PAULYLSER Toolbox
Sagen Sie hochpräzise Substanzdeskriptoren mit unseren fortschrittlichen Machine-Learning-Modellen voraus und berechnen Sie darauf basierend nahtlos Verteilungskoeffizienten, Retentionszeiten und diverse physikochemische Eigenschaften mittels etablierter Phasengleichungen.
Stärken Sie Ihre prädiktiven Workflows
Unsere LSER Toolbox schlägt die Brücke zwischen modernster KI und etablierter physikalischer Chemie und liefert Ihnen vielseitige und interpretierbare Daten.
- Mechanistische Transparenz: Kombinieren Sie die Vorhersagekraft von maschinellem Lernen mit etablierten physikalischen Gleichungen. Dieser zweistufige Ansatz stellt sicher, dass Ihre berechneten Eigenschaften hochgradig interpretierbar und wissenschaftlich fundiert bleiben.
- Breites Anwendungsspektrum: Generieren Sie vielseitige Substanzdeskriptoren, die sich auf unterschiedlichste chemische Systeme anwenden lassen – von der Umweltverteilung (Environmental Phase Partitioning) bis hin zu komplexen chromatographischen Trennungen.
- Intuitive & flexible Eingabe: Starten Sie Berechnungen sofort mit Standard-SMILES-Strings. Führen Sie Einzelvorhersagen oder umfangreiche Batch-Berechnungen durch und exportieren Sie Ihre Ergebnisse mühelos, ohne auf starre CSV-Templates angewiesen zu sein.
- Nahtlose Eigenschaftsberechnung: Sobald die Deskriptoren vorhergesagt wurden, wendet die Software automatisch die bekannten Phasenparameter an, um Ihre Zieleigenschaften direkt zu berechnen.
Fortschrittliche Modellierung für Substanzdeskriptoren
Um Eigenschaften innerhalb des Linear Solvation Energy Relationship (LSER)-Ansatzes zu berechnen, sagt unsere Toolbox zunächst die kritischen Substanzdeskriptoren voraus. Sie können aus den folgenden Methoden wählen, um diese Deskriptoren zu generieren:
- Graph Neural Networks (GNNs): Unsere leistungsstärksten Modelle. Diese Deep-Learning-Architekturen lernen direkt aus der molekularen Topologie, um die höchste Genauigkeit bei der Deskriptorvorhersage über den gesamten chemischen Raum zu liefern.
- Group Contribution Methoden: Transparente und fest etablierte Basismodelle für zuverlässige Deskriptorschätzungen.
- k-Nearest Neighbors (k-NN): Schnelle Vorhersagen basierend auf struktureller Ähnlichkeit.
Sobald die Substanzdeskriptoren mit der Methode Ihrer Wahl vorhergesagt wurden, nutzt die Toolbox etablierte LSER-Gleichungen, um die finalen Endpunkte wie Verteilungskoeffizienten und Retentionszeiten zu berechnen.
Wissenschaftlich validiert
Wir berechnen nicht nur, wir validieren auch. Unsere Vorhersagemodelle für LSER-Substanzdeskriptoren wurden strengen Benchmarks unterzogen und in peer-reviewter wissenschaftlicher Literatur veröffentlicht.
Publikationen
- "Prediction of solute descriptors for linear solvation energy relationships using k-nearest neighbours, group contributions, and graph-convolutional neural networks", ACS Environ. Au, 2026. https://doi.org/10.1021/acsenvironau.6c00063