Chimica

MATLAB offre un ambiente completo per applicare l’intelligenza artificiale (IA) alla chimica, consentendo di elaborare, analizzare e modellare dati molecolari e chimici. Puoi utilizzare i toolbox integrati di Machine Learning e Deep Learning per esplorare algoritmi avanzati, automatizzare i workflow e accelerare la ricerca e la scoperta in ambito chimico.

Con MATLAB e Simulink, è possibile: 

  • Sviluppare e addestrare modelli di Machine Learning e Deep Learning per predire le proprietà molecolari e la reattività chimica 
  • Applicare reti neurali su grafi per l’analisi delle strutture molecolari, la classificazione dei nodi e la classificazione multilabel dei grafi 
  • Automatizzare la pre-elaborazione dei dati, l’estrazione delle feature e la valutazione dei modelli per set di dati chimici 
  • Integrare approcci basati sull’IA per accelerare la scoperta di nuovi farmaci, la progettazione di materiali e le attività di chemioinformatica 
  • Creare e condividere risorse didattiche per insegnare i concetti di IA, Machine Learning e Deep Learning nella chimica
Nuvola di parole con termini relativi a modelli e tecniche per l’analisi dei dati molecolari.
Diagramma di flusso di una pipeline di GCN, dal grafo di input alle matrici di feature e adiacenza, fino al grafo di output previsto.

Classificazione degli atomi nelle molecole mediante reti neurali convoluzionali su grafi

Classifica i nodi nei grafi molecolari utilizzando il Deep Learning. Consulta gli esempi guidati e utilizza le reti neurali convoluzionali su grafi nella ricerca chimica.

Esempi

Classificazione dei nodi mediante una rete convoluzionale su grafi

Identificazione dei gruppi funzionali mediante reti neurali di attenzione su grafi

Scopri come utilizzare meccanismi avanzati di attenzione su grafi per la classificazione multilabel dei composti chimici. Consulta gli esempi guidati che offrono informazioni utili sull’applicazione delle tecniche di Deep Learning nella chemioinformatica.

Esempi

Classificazione multilabel dei grafici mediante reti di attenzione del grafico

Diagramma di flusso di un modello di GAT che elabora una molecola di etanolo trasformandola in matrici di feature e adiacenza, fino alle predizioni.
Modello BERT che predice sottostrutture mascherate in una stringa SMILES, con visualizzazione e punteggi di previsione dei token.

Modelli linguistici di grandi dimensioni per la predizione di molecole basata su SMILES in MATLAB

Utilizza modelli pre-addestrati esterni (ad esempio da PyTorch®) in MATLAB per la predizione di molecole mascherate e l’analisi delle proprietà chimiche.

Esempi

Predizione di token SMILES mascherati con BERT – GitHub

Selezione e classificazione delle feature delle proteine per la diagnosi del cancro

Identifica i principali biomarcatori proteici e classifica i profili per la diagnosi del cancro utilizzando MATLAB. Potenzia la tua ricerca in bioinformatica e proteomica.

Esempi

Identificazione di feature significative e classificazione dei profili delle proteine

Grafico a linee dell’intensità degli ioni rispetto al rapporto massa/carica, che mostra le medie dei gruppi di controllo e di cancro, con le feature evidenziate da cerchi rossi.

Prodotti

Scopri i prodotti utilizzati per le applicazioni di IA nella chimica.

Hai domande?

Come possiamo aiutarti?

Contattaci

Prova ora gratuitamente

Prova MATLAB, Simulink e molto altro ancora

Inizia ora