Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Predicting Molecular Geometry02:27

Predicting Molecular Geometry

44.5K
VSEPR Theory for Determination of Electron Pair Geometries
44.5K
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving01:29

Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving

261
Mechanistic models play a crucial role in algorithms for numerical problem-solving, particularly in nonlinear mixed effects modeling (NMEM). These models aim to minimize specific objective functions by evaluating various parameter estimates, leading to the development of systematic algorithms. In some cases, linearization techniques approximate the model using linear equations.
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
261

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Role of CYP3A5 and CYP3A4 in the metabolism and toxicity of 10-hydroxyl mesaconitine, a new potential toxicity marker of Radix Aconiti Lateralis Preparata (Fuzi), in vitro and in vivo.

Drug metabolism and disposition: the biological fate of chemicals·2026
Same author

Comparison of left lateral and supine positioning for EUS-guided portal pressure gradient measurements.

Gastrointestinal endoscopy·2026
Same author

A CRISPR/Cas12a-based reverse transcription multiple cross displacement amplification technique for sensitive, rapid, and highly specific detection of <i>human enterovirus A71</i> in clinical application.

Frontiers in microbiology·2026
Same author

Genome-wide characterization of the accessible chromatin regions in chickpea.

BMC genomics·2026
Same author

Integrating WGCNA and machine learning to identify and validate key biomarkers in MASLD.

BMC gastroenterology·2026
Same author

Ion-Responsive Microneedles Delivering Subtype-Specific Mitochondrial Extracellular Vesicles from HEY1⁺ Cardiomyocytes for Cardiac Repair in Bama Minipigs with Myocardial Ischemia-Reperfusion Injury.

Theranostics·2026

Video Experimental Relacionado

Updated: Jan 8, 2026

Author Spotlight: Accelerating Discovery in Microporous Material Chemistry
07:20

Author Spotlight: Accelerating Discovery in Microporous Material Chemistry

Published on: October 6, 2023

4.2K

Optimización multiobjetivo de las propiedades estructurales y los costos de síntesis de los marcos metal-orgánicos

Huafang Zhang1, Chunjian Pan2, Qi Liang1

  • 1School of Light Industry Science and Engineering, Beijing Technology and Business University, Beijing 100048, China.

Journal of chemical information and modeling
|December 12, 2025
PubMed
Resumen

Este estudio presenta un marco de aprendizaje automático para optimizar la síntesis de marcos metal-orgánicos (MOF), equilibrando una alta área superficial (SSA) con costos reducidos. El enfoque identifica rutas de producción de MOF rentables y de alto rendimiento.

Palabras clave:
aprendizaje automáticomarcos metal-orgánicosoptimizaciónsíntesiscostosárea superficialmaterialesingeniería químicaquímica computacional

Más Videos Relacionados

Synthesis and Characterization of Functionalized Metal-organic Frameworks
11:27

Synthesis and Characterization of Functionalized Metal-organic Frameworks

Published on: September 5, 2014

49.0K
Author Spotlight: Experimental Approaches for the Synthesis of Low-Valent Metal-Organic Frameworks from Multitopic Phosphine Linkers
07:14

Author Spotlight: Experimental Approaches for the Synthesis of Low-Valent Metal-Organic Frameworks from Multitopic Phosphine Linkers

Published on: May 12, 2023

3.7K

Videos de Experimentos Relacionados

Last Updated: Jan 8, 2026

Author Spotlight: Accelerating Discovery in Microporous Material Chemistry
07:20

Author Spotlight: Accelerating Discovery in Microporous Material Chemistry

Published on: October 6, 2023

4.2K
Synthesis and Characterization of Functionalized Metal-organic Frameworks
11:27

Synthesis and Characterization of Functionalized Metal-organic Frameworks

Published on: September 5, 2014

49.0K
Author Spotlight: Experimental Approaches for the Synthesis of Low-Valent Metal-Organic Frameworks from Multitopic Phosphine Linkers
07:14

Author Spotlight: Experimental Approaches for the Synthesis of Low-Valent Metal-Organic Frameworks from Multitopic Phosphine Linkers

Published on: May 12, 2023

3.7K

Área de la Ciencia:

  • Ciencia de los Materiales
  • Ingeniería Química
  • Química Computacional

Sus antecedentes:

  • Los marcos metal-orgánicos (MOF) ofrecen una alta área superficial y porosidad ajustable para diversas aplicaciones.
  • Los métodos actuales de síntesis de MOF se ven obstaculizados por altos costos y largos tiempos de reacción.
  • Las condiciones de síntesis influyen significativamente en las propiedades estructurales y la rentabilidad de los MOF.

Objetivo del estudio:

  • Desarrollar un marco multiobjetivo basado en aprendizaje automático para optimizar la síntesis de MOF.
  • Identificar condiciones de síntesis que maximicen el área superficial específica (SSA) y minimicen los costos de producción.
  • Permitir la comercialización de MOF de alto rendimiento y bajo costo.

Principales métodos:

  • Se utilizó la base de datos SynMOF y datos de costos de materias primas comerciales.
  • Se desarrollaron modelos predictivos de aprendizaje automático para propiedades y costos de MOF.
  • Se empleó el algoritmo genético de ordenamiento no dominado II (NSGA-II) para la identificación de rutas Pareto-óptimas.
  • Se aplicó k-Vecinos más Cercanos (k-NN) para la recuperación de condiciones prácticas.
  • Se seleccionaron soluciones utilizando un modelo de aprendizaje positivo-no etiquetado integrado con Bagging para la viabilidad de producción.

Principales resultados:

  • Se identificaron rutas de síntesis Pareto-óptimas que maximizan el área superficial específica (SSA) y minimizan el costo.
  • Se obtuvieron condiciones de síntesis prácticas que coinciden con las características deseadas de los MOF.
  • Se seleccionaron soluciones con alta viabilidad de producción (probabilidad > 0.7).

Conclusiones:

  • El marco de aprendizaje automático propuesto ofrece una vía estratégica para la síntesis rentable de MOF.
  • Este enfoque facilita el desarrollo de MOF de alto rendimiento para aplicaciones comerciales.
  • La optimización de las condiciones de síntesis es crucial para equilibrar el rendimiento del MOF y la viabilidad económica.