Video Experimental Relacionado
Updated: Jan 30, 2026

Predicting Catalyst Extrudate Breakage Based on the Modulus of Rupture
Published on: May 13, 2018
Predicción de catalizadores de mayor selectividad mediante flujo de trabajo controlado por computadora y aprendizaje
Andrew F Zahrt1, Jeremy J Henle1, Brennan T Rose1
1Roger Adams Laboratory, Department of Chemistry, University of Illinois, Urbana, IL 61801, USA.
Este estudio introduce un enfoque computacional para la selección de catalizadores quirales, acelerando las reacciones asimétricas. Los modelos de aprendizaje automático predicen con precisión la selectividad del catalizador, mejorando la eficiencia en la síntesis química.
Área de la Ciencia:
- Catálisis asimétrica
- Química computacional
- Aprendizaje automático en química
Sus antecedentes:
- El diseño tradicional de catalizadores se basa en métodos empíricos y en el reconocimiento cualitativo de patrones.
- El aprendizaje automático y la quimioinformática ofrecen el potencial para acelerar el descubrimiento de catalizadores mediante el análisis de grandes conjuntos de datos.
- El desarrollo de modelos predictivos para la selectividad del catalizador quiral es crucial para avanzar en la síntesis asimétrica.
Objetivo del estudio:
- Desarrollar un flujo de trabajo guiado por computación para la selección de catalizadores quirales.
- Utilizar la quimioinformática para descriptores moleculares robustos y conjuntos de entrenamiento universales.
- Entrenar modelos de aprendizaje automático para una predicción precisa de la selectividad del catalizador.
Principales métodos:
- Empleó la quimioinformática para generar descriptores moleculares agnóstico del andamio.
- Construido un conjunto de entrenamiento universal basado en propiedades estéricas y electrónicas.
- Algoritmos aplicados de aprendizaje automático, incluidas las máquinas vectoriales de soporte y las redes neuronales de transmisión profunda.
Principales resultados:
- Logró modelos predictivos muy precisos para la selectividad del catalizador en un amplio rango.
- Aplicación demostrada con éxito en la adición de tiol catalizado por ácido fosfórico quiral a las N-aciliminas.
- Validación de la eficacia del flujo de trabajo computacional para guiar la selección del catalizador.
Conclusiones:
- El flujo de trabajo computacional desarrollado acelera significativamente la selección de catalizadores quirales.
- Los modelos de aprendizaje automático proporcionan predicciones precisas, superando las limitaciones de los métodos empíricos.
- Este enfoque mejora la eficiencia y el alcance en el desarrollo de reacciones asimétricas.
Más Videos Relacionados
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
Videos de Conceptos Relacionados
Predicting Molecular Geometry
Machines
A free-body diagram of the...
Frequency-dependent Selection
Machines: Problem Solving II
Prediction Intervals
However, the point estimate is most likely not the exact value of the population parameter, but close to it. After calculating point estimates, we construct interval estimates, called confidence intervals or prediction intervals. This prediction interval comprises a range of values unlike the point estimate and is a better predictor of the observed sample value, y.
Machines: Problem Solving I
The toggle clamp system is a machine structure consisting of movable, pin-connected multi-force members that form a stabilized system to transmit forces. The...