XiaoMi-AI文件搜索系统
World File Search SystemRetrosynthesis
探索用于体外建立HOPAC循环的替代途径，用于合成CO2固定
自然发展了八种不同的途径，用于捕获和转化CO 2，包括加尔文·本森·巴萨姆的光合作用周期。然而，这些途径构成了约束，仅代表了数千个理论上可能的解决方案的一部分。要克服自然进化的局限性，我们介绍了羟丙基-COA/丙烯酸-COA（HOPAC）周期，这是一种新型到循环的CO 2固定途径，该途径通过代谢性递延途径在Acrylyl-CoA还原性羧基化周围围绕高度coa coa coa coa coa，coa coa coa coa coa，coa coa coa coa coa coa coa coa coa coa coa y retrosynththessy有效，这是高度有效的22。我们以逐步的方式意识到了Hopac循环，并使用了合理的工程设计和机器学习 - 指导工作流程，以进一步优化其输出多个数量级。HOPAC循环的4.0版涵盖了来自六种不同生物体的11个酶，在2小时内将〜3.0 mm Co 2转化为乙醇酸。我们的工作将假设的HOPAC周期从理论设计转变为构成不同潜在应用的基础的已建立的体外系统。
用于小分子药物发现的深度学习方法
摘要 —随着计算机辅助技术的发展，包括生物化学和深度学习在内的研究界已在药物发现领域投入了十多年。深度学习的各种应用在药物发现中引起了极大的关注，例如分子生成、分子性质预测、逆合成预测和反应预测。而现有的大多数调查仅关注其中一种应用，限制了社区研究人员的视野。在本文中，我们对上述四个方面进行了全面的回顾，并讨论了不同应用之间的关系。为了更好地理解各种方法的发展，介绍了最新的文献和经典基准。我们首先总结这些作品中的分子表示格式，然后介绍针对这四个任务的最新提出的方法。此外，我们回顾了各种常用的数据集和评估指标，并比较了基于深度学习的模型的性能。最后，我们总结了剩余的挑战并讨论了深度学习方法在药物发现中的未来趋势。
“人工智能”在化学领域的作用
化学家传统上依靠实验来收集数据并进行分析，以增进对化学的理解。然而，自 20 世纪 60 年代以来，计算机方法已经得到发展，以协助化学家完成这一过程，从而催生了一门称为化学信息学的新学科。该领域已应用于药物发现、分析化学和材料科学等各个领域。近年来，一种发展势头强劲的方法是将人工智能 (AI) 应用于化学。AI 已用于预测分子特性、设计新分子以及验证拟议的逆合成和反应条件等任务。它的使用通过降低成本和与时间相关的问题，在药物发现研发方面取得了重大进展。尽管取得了这些进步，但 AI 在化学中的概念仍然相对未被探索。近年来，人工智能 (AI) 在化学领域的应用显著增长。期刊和专利出版物均大幅增加，尤其是自 2015 年以来。分析化学和生物化学表现出最大的 AI 整合，增长率最高。总之，本综述全面概述了 AI 在化学各个领域的进展，旨在为学术受众提供有关其未来方向的见解。。
对试图从文本挖掘文献食谱中的机器学习材料综合见解的尝试的批判性反映
预测性逆合合成一直是有机化学的长期目标，13 - 16，使用深神网络取得了明显的进步。17,18通过大量的有机反应（例如Scifinder 19和Reaxys）的商业数据库的可用性，这些机器学习成功得到了实现。目前尚不存在20种无机材料合成反应的商业数据库。但是，由于文献中已经有成千上万的成功材料综合报告，因此发表论文的文本挖掘合成食谱可以提供广泛的专家知识来源，以培训机器学习模型，以实现预测性无机材料合成。在2016年至2019年之间，I‡是劳伦斯·伯克利国家实验室Gerbrand Ceder研究小组的博士后研究员，并参加了31 782固体合成食谱的文本挖掘21和35 675基于解决方案的合成食谱22。在这里，我在尝试构建机器学习（ML）模型以从该数据集构建机器学习模型（ML）模型的回顾性帐户。顺便说一句，这个故事遵循Gartner的“炒作周期”，23，它通过（1）技术触发，（2）inded期望的峰值，（3）幻灭谷，（4）启蒙运动的斜坡，以及（5）生产力的平稳。这里的观点是我自己的，不一定是我的合着者在文本挖掘出版物中共享的。在这里，我们首先审查用于构建文本开采食谱数据库的自然语言处理策略。然后，我们根据数据科学的“ 4 Vs”评估了数据集，并表明数据集的数量，品种，真实性和速度的限制。尽管其中一些局限性源于文本挖掘中的技术问题，但我们认为这些局限性主要源于化学家过去如何探索和合成材料的社会，文化和人为偏见。24我们表明，在此文本挖掘数据集上训练的机器学习模型成功地捕获了化学家对材料合成的看法，但并没有对如何最好地合成新颖材料的实质性新的指导见解。另一方面，我们发现该数据集中最有趣的食谱实际上是异常的配方，即在固态合成中违反常规直觉的配方。这些异常的食谱也相对罕见，这意味着它们在uence回归或分类模型中不会显着。通过手动检查一些异常食谱，我们就固态反应的进行方式以及如何选择增强反应动力学和靶材料的选择性的前体提出了一个新的机械假设。这一假设推动了一系列高可见性的后续研究，25 - 28在经验上验证了我们假设的机制，这些机制是从文本开采的文献数据集中收集的。