
Сервис позволяет пользователям загружать данные, такие как полумаксимальные цитотоксические концентрации (CC₅₀) или полулетальные дозы (LD₅₀) для каждого реагента. Также доступна опция использования прогнозируемых значений токсичности, рассчитанных на основе структурных формул (SMILES). Инструмент автоматически анализирует эти данные и рассчитывает ключевые токсикологические показатели, включая био-фактор и цитотоксические потенциалы для каждой возможной реакции. Кроме того, “Build-a-bio-Strip” визуализирует вклад каждого компонента реакции в общую токсичность процесса с помощью био-стрипов, что помогает учёным выделить наиболее токсичные компоненты и оптимизировать выбор реагентов для снижения экологических рисков.
🧑💻 Попробуйте прямо сейчас!
Сервис доступен всем желающим по ссылке. Оцените возможности “Build-a-bio-Strip” и внесите свой вклад в создание более безопасных и экологичных химических технологий!
Полный текст статьи ищите в комментариях 👇
Рады сообщить о публикации нашей статьи в ACS Journal of Chemical Information and Modeling, где представлен новый онлайн-сервис — “Build-a-bio-Strip”. Это удобный инструмент для быстрого анализа токсичности химических процессов, созданный для поддержки учёных в разработке более безопасных и устойчивых методов синтеза.
⚙️ Как работает “Build-a-bio-Strip”?
Сервис позволяет пользователям загружать данные, такие как полумаксимальные цитотоксические концентрации (CC₅₀) или полулетальные дозы (LD₅₀) для каждого реагента. Также доступна опция использования прогнозируемых значений токсичности, рассчитанных на основе структурных формул (SMILES). Инструмент автоматически анализирует эти данные и рассчитывает ключевые токсикологические показатели, включая био-фактор и цитотоксические потенциалы для каждой возможной реакции. Кроме того, “Build-a-bio-Strip” визуализирует вклад каждого компонента реакции в общую токсичность процесса с помощью био-стрипов, что помогает учёным выделить наиболее токсичные компоненты и оптимизировать выбор реагентов для снижения экологических рисков.
🧑💻 Попробуйте прямо сейчас!
Сервис доступен всем желающим по ссылке. Оцените возможности “Build-a-bio-Strip” и внесите свой вклад в создание более безопасных и экологичных химических технологий!
Полный текст статьи ищите в комментариях 👇
Deep-PK: deep learning for small molecule pharmacokinetic and toxicity prediction
https://doi.org/10.1093/nar/gkae254
Нашли на просторах интернета новый сервис, который позволяет предсказывать бесплатно 64 ADMET и 9 общих свойств молекул. По заявлению авторов делает это точнее, чем предыдущие известные модели.
🔥 Ссылка на сервис: https://biosig.lab.uq.edu.au/deeppk/
📕 Nucleic Acids Research (IF=16.6)
#method
https://doi.org/10.1093/nar/gkae254
Нашли на просторах интернета новый сервис, который позволяет предсказывать бесплатно 64 ADMET и 9 общих свойств молекул. По заявлению авторов делает это точнее, чем предыдущие известные модели.
#method
Please open Telegram to view this post
VIEW IN TELEGRAM
OUP Academic
Deep-PK: deep learning for small molecule pharmacokinetic and toxicity prediction
Abstract. Evaluating pharmacokinetic properties of small molecules is considered a key feature in most drug development and high-throughput screening proce