Прогнозное моделирование в катализе - от мечты к реальности
В Silico оптимизации катализатора является конечной применения компьютеров в области катализа. В этой статье дается обзор основных понятий интеллектуального моделирования и описывает, как этот метод может быть использован в катализатором реакции и дизайна.
Представьте себе, компьютерная программа, которая кормила данных для конкретной реакции, а затем выводит структуру оптимального катализатором этой реакции. Хотя такие программы еще не существует, значительный прогресс был достигнут в этом направлении в последние десятилетия, во многом благодаря достижениям в области автоматизации лабораторий и методов анализа данных.
Просто как и любая другая новая идея, с использованием компьютеров для разработки и оптимизации катализаторов в Silico принимается некоторыми исследователями и встретился с скептицизм других. Тем не менее, это крайне важно для реализации потенциала высокопроизводительного скрининга и комбинаторной химии в катализе исследований. Компьютеры не заменит химиков, а также методы анализа данных не будет заменить механистических исследований, - но эти методы будут необходимыми инструментами для 21-го века химик.
В данной статье приводится краткий обзор прогнозное моделирование в области катализа. Она направлена на инженеров и химиков, которые работают или заинтересованы в катализаторов и каталитических процессов, и фокусируется на основных концепций и возможностей интеллектуального моделирования, а не на конкретных математических методов. Более подробный обзор опубликован в работе. 1.
Прогнозное моделирование берет доступных катализатора и реакции данные и использует компьютерную модель для прогнозирования исхода для катализаторов и реакций, которые отсутствуют или еще не был проверен. Технологи, которые знакомы с ответом поверхности методологии признает сходство.
Тем не менее, прогнозное моделирование в области катализа имеет некоторые проблемы. Ключом к успеху является разработка простой, но реалистичная модель, которая сочетает химии в этом процессе. До недавнего времени эта возможность была вне досягаемости для повседневной компьютеров. Технический прогресс сделал современных компьютеров намного дешевле и быстрее. Кроме того, экспериментальные проверки таких моделей теперь легче с высокой пропускной экспериментов (ГТГ), которая дает доступ к большим количеством воспроизводимых данных.
Компьютерные модели аналогичны лабораторных экспериментов в нескольких направлениях. Если они не тривиально проста, вы не можете предсказать их результаты, глядя на код. Если они планируются плохо, или если они запрограммированы плохо, они могут либо сбоя или выхода бессмысленных цифр. Как эксперименты, компьютерное моделирование аппаратно-зависимым, и все же, как и в опытах, на удивление хорошие результаты иногда могут быть получены с помощью простого оборудования. Важно отметить, что компьютерные модели предлагают нам нет понимания, только номера. Мы должны изучить смысл и значение этих цифр, всегда также рассматривает вопрос о статистической погрешности, такие как шум в измерениях и отбора проб влияния, участвующих. (Более подробное обсуждение фильтрации бесполезной данных см. работах. 2 и 3.)
К сожалению, слишком многие ученые склонны принимать результаты "успешных" компьютерных моделей по номинальной стоимости. Просто потому, что программа не крах не означает, что результаты имеют смысл. Понимание ограничений каждой модели и создание реалистичных ожиданий увеличит шансы найти хорошую катализаторов.
Структурированный подход к интеллектуального моделирования включает в себя четыре этапа (рис. I):
1. сбора экспериментальных данных
2. моделирования данных
3. прогнозировать результаты работы новых катализаторов / реакций
4. проверки (частично) эти предсказания экспериментально.
Преимущество такого подхода в том, что набор данных может быть изменен Silico для создания и модели виртуальных библиотек, катализаторов и условий реакции. Это увеличивает объем в пространстве поиска и тем самым шансы найти лучше, дешевле и более экологически чистые катализатора или процесса.
Как правило, интеллектуального моделирования необходимы экспериментальные данные, которые охватывают по крайней мере 5-15% в пространстве поиска. Например, синтез и тестирование 100 катализаторы могут разрешить моделирование 1,500-5,000 катализаторов или реакции условиях, "смешивание" данных на компьютере. Ln Таким образом, эта модель может указать вам направление на "хорошо" или экспериментов, что не менее важно, прямые вас от потенциально "плохие".
