Искусственный интеллект для органической и медицинской химии

Синтелли - это платформа искусственного интеллекта для изучения химического пространства, прогнозирования свойств органических соединений и многого другого. Попробуйте с нашим тарифным планом Free

Модули Синтелли

Молекулы
Ищите необходимые соединения и получайте быстрый доступ к информации об их свойствах. Основная база содержит более 96 миллионов молекул.
Попробовать
Органические реакции
Прогнозируйте возможные продукты химических реакций. Осуществляйте поиск реакций для синтеза искомой молекулы.
Попробовать
Молекулярная карта
Исследуйте химическое пространство, используя наши модели глубокого обучения. Анализ кластеров биоактивных соединений. Генерация новых соединений с заданными свойствами.
Попробовать
Индивидуальный режим
Используйте блок прогнозирования свойств для органических молекул, которых нет в нашей базе: физико-химические, биологические свойства, токсичность, канцерогенность, сложность синтеза, прогноз IUPAC имен
Попробовать
PDF2SMILES
Используйте демоверсию технологии оптического распознавания молекулярных структур и структур Маркуша из PDF
Попробовать
Видеоруководства
Посмотрите видеопримеры, чтобы понять как работать с Syntelly

Руководство пользователя

Мануал по использованию платформы в текстовом формате

Наши публикации

  • Image2SMILES: Transformer-based Molecular Optical Recognition Engine
    We present a Transformer-based artificial neural network to convert images of organic structures to molecular structures. We demonstrate that the Transformer-based architecture can gather chemical insights from our generator with almost absolute confidence.
  • Exploring Chemical Reaction Space with Reaction Difference Fingerprints and Parametric t-SNE
    We demonstrated that the parametric t-SNE combined with reaction difference fingerprints could provide a tool for the projection of chemical reactions onto a low-dimensional manifold for easy exploration of reaction space.
  • Struct2IUPAC — Transformer-Based Artificial Neural Network for the Conversion Between Chemical Notations
    We developed a Transformer-based artificial neural architecture to translate between SMILES and IUPAC chemical notations: Struct2IUPAC and IUPAC2Struct.
  • GraphDelta: MPNN Scoring Function for the Affinity Prediction of Protein-Ligand Complexes
    We present graph-convolutional neural networks for the prediction of binding constants of protein-ligand complexes.
  • Recommender Systems in Antiviral Drug Discovery
    We applied recommender systems methods for the prediction of the antiviral activity class (active/inactive) for compounds extracted from ChEMBL.
  • Comparative Study of Multitask Toxicity Modeling on a Broad Chemical Space
    We performed a comparative study of prediction multitask toxicity for a broad chemical space using different descriptors and modeling algorithms and applied multitask learning for a large toxicity data set extracted from the Registry of Toxic Effects of Chemical Substances (RTECS).
  • A Survey of Multi-task Learning Methods in Chemoinformatics
    We review the recent developments in multi-learning approaches as well as cover the freely available tools and packages that can be used to perform such studies.
  • Chemical space exploration guided by deep neural networks
    A parametric t-SNE approach based on deep feed-forward neural networks was applied to the chemical space visualization problem.
  • 3D matters! 3D-RISM and 3D convolutional neural network for accurate bioaccumulation prediction
    We present a new method for predicting complex physical-chemical properties of organic molecules. The approach utilizes 3D convolutional neural network (ActivNet4) that uses solvent spatial distributions around solutes as input.
Новости
Зарубежные СМИ о нас: