Heim Technologie-Peripheriegeräte KI Genauigkeit >98 %, GPT basierend auf der Elektronendichte wird in der chemischen Forschung verwendet, veröffentlicht im Nature-Unterjournal

Genauigkeit >98 %, GPT basierend auf der Elektronendichte wird in der chemischen Forschung verwendet, veröffentlicht im Nature-Unterjournal

Mar 27, 2024 pm 02:16 PM
理论

准确率 >98 %, GPT basierend auf der Elektronendichte wird in der chemischen Forschung verwendet, veröffentlicht im Nature-Unterjournal

Herausgeber | Violet

Der chemische Raum synthetisierter Moleküle ist sehr breit. Eine effektive Erforschung dieses Feldes erfordert Vertrauen über rechnerische Screening-Technologien wie Deep Learning, um schnell eine Vielzahl interessanter Verbindungen zu entdecken

Die Umwandlung molekularer Strukturen in digitale Darstellungen und die Entwicklung entsprechender Algorithmen zur Generierung neuer molekularer Strukturen sind der Schlüssel zur chemischen Entdeckung

Kürzlich an der University of Glasgow, Großbritannien Das Forschungsteam schlug ein maschinelles Lernmodell zur Erzeugung von Wirt-Gast-Bindungen vor. Dieses Modell ist in der Lage, Daten im Simplified Molecular Linear Input Specification (SMILES)-Format mit einer Genauigkeit von bis zu 98 % zu lesen eine Genauigkeit von 98 %. Umfassende Beschreibung von Molekülen im zweidimensionalen Raum

Erzeugen Sie eine dreidimensionale Darstellung der Elektronendichte und des elektrostatischen Potenzials des Wirt-Gast-Systems und optimieren Sie dann die Erzeugung des Gasts Durch den Gradientenabstieg wurde schließlich eine effiziente Darstellung und Transformation von Gaststrukturen mit Cucurbituril und metallorganischen Käfigen erreicht, was zur Entdeckung von 9 führte zuvor validierte CB[6]-Gäste und 7 nicht gemeldete Objekte und entdeckte 4 nicht gemeldete

98 % GPT basierend auf der Elektronendichte für die chemische Forschung, veröffentlicht im Nature-Unterjournal „ />Objects.

准确率 >Die Forschung trug den Titel „Electron Density-based GPT for Optimization and Suggestion of Host-Guest Binders“ und wurde am 8. März 2024 in „Nature Computational Science“ veröffentlicht. </p><p></p>98 %, GPT basierend auf der Elektronendichte wird in der chemischen Forschung verwendet, veröffentlicht in der Unterzeitschrift „Nature“ /><p><img src=

98 %, GPT basierend auf der Elektronendichte wird in der chemischen Forschung verwendet, veröffentlicht in der Unterzeitschrift „Nature“ />准确率 ></p>Abbildung: Entdeckung neuer Gastmoleküle durch Darstellung des Elektronendichtevolumens. (Quelle: Papier) <section></section>CB[ 6] und <p> Die Computergenerierung von Gastmolekülen wird durch den in der Abbildung oben gezeigten Arbeitsablauf erreicht. <img src=Der Arbeitsablauf umfasst die folgenden Schritte:

(1) Der 3D-Elektronendichte-Volumen-Trainingssatz wird aus den Molekülen in der Öffentlichkeit abgeleitet Durch die Modellierung dieses 3D-Elektronendichtevolumen-Trainingssatzes mit einem Variations-Autoencoder (VAE) wurde ein

„Molekülgenerator“ erstellt, der die Generierung von 3D-Elektronendichtevolumina ermöglicht, die über die aus dem QM9-Datensatz abgeleiteten hinausgehen. Der VAE-Molekülgenerator kodiert ein 3D-Elektronendichtevolumen in einen eindimensionalen (1D) latenten Raum und erzeugt dann das dem Molekül entsprechende 3D-Elektronendichtevolumen durch Dekodierung aus diesem 1D-Latentraum. Interessanterweise können mit dieser Methode nur chemisch einwandfreie Moleküle hergestellt werden.

(2) Der VAE-Molekülgenerator und der Optimierungsalgorithmus für den Gradientenabstieg werden verwendet, um eine Bibliothek von Gastmolekülen (in Form von 3D-Elektronendichtevolumina) für ein bestimmtes Wirtsmolekül zu generieren. Gastmoleküle entstehen durch Minimierung der Überlappung zwischen Wirts- und Gastelektronendichten bei gleichzeitiger Optimierung ihrer elektrostatischen Wechselwirkungen.

(3) Da es für menschliche Bediener eine Herausforderung sein kann, 3D-Elektronendichtevolumina in chemisch interpretierbare Strukturen umzuwandeln, wurde das Transformer-Modell darauf trainiert, diese Volumina auf eine Weise in eine SMILES-Darstellung umzuwandeln, die für professionelle Chemiker leichter verständlich ist Das Format erfasst alle notwendigen Informationen, die zur Beschreibung des Moleküls erforderlich sind. Nachdem mithilfe von Computersimulationen potenzielle Gastmoleküle für CB[6] und

generiert wurden, wurde ein In-vitro-Workflow etabliert, um die vielversprechendsten Kandidaten experimentell zu testen. Genauigkeit >98 %, GPT basierend auf der Elektronendichte wird in der chemischen Forschung verwendet, veröffentlicht im Nature-Unterjournal

Das verwendete experimentelle Verfahren wird unten beschrieben.

(1) Die durch den Computer-Workflow erzeugten Objekte von CB[6] und

wurden von Chemieexperten für experimentelle Tests klassifiziert. Vielversprechende Gäste zum Testen werden auf der Grundlage ihrer strukturellen Ähnlichkeit mit bekannten Gästen von CB[6] oder Genauigkeit >98 %, GPT basierend auf der Elektronendichte wird in der chemischen Forschung verwendet, veröffentlicht im Nature-Unterjournal, der Intuition professioneller Chemiker und ihrer kommerziellen Verfügbarkeit ausgewählt. Genauigkeit >98 %, GPT basierend auf der Elektronendichte wird in der chemischen Forschung verwendet, veröffentlicht im Nature-Unterjournal

(2) Verwenden Sie die direkte 准确率 >98 % GPT basierend auf der Elektronendichte für die chemische Forschung, veröffentlicht im Nature-Unterjournal „ />Titrationsmethode, um die Affinität von CB[6] oder <img src= zu bestimmen. Es ist erwähnenswert, dass der Gast erzeugt wurde Der Computer Mischungen, die Moleküle enthalten, von denen bisher bekannt war, dass sie an Wirte binden (oder eng mit ihnen verwandt sind), und Moleküle, die sich der Intuition von Experten entziehen -Gastsysteme: Cucurbituril (CB[n]) und metallorganische Käfige sind zu literaturverifizierten und nicht gemeldeten Objekten geworden. Der Algorithmus generierte außerdem 9 bisher bekannte Objekte für CB[6]. und die Affinität von CB[6] für diese neuen Gäste wurde durch direkte

Titration in HCO2H/H2O 1:1v/v

In allen 7 Fällen wird eine Reihe von Signalen für das Wirt-Gast-System beobachtet, was darauf hinweist, dass Das System erfährt einen schnellen Austausch auf der NMR-Zeitskala. Nach der Komplexierung verschiebt sich die aliphatische Kettenresonanz der Gastmoleküle nach oben, was darauf hinweist, dass sie im CB[6]-Hohlraum eingekapselt sind Forschung, veröffentlicht in „Nature Sub-Journal“ /> Die Assoziationskonstante mit CB[6] folgt dem zuvor festgestellten Trend und reicht von 13,5 M^− 1 bis 5.470 M^−1.

98 %, GPT basierend auf der Elektronendichte wird in der chemischen Forschung verwendet, veröffentlicht in der Unterzeitschrift „Nature“ />

Abbildung: Optimierung von CB[6] und zuvor bekannten Objekten und optimierten Objekten von

. (Quelle: Papier ) Genauigkeit >98 %, GPT basierend auf der Elektronendichte wird in der chemischen Forschung verwendet, veröffentlicht im Nature-Unterjournal

Für

generiert der Optimierungsalgorithmus nur unbekannte Gastmoleküle, und die Bindungsstärke zwischen vier potenziellen nicht gemeldeten Gästen und [Pd214](BArF)4 wird in allen vier Fällen durch direkte 准确率 > Titration in CD2Cl2 getestet. Die Gastaffinitäten für [. Pd214](BArF)4 stimmen mit dem unteren Bereich zuvor berichteter Affinitäten für „kleine neutrale Gäste“ in CD2Cl2 überein (Ka von 44 M^-1 bis 529 M^-1). </p><p>Während sich die Forschung auf die Verwendung der SMILES-Notation zur Darstellung von Molekülen konzentrierte, wurden auch andere ähnliche Formate wie Self-Referential Embedded Strings (SELFIES) getestet. <img src= größere Hohlräume haben und größere Gastmoleküle erfordern. In zukünftigen Studien werden Datensätze verwendet, die größere Moleküle enthalten, wie beispielsweise der GDB-17-Datensatz.

Danach: „Unser Ziel ist es, die Auswahl neuer Liganden in den Generierungsprozess einzubetten, Moleküle auf automatisierten Syntheseplattformen (wie Chemputer-Robotern) autonom zu synthetisieren, den Kreislauf zwischen Optimierung und Test zu schließen und einen cyber-physikalischen Abschluss zu schaffen.“ Schleifensystem.“

Das obige ist der detaillierte Inhalt vonGenauigkeit >98 %, GPT basierend auf der Elektronendichte wird in der chemischen Forschung verwendet, veröffentlicht im Nature-Unterjournal. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Erklärung dieser Website
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn

Heiße KI -Werkzeuge

Undresser.AI Undress

Undresser.AI Undress

KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover

AI Clothes Remover

Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool

Undress AI Tool

Ausziehbilder kostenlos

Clothoff.io

Clothoff.io

KI-Kleiderentferner

AI Hentai Generator

AI Hentai Generator

Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

R.E.P.O. Energiekristalle erklärten und was sie tun (gelber Kristall)
2 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
Repo: Wie man Teamkollegen wiederbelebt
1 Monate vor By 尊渡假赌尊渡假赌尊渡假赌
Hello Kitty Island Abenteuer: Wie man riesige Samen bekommt
4 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌

Heiße Werkzeuge

Notepad++7.3.1

Notepad++7.3.1

Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version

SublimeText3 chinesische Version

Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1

Senden Sie Studio 13.0.1

Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6

Dreamweaver CS6

Visuelle Webentwicklungstools

SublimeText3 Mac-Version

SublimeText3 Mac-Version

Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

„Defect Spectrum' durchbricht die Grenzen der herkömmlichen Fehlererkennung und erreicht erstmals eine hochpräzise und umfassende semantische Fehlererkennung in der Industrie. „Defect Spectrum' durchbricht die Grenzen der herkömmlichen Fehlererkennung und erreicht erstmals eine hochpräzise und umfassende semantische Fehlererkennung in der Industrie. Jul 26, 2024 pm 05:38 PM

In der modernen Fertigung ist die genaue Fehlererkennung nicht nur der Schlüssel zur Sicherstellung der Produktqualität, sondern auch der Kern für die Verbesserung der Produktionseffizienz. Allerdings mangelt es vorhandenen Datensätzen zur Fehlererkennung häufig an der Genauigkeit und dem semantischen Reichtum, die für praktische Anwendungen erforderlich sind, was dazu führt, dass Modelle bestimmte Fehlerkategorien oder -orte nicht identifizieren können. Um dieses Problem zu lösen, hat ein Spitzenforschungsteam bestehend aus der Hong Kong University of Science and Technology Guangzhou und Simou Technology innovativ den „DefectSpectrum“-Datensatz entwickelt, der eine detaillierte und semantisch reichhaltige groß angelegte Annotation von Industriedefekten ermöglicht. Wie in Tabelle 1 gezeigt, bietet der Datensatz „DefectSpectrum“ im Vergleich zu anderen Industriedatensätzen die meisten Fehleranmerkungen (5438 Fehlerproben) und die detaillierteste Fehlerklassifizierung (125 Fehlerkategorien).

