Química

MATLAB ofrece un entorno completo para aplicar inteligencia artificial (IA) en química, lo que permite procesar, analizar y modelar datos moleculares y químicos. Puede utilizar Machine Learning Toolbox y Deep Learning Toolbox para explorar algoritmos avanzados, automatizar flujos de trabajo, y acelerar la investigación y descubrimiento en química.

Con MATLAB y Simulink, puede: 

  • Desarrollar y entrenar modelos de Machine Learning y Deep Learning para realizar predicciones de propiedades moleculares y reactividad química 
  • Aplicar redes neuronales gráficas para analizar estructuras moleculares, clasificar nodos y clasificar grafos con múltiples etiquetas 
  • Automatizar preprocesamiento de datos, extracción de características y evaluación de modelos de conjuntos de datos químicos 
  • Integrar enfoques basados en IA para acelerar el descubrimiento de fármacos, diseño de materiales y tareas de quimioinformática 
  • Crear y compartir recursos educativos para enseñar conceptos de IA, Machine Learning y Deep Learning en química
Nube de palabras de términos relacionados con modelos y técnicas de análisis de datos moleculares.
Diagrama de flujo de una cadena de tareas de GCN, desde el grafo de entrada hasta las características y la matriz de adyacencia, que genera el grafo de salida previsto.

Clasificación de átomos de moléculas con redes neuronales convolucionales de grafos

Clasifique nodos en grafos de moléculas con Deep Learning. Explore ejemplos paso a paso y utilice redes convolucionales de grafos en investigaciones en química.

Ejemplos

Clasificación de nodos usando una red convolucional de grafos

Identificación de grupos funcionales con redes neuronales de atención de grafos

Descubra cómo utilizar mecanismos de atención de grafos avanzados para clasificar compuestos químicos con múltiples etiquetas. Explore ejemplos paso a paso que ofrecen perspectivas valiosas sobre aplicación de técnicas de Deep Learning en quimioinformática.

Ejemplos

Clasificación de grafos con múltiples etiquetas utilizando redes de atención de grafos

Diagrama de flujo de un modelo de GAT que procesa una molécula de etanol para obtener características y matriz de adyacencia, y genera predicciones.
Modelo BERT que predice subestructuras enmascaradas en una cadena SMILES, con visualización y puntuaciones de predicción de tokens.

Macromodelos de lenguaje para realizar predicciones de moléculas basadas en SMILES con MATLAB

Utilice modelos externos previamente entrenados (de PyTorch®, por ejemplo) en MATLAB para realizar predicciones de moléculas enmascaradas y analizar propiedades químicas.

Ejemplos

Predicción de tokens SMILES enmascarados con BERT - GitHub

Selección y clasificación de características de proteínas para diagnosticar cáncer

Identifique biomarcadores proteicos clave y clasifique perfiles para diagnosticar cáncer con MATLAB. Impulse la investigación en bioinformática y proteómica.

Ejemplos

Identificación de características significativas y clasificación de perfiles de proteínas

Gráfico de líneas de intensidad iónica en comparación con masa/carga, que muestra promedios de grupos de control y con cáncer, con características marcadas mediante círculos rojos.

Productos

Obtenga más información sobre los productos utilizados en aplicaciones de IA en química.

¿Desea una consulta?

¿En qué podemos ayudar?

Contáctenos

Pruébelo gratis ahora

Pruebe MATLAB, Simulink y otros productos

Más información