論文の概要: Retention Time Prediction for Chromatographic Enantioseparation by
Quantile Geometry-enhanced Graph Neural Network
- arxiv url: http://arxiv.org/abs/2211.03602v1
- Date: Mon, 7 Nov 2022 14:46:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 18:59:35.066488
- Title: Retention Time Prediction for Chromatographic Enantioseparation by
Quantile Geometry-enhanced Graph Neural Network
- Title(参考訳): quantile geometry-enhanced graph neural networkによるクロマトグラフィーエナントオースパレーションの保持時間予測
- Authors: Hao Xu, Jinglong Lin, Dongxiao Zhang, Fanyang Mo
- Abstract要約: 提案する研究フレームワークは,保持時間予測とクロマトグラフィーによるエナンチオセパレーション促進に有効である。
実験により,提案手法は保持時間予測とクロマトグラフィーによるエナンチオセパレーション促進に有効であることが確認された。
- 参考スコア(独自算出の注目度): 2.4431531175170362
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A new research framework is proposed to incorporate machine learning
techniques into the field of experimental chemistry to facilitate
chromatographic enantioseparation. A documentary dataset of chiral molecular
retention times (CMRT dataset) in high-performance liquid chromatography is
established to handle the challenge of data acquisition. Based on the CMRT
dataset, a quantile geometry-enhanced graph neural network is proposed to learn
the molecular structure-retention time relationship, which shows a satisfactory
predictive ability for enantiomers. The domain knowledge of chromatography is
incorporated into the machine learning model to achieve multi-column
prediction, which paves the way for chromatographic enantioseparation
prediction by calculating the separation probability. Experiments confirm that
the proposed research framework works well in retention time prediction and
chromatographic enantioseparation facilitation, which sheds light on the
application of machine learning techniques to the experimental scene and
improves the efficiency of experimenters to speed up scientific discovery.
- Abstract(参考訳): クロマトグラフィーのエナンチオセパレーションを促進するため, 実験化学分野に機械学習技術を統合する新しい研究フレームワークが提案されている。
高速液体クロマトグラフィーにおけるキラル分子保持時間(CMRTデータセット)のドキュメンタリーデータセットを構築し,データ取得の課題に対処する。
cmrtデータセットに基づいて, 定位幾何エンハンスドグラフニューラルネットワークを提案し, エナンチオマーの予測能力を示す分子構造保持時間関係を学習した。
クロマトグラフィーの領域知識を機械学習モデルに組み込んでマルチカラム予測を行い、分離確率を計算してクロマトグラフィーのエナンチオス化予測の道を開く。
実験により,提案手法が保持時間予測とクロマトグラフィーエナンチオス分離促進に有効であることが確認され,実験シーンへの機械学習技術の適用に光を当て,科学的発見を高速化するための実験者の効率を向上させる。
関連論文リスト
- Knowledge-aware contrastive heterogeneous molecular graph learning [77.94721384862699]
分子グラフを不均一な分子グラフ学習(KCHML)に符号化するパラダイムシフトを提案する。
KCHMLは、不均一な分子グラフと二重メッセージパッシング機構によって強化された3つの異なるグラフビュー-分子、元素、薬理学-を通して分子を概念化する。
この設計は、プロパティ予測やドラッグ・ドラッグ・インタラクション(DDI)予測などの下流タスクに対する包括的な表現を提供する。
論文 参考訳(メタデータ) (2025-02-17T11:53:58Z) - Artificial Intelligence in Spectroscopy: Advancing Chemistry from Prediction to Generation and Beyond [38.32974480709081]
機械学習(ML)と人工知能(AI)の急速な出現は、化学に大きな変革をもたらした。
分光・分光データへのこれらの手法の適用は、分光機械学習(SpectraML)と呼ばれるが、いまだに研究が進んでいない。
我々はSpectraMLの統一的なレビューを行い、フォワードタスクと逆タスクの両方に対する最先端のアプローチを体系的に検証する。
論文 参考訳(メタデータ) (2025-02-14T04:07:25Z) - DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
DiffMSは式制限エンコーダ-デコーダ生成ネットワークである。
我々は、潜伏埋め込みと分子構造を橋渡しする頑健なデコーダを開発する。
実験の結果、DiffMS は $textitde novo$ 分子生成で既存のモデルより優れていることが示された。
論文 参考訳(メタデータ) (2025-02-13T18:29:48Z) - Enhancing Molecular Design through Graph-based Topological Reinforcement Learning [10.632524607651105]
本稿では,化学データと構造データを統合したグラフベーストポロジカル強化学習(GraphTRL)を提案する。
評価の結果、GraphTRLは既存のアフィニティ予測法よりも優れており、薬物発見を加速するための有望なアプローチを提供する。
論文 参考訳(メタデータ) (2024-11-22T04:45:55Z) - Intelligent Chemical Purification Technique Based on Machine Learning [5.023197681500998]
本研究では, カラムクロマトグラフィーを用いた人工知能の革新的開発を行い, 不効率を解消し, 化学分離・浄化領域におけるデータの収集を標準化することを目的とする。
高精度なデータ取得と高度な機械学習アルゴリズムを用いた自動プラットフォームの開発により、キー分離パラメータを予測する予測モデルを構築した。
新規な計量である分離確率(S_p$)は、有効化合物分離の確率を定量化し、実験的な検証によって検証する。
論文 参考訳(メタデータ) (2024-04-14T01:44:58Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳(メタデータ) (2023-06-03T06:19:20Z) - Tree-Based Learning on Amperometric Time Series Data Demonstrates High
Accuracy for Classification [0.0]
計算科学におけるデータ駆動型アプローチを用いて,多様なアンペロメトリデータセットに対する分類法を提案する。
非常に高い予測精度(95%以上)を示す。
これは機械学習のスキームを提案し、特にフルアンペロメトリ時系列データに基づく教師あり学習を提案する最初の研究の1つである。
論文 参考訳(メタデータ) (2023-02-06T09:44:53Z) - Exploring Supervised Machine Learning for Multi-Phase Identification and
Quantification from Powder X-Ray Diffraction Spectra [1.0660480034605242]
粉体X線回折分析は材料特性評価法の重要な構成要素である。
深層学習は、X線スペクトルから結晶学パラメータと特徴を予測するための主要な焦点となっている。
ここでは,多ラベル結晶相同定のための深層学習の代わりに,従来の教師付き学習アルゴリズムに関心がある。
論文 参考訳(メタデータ) (2022-11-16T00:36:13Z) - The Preliminary Results on Analysis of TAIGA-IACT Images Using
Convolutional Neural Networks [68.8204255655161]
本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。
The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
論文 参考訳(メタデータ) (2021-12-19T15:17:20Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳(メタデータ) (2021-05-18T10:15:17Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳(メタデータ) (2020-10-20T08:36:51Z)
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。