机器学习与质谱技术的结合:一种专注角度
本文介绍了一种用于 GC-EI-MS 数据的基于机器学习的新型的 de-novo 方法,主要解决由于缺乏附加信息而导致的质谱数据的结构鉴定问题。
Apr, 2023
这篇研究论文应用了人工智能技术分析质谱数据,用于检测古代火星的适居潜力,并探讨了该方法在质谱学和其他领域的适用性。
Oct, 2023
本文提出了一种基于机器学习的策略来预测分子红外光谱的方法,建立在从头分子动力学模拟的基础上,利用各种机器学习技术加速模拟并扩展可处理的系统大小,其中包括环境依赖性神经网络电荷的分子偶极矩模型和 Behler 和 Parrinello 的神经网络势能。通过引入完全自动化的采样方案和神经网络势能训练期间的分子力,我们能够仅基于少量的电子结构参考点来获得非常精确的机器学习模型,同时在甲醇分子,含有多达 200 个原子的正构烷和质子化的丙氨酸三肽的情况下,将其应用于模拟红外光谱,并发现与理论和实验光谱具有出色的一致性。
May, 2017
本论文探讨了在电子显微镜中使用机器学习来进行数据分析和优化工作流程的挑战,并讨论了人类科学家和机器学习在实验工作流程中的相对贡献以及开发通用超级语言的需求。
Apr, 2023
通过使用数字化工具和分析技术,例如化学计量学、机器学习、拉曼光谱、近红外光谱和质谱等,我们可以快速评估新产品对环境的潜在毒性,并可以精确鉴定和定量洗涤剂产品的成分,从而节省时间并改善污染物鉴定和污染评估的效率。
Oct, 2023
通过分析机器学习技术用于各种电化学应用中的分析和定量检测分子,该系统综述提供了文献中的应用情况。机器学习是一个能够促进分析并增强对涉及各种分子过程的理解的工具。在电化学生物传感器中,它可以提高医学诊断的精度,提高对具有高可靠性的生物标志物和病原体的识别。它可以有效用于复杂化学产品的分类、低成本传感器的环境监测、便携设备和可穿戴系统等方面。现今一些分子的分析仍然需要专业人员手动执行,限制了结果的普适性。鉴于人工智能的进步,本研究计划通过系统综述文献,探讨人工智能技术在电化学问题中的应用。已经找到了一组涉及机器学习技术,特别是监督学习的文章。
Jan, 2024
通过将气相色谱 - 离子迁移谱(GC-IMS)数据与机器学习算法整合到一个统一的实验室信息管理系统(LIMS)平台中,我们的研究目标在于解决精确感染识别的持续问题,为先进诊断技术领域做出贡献,并通过不同的机器学习算法区分感染和非感染样本,以支持疾病的早期检测。
Apr, 2024
本文综述和比较了最近发表在文献中的基于机器学习的高光谱图像分析方法,将方法按图像分析任务和机器学习算法类型进行组织,并提出了一种两向映射。文章全面涵盖了高光谱图像分析任务和机器学习算法,涵盖的图像分析任务包括土地覆盖分类、目标检测、反混合和物理参数估计,涵盖的机器学习算法包括高斯模型、线性回归、逻辑回归、支持向量机、混合高斯模型、稀疏线性模型、高斯混合模型、集成学习、有向图模型、无向图模型、聚类、高斯过程、狄利克雷过程和深度学习。同时,文章也讨论了高光谱图像分析领域的挑战和可能的未来方向。
Feb, 2018