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
Новости
Добавлена модель для предсказания растворимости CO2 в глубокоэвтектических растворителях, а также температуры плавления, вязкости и плотности глубокоэвтектических растворителей
Добавлена модель для предсказания растворимости лекарств в сверхкритическом CO2
Добавлена модель для ретросинтеза олигопирролов
Добавлена модель для предсказания МИК ионных жидкостей (S. aureus, E. coli и P. aeruginosa)
Добавлена модель для прогнозирования максимума поглощения и IC50 для Pt-BODIPY
Добавлена модель для прогнозирования максимума поглощения мезокарбазолзамещенных порфиринатов d-металлов
Добавлены модели для прогнозирования электропроводности, вязкости, плотности, поверхностного натяжения и скорости звука для ионных жидкостей
Добавлена модель для прогнозирования максимума поглощения и молярного коэффициента поглощения различных красителей
Добавлены модели для прогнозирования температур плавления, разложения и стеклования для ионных жидкостей и смесей
Добавлена модель для прогнозирования выхода реакций конденсации пирролов и дипиррометанов с альдегидами на основе RFR/ECFP
Добавлена модель для прогнозирования 11B ЯМР химического сдвига BODIPY на основе RFR/ISIDA Fragments
Публикации
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