Искусственный интеллект для органической и медицинской химии

Синтелли - это платформа искусственного интеллекта для изучения химического пространства и прогнозирования свойств органических соединений. 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 150 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
Видеоруководство
Посмотрите вебинар, чтобы понять как работать с платформой Синтелли

Наши публикации

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.
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.
We developed a Transformer-based artificial neural architecture to translate between SMILES and IUPAC chemical notations: Struct2IUPAC and IUPAC2Struct.
We present graph-convolutional neural networks for the prediction of binding constants of protein-ligand complexes.
We applied recommender systems methods for the prediction of the antiviral activity class (active/inactive) for compounds extracted from ChEMBL.
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).
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.
A parametric t-SNE approach based on deep feed-forward neural networks was applied to the chemical space visualization problem.
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.
We have created PyFragMS - a web tool consisting of a database of annotated MS/MS spectra of isotopically labeled molecules (after H/D and/or 16O/18O exchange) and a collection of instruments for computing fragmentation trees for an arbitrary molecule.
We present here the activity optimization process of a biphenyl-based NMDA negative allosteric modulator (NAM) guided by free energy calculations, which led to a 100 times activity improvement (IC50 = 50 nM) compared to a hit compound identified in virtual screening.
Новости
    Зарубежные СМИ о нас:
    Наши партнеры
    Подпишитесь на рассылку!
    Вы будете узнавать первыми о последних обновлениях сервиса и новостях компании. Никакого спама, пишем редко и по делу.
    Мы используем cookie. Это позволяет нам анализировать взаимодействие посетителей с сайтом и делать его лучше. Продолжая пользоваться сайтом, вы соглашаетесь с использованием файлов cookie.