Das NVIDIA-Dialogmodell ChatQA wurde auf Version 2.0 weiterentwickelt, wobei die angegebene Kontextlänge 128 KB beträgt Das NVIDIA-Dialogmodell ChatQA wurde auf Version 2.0 weiterentwickelt, wobei die angegebene Kontextlänge 128 KB beträgt Jul 26, 2024 am 08:40 AM

Die offene LLM-Community ist eine Ära, in der hundert Blumen blühen und konkurrieren. Sie können Llama-3-70B-Instruct, QWen2-72B-Instruct, Nemotron-4-340B-Instruct, Mixtral-8x22BInstruct-v0.1 und viele andere sehen hervorragende Darsteller. Allerdings weisen offene Modelle im Vergleich zu den proprietären Großmodellen GPT-4-Turbo in vielen Bereichen noch erhebliche Lücken auf. Zusätzlich zu allgemeinen Modellen wurden einige offene Modelle entwickelt, die sich auf Schlüsselbereiche spezialisieren, wie etwa DeepSeek-Coder-V2 für Programmierung und Mathematik und InternVL für visuelle Sprachaufgaben.

Google AI gewann die Silbermedaille der IMO Mathematical Olympiad, das mathematische Argumentationsmodell AlphaProof wurde eingeführt und Reinforcement Learning ist zurück Google AI gewann die Silbermedaille der IMO Mathematical Olympiad, das mathematische Argumentationsmodell AlphaProof wurde eingeführt und Reinforcement Learning ist zurück Jul 26, 2024 pm 02:40 PM

Für KI ist die Mathematikolympiade kein Problem mehr. Am Donnerstag hat die künstliche Intelligenz von Google DeepMind eine Meisterleistung vollbracht: Sie nutzte KI, um meiner Meinung nach die eigentliche Frage der diesjährigen Internationalen Mathematikolympiade zu lösen, und war nur einen Schritt davon entfernt, die Goldmedaille zu gewinnen. Der IMO-Wettbewerb, der gerade letzte Woche zu Ende ging, hatte sechs Fragen zu Algebra, Kombinatorik, Geometrie und Zahlentheorie. Das von Google vorgeschlagene hybride KI-System beantwortete vier Fragen richtig und erzielte 28 Punkte und erreichte damit die Silbermedaillenstufe. Anfang dieses Monats hatte der UCLA-Professor Terence Tao gerade die KI-Mathematische Olympiade (AIMO Progress Award) mit einem Millionenpreis gefördert. Unerwarteterweise hatte sich das Niveau der KI-Problemlösung vor Juli auf dieses Niveau verbessert. Beantworten Sie die Fragen meiner Meinung nach gleichzeitig. Am schwierigsten ist es meiner Meinung nach, da sie die längste Geschichte, den größten Umfang und die negativsten Fragen haben

Um ein neues wissenschaftliches und komplexes Frage-Antwort-Benchmark- und Bewertungssystem für große Modelle bereitzustellen, haben UNSW, Argonne, die University of Chicago und andere Institutionen gemeinsam das SciQAG-Framework eingeführt Um ein neues wissenschaftliches und komplexes Frage-Antwort-Benchmark- und Bewertungssystem für große Modelle bereitzustellen, haben UNSW, Argonne, die University of Chicago und andere Institutionen gemeinsam das SciQAG-Framework eingeführt Jul 25, 2024 am 06:42 AM

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Der Standpunkt der Natur: Die Erprobung künstlicher Intelligenz in der Medizin ist im Chaos. Was ist zu tun? Der Standpunkt der Natur: Die Erprobung künstlicher Intelligenz in der Medizin ist im Chaos. Was ist zu tun? Aug 22, 2024 pm 04:37 PM

Herausgeber | ScienceAI Basierend auf begrenzten klinischen Daten wurden Hunderte medizinischer Algorithmen genehmigt. Wissenschaftler diskutieren darüber, wer die Werkzeuge testen soll und wie dies am besten geschieht. Devin Singh wurde Zeuge, wie ein pädiatrischer Patient in der Notaufnahme einen Herzstillstand erlitt, während er lange auf eine Behandlung wartete, was ihn dazu veranlasste, den Einsatz von KI zu erforschen, um Wartezeiten zu verkürzen. Mithilfe von Triage-Daten aus den Notaufnahmen von SickKids erstellten Singh und Kollegen eine Reihe von KI-Modellen, um mögliche Diagnosen zu stellen und Tests zu empfehlen. Eine Studie zeigte, dass diese Modelle die Zahl der Arztbesuche um 22,3 % verkürzen können und die Verarbeitung der Ergebnisse pro Patient, der einen medizinischen Test benötigt, um fast drei Stunden beschleunigt. Der Erfolg von Algorithmen der künstlichen Intelligenz in der Forschung bestätigt dies jedoch nur

