論文の概要: SOLIS: Autonomous Solubility Screening using Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2203.10970v1
• Date: Fri, 18 Mar 2022 09:38:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-27 06:14:23.383368
• Title: SOLIS: Autonomous Solubility Screening using Deep Neural Networks
• Title（参考訳）: SOLIS:ディープニューラルネットワークを用いた自律溶解度スクリーニング
• Authors: Gabriella Pizzuto, Jacopo de Berardinis, Louis Longley, Hatem Fakhruldeen, and Andrew I. Cooper
• Abstract要約: サンプル準備は手作業で行うのが一般的である。 結晶化実験は多くの化学分野において、精製とポリモルフィックスクリーニング実験の両方で一般的である。 本研究では, 人間の化学者が試料を視覚的に評価し, 溶液中に固形物が完全に溶解したかどうかを判断する手法に着想を得た, 新規なカスケード深部モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.36700088931938835
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accelerating material discovery has tremendous societal and industrial impact, particularly for pharmaceuticals and clean energy production. Many experimental instruments have some degree of automation, facilitating continuous running and higher throughput. However, it is common that sample preparation is still carried out manually. This can result in researchers spending a significant amount of their time on repetitive tasks, which introduces errors and can prohibit production of statistically relevant data. Crystallisation experiments are common in many chemical fields, both for purification and in polymorph screening experiments. The initial step often involves a solubility screen of the molecule; that is, understanding whether molecular compounds have dissolved in a particular solvent. This usually can be time consuming and work intensive. Moreover, accurate knowledge of the precise solubility limit of the molecule is often not required, and simply measuring a threshold of solubility in each solvent would be sufficient.To address this, we propose a novel cascaded deep model that is inspired by how a human chemist would visually assess a sample to determine whether the solid has completely dissolved in the solution. In this paper, we design, develop, and evaluate the first fully autonomous solubility screening framework, which leverages state-of-the-art methods for image segmentation and convolutional neural networks for image classification.To realise that, we first create a dataset comprising different molecules and solvents, which is collected in a real-world chemistry laboratory. We then evaluated our method on the data recorded through an eye-in-hand camera mounted on a seven degree-of-freedom robotic manipulator, and show that our model can achieve 99.13% test accuracy across various setups.
• Abstract（参考訳）: 物質発見の加速は、特に医薬品やクリーンエネルギー生産において、社会と産業に大きな影響を及ぼす。 多くの実験機器はある程度の自動化があり、継続的な実行と高いスループットを促進する。 しかし,試料調製は手作業で行われていることが一般的である。 これにより、研究者は繰り返しタスクにかなりの時間を費やし、エラーが発生し、統計的に関連のあるデータの生成を禁止できる。 結晶化実験は多くの化学分野において、精製とポリモルフィックスクリーニング実験の両方で一般的である。 最初の段階は、しばしば分子の溶解度スクリーン、すなわち分子化合物が特定の溶媒に溶解したかどうかを理解することである。 これは通常、時間がかかり、集中的に働きます。 さらに、分子の溶解度限界の正確な知識は必要とせず、各溶媒の溶解度閾値を単純に測定するだけで十分である。これに対処するために、人間の化学者が溶液に固体が完全に溶解したかどうかを視覚的に評価する方法に着想を得た新しいカスケード深層モデルを提案する。 本稿では,画像分割と畳み込みニューラルネットワークを用いた画像分類のための最先端手法を活用した,第1次完全自律溶解度スクリーニングフレームワークを設計,開発,評価し,まず,異なる分子と溶媒からなるデータセットを作成し,実世界化学実験室で収集する。 次に,7自由度ロボットマニピュレータに装着したアイ・イン・ハンドカメラを用いて記録したデータについて評価を行い,様々なセットアップで99.13%の精度が得られることを示した。

関連論文リスト

• Predicting solvation free energies with an implicit solvent machine learning potential [0.0]
