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
Acquisition of absorption and fluorescence spectral data using chatbots
https://doi.org/10.1039/D4DD00255E
Гайд как быстро писать новые статьи в научных журналах:
1) Берем ChatGPT или любую другую LLM
2) Спрашиваем у него о свойствах молекулы X
3) Записываем в таблицу
✅Profit: получаем статью в журнале с IF=6.2
https://doi.org/10.1039/D4DD00255E
Гайд как быстро писать новые статьи в научных журналах:
1) Берем ChatGPT или любую другую LLM
2) Спрашиваем у него о свойствах молекулы X
3) Записываем в таблицу
✅Profit: получаем статью в журнале с IF=6.2
A generative model for inorganic materials design
https://www.nature.com/articles/s41586-025-08628-5
Сегодня в журнале Nature вышла очень интересная работа.
Microsoft представил MatterGen — новую парадигму в дизайне материалов с использованием генеративного искусственного интеллекта. MatterGen позволяет ускорить процесс разработки материалов, автоматически генерируя и оценивая потенциальные структуры с заданными свойствами.
Модель может быть настроена на создание материалов с конкретными химическими составами, симметрией или физическими характеристиками, такими как магнитная плотность, ширина запрещённой зоны и механическая прочность, используя обучающий набор из более чем 608 000 стабильных соединений из известных баз данных материалов.
Экспериментальная проверка подтвердила успешный синтез материала TaCr2O6, в точности совпадающий с предсказаниями модели.
🖥 Код доступен бесплатно на гитхабе: https://github.com/microsoft/mattergen
https://www.nature.com/articles/s41586-025-08628-5
Сегодня в журнале Nature вышла очень интересная работа.
Microsoft представил MatterGen — новую парадигму в дизайне материалов с использованием генеративного искусственного интеллекта. MatterGen позволяет ускорить процесс разработки материалов, автоматически генерируя и оценивая потенциальные структуры с заданными свойствами.
Модель может быть настроена на создание материалов с конкретными химическими составами, симметрией или физическими характеристиками, такими как магнитная плотность, ширина запрещённой зоны и механическая прочность, используя обучающий набор из более чем 608 000 стабильных соединений из известных баз данных материалов.
Экспериментальная проверка подтвердила успешный синтез материала TaCr2O6, в точности совпадающий с предсказаниями модели.
Please open Telegram to view this post
VIEW IN TELEGRAM
Hybrid nanophotonic-microfluidic sensor integrated with machine learning for operando state-of-charge monitoring in vanadium flow batteries
https://doi.org/10.1016/j.est.2025.115349
При нашем скромном участии вчера вышла работа, в которой представлен усовершенствованный метод измерения степени заряда (SoC) ванадиевых проточных батарей (VRFB) с использованием показателя преломления и машинного обучения.
Основной акцент сделан на использовании изменения показателя преломления (RI) электролитов для оценки концентрации ионов ванадия.
Разработанный сенсор основан на фотонных интегральных схемах (PIC) и микрофлюидных каналах, что обеспечивает высокую чувствительность. Система прошла тестирование на рабочих условиях батареи, показав устойчивую корреляцию между спектральными характеристиками и данными о заряде.
Используя экспериментальные данные, ML модель была обучена точно предсказывать степень заряда проточной ванадиевой батареи путем анализа спектральных характеристик.
🔗По этой ссылке статья будет доступна бесплатно в течение первых 50 дней: https://authors.elsevier.com/c/1kSYB,rUrFxfAl
📕 Journal of Energy Storage (IF=8.9)
#application
https://doi.org/10.1016/j.est.2025.115349
При нашем скромном участии вчера вышла работа, в которой представлен усовершенствованный метод измерения степени заряда (SoC) ванадиевых проточных батарей (VRFB) с использованием показателя преломления и машинного обучения.
Основной акцент сделан на использовании изменения показателя преломления (RI) электролитов для оценки концентрации ионов ванадия.
Разработанный сенсор основан на фотонных интегральных схемах (PIC) и микрофлюидных каналах, что обеспечивает высокую чувствительность. Система прошла тестирование на рабочих условиях батареи, показав устойчивую корреляцию между спектральными характеристиками и данными о заряде.
Используя экспериментальные данные, ML модель была обучена точно предсказывать степень заряда проточной ванадиевой батареи путем анализа спектральных характеристик.
🔗По этой ссылке статья будет доступна бесплатно в течение первых 50 дней: https://authors.elsevier.com/c/1kSYB,rUrFxfAl
#application
Please open Telegram to view this post
VIEW IN TELEGRAM