Мы используем cookie файлы.
Пользуясь сайтом, вы соглашаетесь с нашей Политикой конфиденциальности.

Номер договора
075-15-2021-579
Период реализации проекта
2021-2023
Приглашенный ученый
Заведующий лабораторией

По данным на 01.12.2023

37
Количество специалистов
38
научных публикаций
4
Объектов интеллектуальной собственности
Общая информация
Проект направлен на разработку и демонстрацию новой вычислительной методологии для проектирования химических структур с заданными свойствами, дополняемыми вероятными химическими реакциями. Методология будет основана на новых методах машинного обучения, которые были разработаны в лаборатории доктора Тетко. Эти методы будут в дальнейшем расширяться, настраиваться и проверяться в нескольких типах химических реакций, основываясь на превосходном дополнительном опыте в химическом синтезе принимающего института (ИХР РАН).
Название проекта:  Компьютерный синтез химических соединений с заданными свойствами

Цели и задачи

Цель проекта:

Цели проекта включают в себя:

  • Методы искусственного интеллекта (ИИ) для получения химических соединений с желаемыми свойствами;
  • Автоматизированная система планирования синтеза предлагаемых соединений на основе заранее определенных наборов химических реакций.

Практическое значение исследования

Научные результаты:

Создание общедоступного web-сервиса ChemPredictor (http://chem-predictor.isc-ras.ru/), позволяющего при помощи методов машинного обучения прогнозировать физико-химические и биологические свойства широкого ряда соединений, а также параметры химических реакций.

К настоящему времени web-сервис ChemPredictor предоставляет возможность пользователю осуществлять полный ретросинтез олигопирролов. и предсказывать физико-химические и биологические свойства (длина волны максимума поглощения и молярный коэффициент поглощения красителей различной природы; значение 11B ЯМР химического сдвига для соединений класса BODIPY; сенсорная способность молекулы; температуры плавления, разложения и стеклования для ионных жидкостей и смесей на их основе; минимальная ингибирующая концентрация ионных жидкостей по отношению к S. aureus, E. coli и P. aeruginosa; электропроводность, вязкость, плотность, поверхностное натяжение, скорость звука для ионных жидкостей) и параметры реакций (выход продукта реакции конденсации пиррола или дипиррометана с альдегидами).

Web-сервис ChemPredictor имеет интуитивно понятный интерфейс, позволяющий использовать его для решения не только научных задач, но и образовательных.

Образование и переподготовка кадров:

  • Защита диссертации на соискание ученой степени доктора наук – 1.
  • Защита диссертаций на соискание ученой степени кандидата наук – 5.
  • Разработаны и реализованы учебные курсы: «Хемоинформатика», «Методы машинного обучения в химии».

Сотрудничество:

  • Ивановский государственный химико-технологический университет,
  • Казанский (Приволжский) федеральный университет,
  • Helmholtz-Center Munich (Германия),
  • Университет ИТМО,
  • Сколковский институт науки и технологий,Институт органической химии им. Н. Д. 
  • Зелинского РАН.

Скрыть Показать полностью
Makarov D. M., Fadeeva Y. A., Shmukler L. E.
Predictive modeling of physicochemical properties and ionicity of ionic liquids for virtual screening of novel electrolytes // Journal of Molecular Liquids. 2023. Vol. 391. p. 123323;
Ksenofontov A. A., Isaev Y. I., Lukanov M. M., Makarov D. M., Eventova V. A., Khodov I. A., Berezin M. B.
Accurate prediction of 11B NMR chemical shift of BODIPYs via machine learning // Physical Chemistry Chemical Physics. 2023. Vol. 25. No. 13. pp. 9472-9481;
Makarov D. M., Lukanov M. M., Rusanov A., Mamardashvili N., Ksenofontov A. A.
Machine learning approach for predicting the yield of pyrroles and dipyrromethanes condensation reactions with aldehydes // Journal of Computational Science. 2023. Vol. 74. p. 102173;
Bichan N. G., Ovchenkova E. N., Ksenofontov A. A., Mozgova V. A., Gruzdev M. S., Chervonova U. V., Shelaev I. V., Lomova T. N.
Meso-carbazole substituted porphyrin complexes: Synthesis and spectral properties according to experiment, DFT calculations and the prediction by machine learning methods // Dyes and Pigments. 2022. Vol. 204. p. 110470;
Ksenofontov A. A., Lukanov M. M., Bocharov P. S.
Can machine learning methods accurately predict the molar absorption coefficient of different classes of dyes? // Spectrochimica Acta - Part A: Molecular and Biomolecular Spectroscopy. 2022. Vol. 279. p. 121442;
Ksenofontov A. A., Lukanov M. M., Bocharov P. S., Berezin M. B., Tetko I. V.
Deep neural network model for highly accurate prediction of BODIPYs absorption // Spectrochimica Acta - Part A: Molecular and Biomolecular Spectroscopy. 2022. Vol. 267. p. 120577;
Makarov D. M., Fadeeva Y. A., Shmukler L. E., Tetko I. V.
Machine learning models for phase transition and decomposition temperature of ionic liquids // Journal of Molecular Liquids. 2022. Vol. 366. p. 120247.
Другие лаборатории и ученые
Лаборатория, принимающая организация
Область наук
Город
Приглашенный ученый
Период реализации проекта
Лаборатория «Гибридные методы моделирования и оптимизации в сложных системах»

Сибирский федеральный университет - (СФУ)

Компьютерные и информационные науки

Красноярск

Станимирович Предраг Стеван

Сербия

2022-2024

Лаборатория «Исследование сетевых технологий с ультра малой задержкой и сверхвысокой плотностью на основе широкого применения искусственного интеллекта для сетей 6G»

Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича

Компьютерные и информационные науки

Санкт-Петербург

Абд Эль-Латиф Ахмед Абдельрахим

Египет

2022-2024

Лаборатория нелинейной и микроволновой фотоники

Ульяновский государственный университет - (УлГУ)

Компьютерные и информационные науки

Ульяновск

Тейлор Джеймс Рой

Великобритания, Ирландия

2021-2023