XiaoMi-AI文件搜索系统
World File Search System分子结构
1。Elawad，Mamoun，Suad Zaki Hamed Alyousef，Njoud ... div>
Muzzammel Rehman，Islam M. Abdel-Rahman，Azza AK El-Sheikh和Mahmoud M. Abdelhamid。“探索对Zaire Ebolavirus蛋白24（V24）的Galidesivir类似物的治疗潜力（V24）：数据库筛选，分子对接，与药物相关的性质评估和分子动力学模拟。”生物分子结构与动力学杂志（2023）：1-11。26。
结构DNA纳米技术
这是一个新的研究领域的课程，自二十一世纪初以来，该课程一直在成倍增长。该场主要通过通过DNA二级结构对纳米尺度上的分子结构进行控制。该课程将包括对主题的讨论，然后由该领域最近论文的学生进行了一系列演讲。该课程首先研究了在化学，生物学和医学交集中存在的现代DNA科学。第二部分应用了DNA的化学和分子结构原理，以了解其在纳米技术中的功能。大多数生物分子存在并在水溶液中运行，因此我们首先研究溶液的化学性质。我们检查了DNA的结构和功能（遗传的分子），并发现如何在细胞中处理遗传信息，以使具有复杂分子结构的功能蛋白质。该课程以研究DNA如何作为生物催化（DNAZymes）的研究结束，并且通常是药物的靶标。整个学期的研究论文项目提供了一个机会，可以通过动手实验和构建分子模型来加深您对课程主题的了解。
Khalid Raza，博士学位 Sandeep Kumar博士 年轻学者的见面（I-ISC-2024） 研究与实践（SICLC） 全国会议 公共关系办公室Jamia Millia ...
[68] Fumuiwa，S.O.，Ahmad，S.，Olufolabo，O.K.，Olanudun，E.A.，Bano，N.，Oguntimehin，S.A，S.A，Adesida，S.A。（2023）。研究了Momordia Charantia的三萜类乙烷类型的多糖尿病潜力：LC-MS，基于对接的MM \ GBSA和MD Simontion研究。生物分子结构与动力学杂志，T＆Fhttps://doi.org/10.1080/0739102.2023.2
DP4-AI 自动 NMR 数据分析
我们开发了一种用于自动处理和分配原始 13C 和 1H NMR 数据的强大系统 DP4-AI，并将其集成到我们的计算有机分子结构解析工作流程中。从具有未定义立体化学或其他结构不确定性的分子结构开始，该系统可实现完全自动化的结构解析。开发了使用客观模型选择进行 NMR 峰值拾取的方法以及用于将计算出的 13C 和 1H NMR 位移与嘈杂实验 NMR 数据中的峰值进行匹配的算法。当使用一组具有挑战性的分子测试进行严格评估时，DP4-AI 的处理速度提高了 60 倍，并且几乎不需要科学家的时间。DP4-AI 代表了 NMR 结构解析的一次飞跃，也是 DP4 功能的一次重大变化。它可以对数据库和大量分子进行高通量分析，这在以前是不可能的，并为通过机器学习发现新的结构信息铺平了道路。此新功能与直观的 GUI 相结合，可作为开源软件在 https://github.com/KristapsE/DP4-AI 上使用。
ICH M7 EWG 小组工作计划 2024 年 10 月 01 日
2024 年 6 月 第 1 阶段（2 年或更短时间达到第 1 步和第 2 步） 设计和使用体外检测方法（例如 Ames 试验）区分致突变和非致突变亚硝胺的原则 根据结构活性关系 (SAR) 定义 AI 的原则（例如，考虑对亚硝胺分子结构特征的了解） 根据暴露对 AI 应用短于寿命 (LTL) 的调整，前提是有足够的科学数据。
D. Kumar博士，M.E。
晶体生长和铬化。非线性光学材料，光电材料和设备。材料，生物复合材料和材料合成过程的光学表征。分子结构和缺陷分析。资助的项目：DST-Serb资助的项目的主要研究者，标题为“用于第二谐波生成（SHG）设备应用的高质量，非线性光学（NLO）氢化氢衍生物单晶的单向生长和表征”。25,88,931/ - （2017-2019）
治疗设计师肽以对抗急性心肌无力
“我们的实验室为该项目开发了一种定制的计算机辅助建模管道，该管道对肽的分子结构进行了建模，并与患病心脏细胞中预测的分子效应子相互作用。计算建模指导特定实验的设计研究分子机制。通过这种方式，计算机辅助建模的优势以及Ritterhoff博士和教授最有效地相互补充。”韦德教授说。
生成模型提出的分子的可合成性
摘要：功能性分子的发现是一个昂贵且耗时的过程，小分子治疗药物发现成本的上升就是一个例证。在早期药物发现中，一类越来越受关注的技术是从头分子生成和优化，而这种技术的发展得益于新的深度学习方法的发展。这些技术可以提出新的分子结构，旨在最大化多目标函数，例如，作为针对特定靶点的治疗的适用性，而无需依赖于对化学空间的强力探索。然而，由于对可合成性的无知，这些方法的效用受到阻碍。为了强调这一问题的严重性，我们使用数据驱动的计算机辅助合成规划程序来量化最先进的生成模型提出的分子无法轻易合成的频率。我们的分析表明，尽管这些模型在流行的定量基准上表现良好，但在某些任务中它们会生成不切实际的分子结构。综合复杂性启发法可以成功地将生成偏向于综合可处理的化学空间，尽管这样做必然会偏离主要目标。该分析表明，为了提高这些模型在实际发现工作流程中的实用性，有必要开发新的算法。■ 简介
探索3D从头分子生成的离散流匹配
产生新分子结构的深层生成模型具有促进化学发现的潜力。流量匹配是一个最近提出的生成建模框架，在包括生物分子结构（包括生物分子结构）的各种任务上取得了令人印象深刻的性能。开创性流量匹配框架仅针对连续数据开发。但是，从头分子设计任务需要生成离散数据，例如原子元素或氨基酸残基的序列。最近已经提出了几种离散的流匹配方法来解决此差距。在这项工作中，我们基准了3D从头生成的现有离散流匹配方法的性能，并提供了其不同行为的解释。因此，我们提出了FlowMol-CTMC，这是一种开源模型，可实现3D从头设计的最新性能，其可学习参数比现有方法少。此外，我们提出的指标使用捕获分子质量以外的局部化学价值约束并符合高阶结构基序。这些指标表明，即使满足了基本约束，模型也倾向于在培训数据分布之外产生异常且潜在的有问题的功能组。可用于重现此工作的代码和训练有素的模型，请访问https://github.com/dunni3/flowmol。