Что вас интересует?
Курс дополнительного профессионального образования “Химия и искусственный интеллект”
Научитесь решать сложные задачи химии с помощью нескольких строчек программного кода
Консалтинговые услуги
Реализуем для вас техническое решение любой задачи, лежащей в химической области
Курс дополнительного профессионального образования “Химия и искусственный интеллект”
Курс предоставляет базу для начала работы в области искусственного интеллекта, а также фокусируется на применении этих знаний в области химии и материаловедения.
Он подойдет:
- химикам, не занимавшимся до этого программированием;
- тем, кто уже работает с кодом и хочет его применять в химическом домене
Кому подойдет?
Преимущества курса
объемами данных.
к планированию
и реализации исследований.
Программа
Принципы работы на языке Python, настройка среды и базовые понятия в программировании
- Основы программирования
- IDE, Git и менеджеры пакетов
- Основы Python, Pandas, Numpy
Навыки эффективной работы с химическими данными и их источниками; специфика представления различных химических соединений в компьютерных форматах; работа с библиотеками Pubchempy, Rdkit и Pymatgen на практическом материале
- Работа с научными статьями
- Представление органических соединений
- Представление неорганических соединений
- Обработка и нормализация химических данных
Необходимые материалы для работы с данными, включая теорию вероятностей и статистические тесты, инструменты для создания информативных графиков с использованием библиотек Matplotlib, Seaborn и Plotly. Разведочный анализ данных для выявления закономерностей и понимания структуры данных
- Введение в теорию вероятностей
- Статистика
- Статистические тесты
Основные методы машинного обучения, которые послужат фундаментом для изучения более сложных методов в следующих модулях
- Основы машинного обучения, линейные модели
- Алгоритмы поиска ближайших соседей
- Деревья решений
- Вероятностные модели
- Ансамбли в машинном обучении. GBDT
Различные типы нейросетей и их применение для широкого спектра задач: от создания лекарственной молекулы до электронного лабораторного журнала
- Основы глубокого обучения, полносвязные нейросети
- Автоэнкодеры для экстракции значимой информации
- Идея сверток и сверточные нейросети
- Идея молекулярных трансформеров
- Основы генеративного глубокого обучения
- Cutting-edge глубокое обучение
Что вы освоите?
материалы: короткие
видеолекции, конспекты,
туториалы, разборы кейсов
знаний
кураторами и другими
студентами курса
с вечным доступом
к материалам
после успешного завершения курса
Тарифы и запись на курс
Консалтинговые услуги
Техническая реализация решений
Мы можем проверить концепцию и сформировать прототип решения для конкретной задачи.
Стратегическая разработка концепций
Если вы не уверены, что именно хотите, или не знаете, как этого достичь, мы можем вместе с вами сформировать ТЗ для разработки решения под ваши нужды, а также совместными усилиями сформируем виденье по продукту.
Наши разработки
Сбор базы данных каталитических, физико-химических свойств наноматериалов, покрытых молекулами
- Ограниченный объем данных.
- Идентификация селективно токсичных наночастиц с помощью экспериментов является трудоемкой и отнимающей много времени задачей.
- Исследователи могут создавать уникальные наночастицы, обладающие избирательной токсичностью против раковых клеток, благодаря доступным данным об их токсичности.
- Уникальная и полная база данных дает возможность проводить более точный анализ и принимать обоснованные решения при разработках различных наночастиц.
Подготовили уникальную базу данных, собрав более 3700 экспериментальных образцов из 100 научных статей.
Аугментация (генерация данных) и сегментация базы данных изображений
- Ограниченный объем данных.
- Сложность представления соединений.
- Уникальная и полная база данных дает возможность оценить каталитические свойства различных наноматериалов, что важно для создания эффективных нанокатализаторов.
- База данных о каталитических и физико-химических свойствах наноматериалов позволит исследователям проводить более точный анализ и принимать обоснованные решения при разработках.
