Chemical space exploration guided by deep neural networks

Karlov, D.S.; Sosnin, S.; Tetko, I.V.; Fedorov, M.V.

Информация о цитировании статьи получена из Web of Science, Scopus
Статья опубликована в журнале из списка Web of Science и/или Scopus
Дата последнего поиска статьи во внешних источниках: 19 марта 2019 г.

Авторы: Karlov Dmitry S., Sosnin Sergey, Tetko Igor V., Fedorov Maxim V.
Журнал: RSC advances
Номер: 9
Год издания: 2019
Издательство: Royal Society of Chemistry
Местоположение издательства: United Kingdom
Первая страница: 5151
Последняя страница: 5157
DOI: 10.1039/c8ra10182e
Аннотация: A parametric t-SNE approach based on deep feed-forward neural networks was applied to the chemical space visualization problem. It is able to retain more information than certain dimensionality reduction techniques used for this purpose (principal component analysis (PCA), multidimensional scaling (MDS)). The applicability of this method to some chemical space navigation tasks (activity cliffs and activity landscapes identification) is discussed. We created a simple web tool to illustrate our work (http://space.syntelly.com).
Добавил в систему: Соснин Сергей Борисович

	ИСТИНА	Войти в систему Регистрация
	ФНКЦ РР
	Главная Поиск Статистика О проекте Помощь

ИСТИНА

ФНКЦ РР

Chemical space exploration guided by deep neural networksстатья

Прикрепленные файлы