Добро пожаловать в ChemPredictor,


онлайн-платформу, которая использует возможности алгоритмов машинного обучения для прогнозирования различных свойств отдельных молекул и реакций. Независимо от того, являетесь ли вы студентом, исследователем или отраслевым специалистом, ChemPredictor является важным инструментом для всех, кто работает в области химии. Благодаря нашему удобному интерфейсу вы сможете получить нужные результаты всего за несколько секунд, сэкономив время и силы.

Попробуйте сейчас и увидите разницу сами!

Выберите модель

Реакции

Индивидуальные вещества

Ионные жидкости и смеси

Новости

Сен 20, 2024 Дек 5, 2023

Добавлена модель для предсказания растворимости CO2 в глубокоэвтектических растворителях, а также температуры плавления, вязкости и плотности глубокоэвтектических растворителей

 Ноя 20, 2023

Добавлена модель для предсказания растворимости лекарств в сверхкритическом CO2

 Окт 23, 2023

Добавлена модель для ретросинтеза олигопирролов

 Окт 23, 2023

Добавлена модель для предсказания МИК ионных жидкостей (S. aureus, E. coli и P. aeruginosa)

 Окт 15, 2023

Добавлена модель для прогнозирования максимума поглощения и IC50 для Pt-BODIPY

 Окт 14, 2023

Добавлена модель для прогнозирования максимума поглощения мезокарбазолзамещенных порфиринатов d-металлов

 Окт 7, 2023

Добавлены модели для прогнозирования электропроводности, вязкости, плотности, поверхностного натяжения и скорости звука для ионных жидкостей

 Окт 1, 2023

Добавлена модель для прогнозирования максимума поглощения и молярного коэффициента поглощения различных красителей

 Авг 28, 2023

Добавлены модели для прогнозирования температур плавления, разложения и стеклования для ионных жидкостей и смесей

Авг 26, 2023

Добавлена модель для прогнозирования выхода реакций конденсации пирролов и дипиррометанов с альдегидами на основе RFR/ECFP

 Июл 5, 2023

Добавлена модель для прогнозирования 11B ЯМР химического сдвига BODIPY на основе RFR/ISIDA Fragments

Публикации

Lukanov, M. M., Ksenofontova, K. V., Kerner, A. A., & Ksenofontov, A. A. (2025). Machine learning-aided algorithm for predicting spectral properties and cytotoxicity of BODIPY-appended platinum complexes. Optical Materials, 116703

Makarov, D. M., & Kolker, A. M. (2025). Viscosity of deep eutectic solvents: Predictive modeling with experimental validation. Fluid Phase Equilibria, 587, 114217

Makarov, D. M., Kalikin, N. N., & Budkov, Y. A. (2024). Prediction of Drug-like Compounds Solubility in Supercritical Carbon Dioxide: A Comparative Study between Classical Density Functional Theory and Machine Learning Approaches. Industrial & Engineering Chemistry Research, 63, 3, 1589-1603

Makarov, D. M., Fadeeva, Y. A., Shmukler, L. E., & Tetko, I. V. (2021). Beware of proper validation of models for ionic Liquids!. Journal of Molecular Liquids, 344, 117722

Makarov, D. M., Fadeeva, Y. A., Shmukler, L. E., & Tetko, I. V. (2022). Machine learning models for phase transition and decomposition temperature of ionic liquids. Journal of Molecular Liquids, 366, 120247

Makarov, D. M., Fadeeva, Y. A., & Shmukler, L. E. (2023). Predictive modeling of physicochemical properties and ionicity of ionic liquids for virtual screening of novel electrolytes. Journal of Molecular Liquids, 123323

Makarov, D. M., Fadeeva, Y. A., Safonova, E. A., & Shmukler, L. E. (2022). Predictive modeling of antibacterial activity of ionic liquids by machine learning methods. Computational Biology and Chemistry, 101, 107775

Makarov, D. M., Fadeeva, Y. A., Golubev, V. A., & Kolker, A. M. (2023). Designing deep eutectic solvents for efficient CO2 capture: A data-driven screening approach. Separation and Purification Technology, 325, 124614

(OA) Yarullin, D. N., Zavalishin, M. N., Gamov, G. A., Lukanov, M. M., Ksenofontov, A. A., Bumagina, N. A., & Antina, E. V. (2023). Prediction of Sensor Ability Based on Chemical Formula: Possible Approaches and Pitfalls. Inorganics, 11(4), 158

Ksenofontov, A. A., Isaev, Y. I., Lukanov, M. M., Makarov, D. M., Eventova, V. A., Khodov, I. A., & Berezin, M. B. (2023). Accurate prediction of 11 B NMR chemical shift of BODIPYs via machine learning. Physical Chemistry Chemical Physics, 25(13), 9472-9481

Ksenofontov, A. A., Lukanov, M. M., & Bocharov, P. S. (2022). Can machine learning methods accurately predict the molar absorption coefficient of different classes of dyes?. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 279, 121442

Ksenofontov, A. A., Lukanov, M. M., Bocharov, P. S., Berezin, M. B., & Tetko, I. V. (2022). Deep neural network model for highly accurate prediction of BODIPYs absorption. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 267, 120577

Bichan, N. G., Ovchenkova, E. N., Ksenofontov, A. A., Mozgova, V. A., Gruzdev, M. S., Chervonova, U. V., … & Lomova, T. N. (2022). Meso-carbazole substituted porphyrin complexes: Synthesis and spectral properties according to experiment, DFT calculations and the prediction by machine learning methods. Dyes and Pigments, 204, 110470

Dmitry M. Makarov, Michail M. Lukanov, Aleksey I. Rusanov, Nugzar Zh. Mamardashvili, Alexander A. Ksenofontov (2023). Machine learning approach for predicting the yield of pyrroles and dipyrromethanes condensation reactions with aldehydes. Journal of Computational Science, 102173