Подготовили уникальную базу данных по открытым источникам, состоящую из 1120 уникальных экспериментальных образцов, собранную из более 400 научных статей.
Это крупнейшая база данных с открытым доступом, содержащая информацию о неорганических нанозимах, покрытых молекулами и полимерах, проявляющих пероксидазную, оксидазную и каталазную активности.
Разработка предсказательных алгоритмов биомедицинских свойств магнитных наночастиц
- Для успешного применения в медицинских целях магнитные наночастицы должны обладать определенными параметрами, подбор которых — сложная задача, требующая комплексного подхода.
- Синтез таких наночастиц требует специализированного оборудования, экспертных навыков и тщательного контроля различных параметров.
- Разработали ML-алгоритм, позволяющий исследователям предсказывать биомедицинские свойства магнитных наночастиц для повышения эффективности диагностики и лечения различных заболеваний.
Регрессионные модели (Light Gradient Boosting Machine (LGBM) Regressor и ExtraTrees Regressor).
- Разработали алгоритмы, которые достигают точности 80-90% в предсказании физико-химических параметров и свойств магнитных наночастиц, это помогает химикам-синтетикам получать оптимальные наночастицы для использования в МРТ и терапии методом гипертермии.
- Разработанные алгоритмы способны количественно восстанавливать зависимость прогнозируемых свойств от характеристик магнитного поля (амплитуда и частота для отдельных магнитных наночастиц).
Разработка генеративного алгоритма для молекулярного дизайна
- Ограниченное количество данных о структурах коформеров (дополнительной фармацевтически приемлемой молекулы).
- Для выбора подходящего коформера необходимо провести большое количество экспериментов.
- Разработали алгоритм, который принимает на вход терапевтическую молекулу, свойства которой необходимо улучшить, и выдает варианты коформеров (дополнительной фармацевтически приемлемой молекулы) для формирования сокристалла.
Python (Pandas, PyTorch).
Обучили генеративно-состязательную нейронную сеть (GAN) с долгой краткосрочной памятью (LSTM) на датасете из 1.75 миллиона молекул из базы данных ChEMBL. Полученные веса использовались для дообучения модели на небольшом датасете коформеров из 4000 молекул. После всех этапов обучения GAN показала валидность химических соединений более 95%.
Разработка веб-сервиса для предсказания свойств смесей, использующихся в промышленности
- Нет единого сервиса, предоставляющего ученым и базу данных, и алгоритмы машинного обучения для предсказания свойств смесей.
- Нет возможности использовать алгоритмы учеными-экспериментаторами, которые не владеют языками программирования.
- Наш веб-сервис позволяет использовать алгоритмы ML ученым-экспериментаторам для предсказания свойств смесей, которые могут использоваться в промышленности в качестве альтернативы экологически опасным растворителям.
Python (Django, Pandas, Scikit, Rdkit and other more), Javascript (Vanilla, Plotly, noUiSlider), Docker, Nginx, Ofelia.
Разработали web-ресурс DESignSolvents, который позволяет исследователям получить доступ к базе данных с возможностью поиска и визуализации смесей с необходимыми свойствами, а также использовать модели машинного обучения для предсказания этих свойств.
Разработка ассистента на основании большой языковой модели
- Длительный поиск информации в статьях об удобных методах синтеза и анализе каталитически активных материалов.
- Ассистент позволяет быстро отвечать на интересующие пользователя вопросы по статьям, что ускоряет процесс анализа статей для экспериментаторов.
ChatGPT-4 API, Multilingual-E5-large model, faiss
Разработали и интегрировали ИИ-ассистента на базе большой языковой модели (LLM), который облегчает поиск информации о методах синтеза, протоколах измерений и других данных.
Подробнее с кейсами можете
ознакомиться здесь
Если вы хотите
проконсультироваться с нами по любому возникшему вопросу, идее или предложению, вы можете оставить заявку на консультацию, а наши специалисты с вами свяжутся.