Training mit Millionen von Kristalldaten zur Lösung kristallographischer Phasenprobleme, die Deep-Learning-Methode PhAI wird in Science veröffentlicht Training mit Millionen von Kristalldaten zur Lösung kristallographischer Phasenprobleme, die Deep-Learning-Methode PhAI wird in Science veröffentlicht Aug 08, 2024 pm 09:22 PM

Herausgeber |KX Bis heute sind die durch die Kristallographie ermittelten Strukturdetails und Präzision, von einfachen Metallen bis hin zu großen Membranproteinen, mit keiner anderen Methode zu erreichen. Die größte Herausforderung, das sogenannte Phasenproblem, bleibt jedoch die Gewinnung von Phaseninformationen aus experimentell bestimmten Amplituden. Forscher der Universität Kopenhagen in Dänemark haben eine Deep-Learning-Methode namens PhAI entwickelt, um Kristallphasenprobleme zu lösen. Ein Deep-Learning-Neuronales Netzwerk, das mithilfe von Millionen künstlicher Kristallstrukturen und den entsprechenden synthetischen Beugungsdaten trainiert wird, kann genaue Elektronendichtekarten erstellen. Die Studie zeigt, dass diese Deep-Learning-basierte Ab-initio-Strukturlösungsmethode das Phasenproblem mit einer Auflösung von nur 2 Angström lösen kann, was nur 10 bis 20 % der bei atomarer Auflösung verfügbaren Daten im Vergleich zur herkömmlichen Ab-initio-Berechnung entspricht

SOTA Performance, eine multimodale KI-Methode zur Vorhersage der Protein-Ligand-Affinität in Xiamen, kombiniert erstmals molekulare Oberflächeninformationen SOTA Performance, eine multimodale KI-Methode zur Vorhersage der Protein-Ligand-Affinität in Xiamen, kombiniert erstmals molekulare Oberflächeninformationen Jul 17, 2024 pm 06:37 PM

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Identifizieren Sie automatisch die besten Moleküle und reduzieren Sie die Synthesekosten. Das MIT entwickelt ein Algorithmus-Framework für die Entscheidungsfindung im molekularen Design Identifizieren Sie automatisch die besten Moleküle und reduzieren Sie die Synthesekosten. Das MIT entwickelt ein Algorithmus-Framework für die Entscheidungsfindung im molekularen Design Jun 22, 2024 am 06:43 AM

Herausgeber |. Der Einsatz von Ziluo AI bei der Rationalisierung der Arzneimittelforschung nimmt explosionsartig zu. Durchsuchen Sie Milliarden von Kandidatenmolekülen nach solchen, die möglicherweise über Eigenschaften verfügen, die für die Entwicklung neuer Medikamente erforderlich sind. Es sind so viele Variablen zu berücksichtigen, von Materialpreisen bis hin zum Fehlerrisiko, dass es keine leichte Aufgabe ist, die Kosten für die Synthese der besten Kandidatenmoleküle abzuwägen, selbst wenn Wissenschaftler KI einsetzen. Hier entwickelten MIT-Forscher SPARROW, ein quantitatives Entscheidungsalgorithmus-Framework, um automatisch die besten molekularen Kandidaten zu identifizieren und so die Synthesekosten zu minimieren und gleichzeitig die Wahrscheinlichkeit zu maximieren, dass die Kandidaten die gewünschten Eigenschaften aufweisen. Der Algorithmus bestimmte auch die Materialien und experimentellen Schritte, die zur Synthese dieser Moleküle erforderlich sind. SPARROW berücksichtigt die Kosten für die gleichzeitige Synthese einer Charge von Molekülen, da häufig mehrere Kandidatenmoleküle verfügbar sind

See all articles