  本稿では,小さな有機分子に対する暗黙の溶媒MLポテンシャルをパラメータ化するために,Solvation Free Energy Path Reweighting (ReSolv) フレームワークを導入する。 トップダウン(実験的な水和自由エネルギーデータ)とボトムアップ(真空中の分子の初期データ)の学習の組み合わせにより、ReSolvは明示的なバルク溶媒中の分子の難解なアブ初期データの必要性を回避した。 明示的な溶媒MLポテンシャルと比較して、ReSolvは4桁の計算スピードアップを提供し、実験と密接に一致している。
  論文  参考訳（メタデータ） (2024-05-31T20:28:08Z)
• Data-Efficient Molecular Generation with Hierarchical Textual Inversion [48.816943690420224]
  分子生成のための階層型テキスト変換法 (HI-Mol) を提案する。 HI-Molは分子分布を理解する上での階層的情報、例えば粗い特徴ときめ細かい特徴の重要性にインスパイアされている。 単一レベルトークン埋め込みを用いた画像領域の従来のテキストインバージョン法と比較して, マルチレベルトークン埋め込みにより, 基礎となる低ショット分子分布を効果的に学習することができる。
  論文  参考訳（メタデータ） (2024-05-05T08:35:23Z)
• Feedback Efficient Online Fine-Tuning of Diffusion Models [52.170384048274364]
  提案手法は, 実現可能なサンプルの多様体上で効率的に探索できる新しい強化学習手法である。 本稿では,3つの領域にまたがる実証的検証とともに,後悔の保証を提供する理論的解析を提案する。
  論文  参考訳（メタデータ） (2024-02-26T07:24:32Z)
• Predicting Drug Solubility Using Different Machine Learning Methods -- Linear Regression Model with Extracted Chemical Features vs Graph Convolutional Neural Network [1.8936798735951967]
  我々は、線形回帰モデルとグラフ畳み込みニューラルネットワーク(GCNN)モデルという2つの機械学習モデルを用いて、様々な実験データセットを用いた。 現在のGCNNモデルは解釈可能性に制限があるが、線形回帰モデルは、基礎となる要因の詳細な分析を可能にする。 化学の観点からは, 線形回帰モデルを用いて, 個々の原子種と官能基が全体の溶解度に及ぼす影響を解明した。
  論文  参考訳（メタデータ） (2023-08-23T15:35:20Z)
• ChemVise: Maximizing Out-of-Distribution Chemical Detection with the Novel Application of Zero-Shot Learning [60.02503434201552]
  本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。 合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
  論文  参考訳（メタデータ） (2023-02-09T20:19:57Z)
• Accurate, reliable and interpretable solubility prediction of druglike molecules with attention pooling and Bayesian learning [1.8275108630751844]
  可溶性のシリコ予測は, 仮想スクリーニングと鉛最適化において有用性について研究されている。 近年,物理に基づく手法は高スループットタスクには適さないため,実験データを用いた機械学習(ML)手法が普及している。 本稿では,グラフニューラルネットワーク(GNN)を自己注意型読み出し層で開発し,予測性能を向上させる。
  論文  参考訳（メタデータ） (2022-09-29T07:48:10Z)
• Rxn Hypergraph: a Hypergraph Attention Model for Chemical Reaction Representation [70.97737157902947]
  現在、化学反応を強固に表現するための普遍的で広く採用されている方法は存在しない。 ここでは、グラフに基づく分子構造の表現を利用して、ハイパーグラフアテンションニューラルネットワークアプローチを開発し、テストする。 我々はこのハイパーグラフ表現を3つの独立な化学反応データセットを用いて3つの実験で評価した。
  論文  参考訳（メタデータ） (2022-01-02T12:33:10Z)
• Federated Learning of Molecular Properties in a Heterogeneous Setting [79.00211946597845]
  これらの課題に対処するために、フェデレーションヘテロジニアス分子学習を導入する。 フェデレートラーニングにより、エンドユーザは、独立したクライアント上に分散されたトレーニングデータを保存しながら、グローバルモデルを協調的に構築できる。 FedChemは、化学におけるAI改善のための新しいタイプのコラボレーションを可能にする必要がある。
  論文  参考訳（メタデータ） (2021-09-15T12:49:13Z)
• Excited state, non-adiabatic dynamics of large photoswitchable molecules using a chemically transferable machine learning potential [0.0]
  我々はアゾベンゼン誘導体のシミュレーションを加速するニューラルネットワークポテンシャルを導入する。 ネットワークは、トレーニングに使用される量子化学法よりも6桁高速である。 このモデルを用いて、仮想的に3,100個の仮説分子をスクリーニングし、非常に高い量子収率を持ついくつかの種を同定する。
  論文  参考訳（メタデータ） (2021-08-10T19:03:36Z)
• ASGN: An Active Semi-supervised Graph Neural Network for Molecular Property Prediction [61.33144688400446]
  本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。 教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。 最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:22:39Z)
• ChemGrapher: Optical Graph Recognition of Chemical Compounds by Deep Learning [6.88204255655161]
  薬物発見においては、化学物質のグラフ構造に関する知識が不可欠である。 画像を自動的に分析し、それらを化学グラフ構造に変換するツールは、多くのアプリケーションに役立つだろう。 我々は,光化合物認識のためのディープニューラルネットワークモデルを開発した。
  論文  参考訳（メタデータ） (2020-02-23T14:30:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。