Катализаторы, описания, и цифры заслуг
Прежде чем какие-либо прогнозы, мы должны понимать проблемы катализатором оптимизации, а также определить место, в котором мы хотим оптимизировать наши данные. Чтобы сделать это, каталитическая система переопределена в 3 многомерных пространствах (рис. 2).
Пространство представляет собой сетку, содержащую все структуры катализатора - например, если катализатором в вопросе бидентатно transitionmetal комплекс, пространство будет содержать все комбинации переходных металлов атомов и бидентатных лигандов, при этом каждая точка представляет собой различных катализаторов.
Пространства B, дескриптор пространстве, содержит значения описателей катализаторов (внутренних параметров, таких как основа гибкости, частичный заряд на атоме металла, полярность, липофильностью, площадь поверхности, или размер кристаллитов), а также условий проведения реакции (внешние параметры таких как температура, давление и растворителем). Все эти параметры могут повлиять на результат реакции, и модель может включать как внутренние и внешние дескрипторы.
Пространство C пространство цифры заслуг (FOM), например, числа оборотов (TON), оборот частоты (ТОФ), продукт избирательности, цен и так далее. Обратите внимание, что пространство является дискретной сетке, Пространства B и C являются непрерывными и расположены так, что каждое измерение представляет собой один собственности.
Переосмысление Таким образом, система переводит абстрактные проблемы катализа, чтобы (по-прежнему аннотация) проблемы, касающиеся 1 многомерного пространства в другое. Преимущество заключается в том, что сейчас отношения между пространствах B и C могут быть количественно с использованием количественных отношений структура-активность (QSAR) и количественное соотношение структура-свойство (QSPR) модели (4, 5).
Ключ к модели заключается в нахождении правильного описания для пространства B. Это сравнительно легко в гомогенный катализ, где катализатор, как правило, четко определенные молекулы или комплексных металлорганических (6). Есть несколько уровней сложности для дескрипторов.
Трехмерный (3D) дескрипторов, которые базируются на оптимизированных геометрий, могут быть получены из molecularmechanics силы поля и квантовой механики расчетов. Они предлагают реалистичные представления о химических системах. Однако, они вычислительно дорогие, при этом стоимость в зависимости от размеров системы и число степеней свободы. При оптимизации большого числа катализаторов (например, большие виртуальные библиотеки для комбинаторной оптимизации исследований), 3D дескрипторы слишком дорогостоящим.
В таких случаях простой 2D дескрипторы (также называемое топологическим дескрипторов) обеспечить жизнеспособные альтернативы. Топологические дескрипторов выводятся непосредственно из молекулярного таблицы связи, без использования 3D координат атомов. Они легко рассчитывается с использованием теории графов (7, 8). 3 и 4 показывают два подхода к сокращению количества информации для данной молекулы, тем самым создавая упрощенную структуру и снижения вычислительных затрат.
Топологическая дескрипторов предоставить информацию о молекулярных размеров, гибкость распределения электронов и других физико-химических свойств. Их расчет, как правило, 4:57 порядков быстрее, чем 3D дескрипторов, в зависимости от метода оптимизации геометрии для последнего (рис. 5) (8). К сожалению, это дешевле, компенсируется ряд ограничений. Во-первых, хотя и 2D дескрипторы учетом конкретных физико-химических свойств, они не имеют прямого эвристический толкования, потому что они еще далеки от нашей химической интуиции. Во-вторых, 2D дескрипторы безнадзорности конформационных информации, а потому, что они являются двумерными, они не могут быть использованы для моделирования хиральности.
Поиск хорошего описания для гетерогенных катализаторов гораздо труднее. В отличие от молекулярных катализаторов и металлоорганических комплексов, активности твердых катализаторов зависит от множества параметров: различных типов активных центров, условий синтеза, термической обработки и старения. Кроме того, свойства многих твердых тел может измениться скачком. Новые фазы могут образовываться на различных составов, температуры и давления, и даже размер частиц катализатора может повлиять на реакцию. Наноразмерных частиц золота, например, очень разные катализаторы из объемных золотых и 2 катализаторов золото может иметь различные виды деятельности, даже если они содержат одинаковое количество золота и поддержки (P). Твердые поверхности ничего, кроме мундира, и твердых катализаторов различных сайтов. Чтобы усложнить дальше, иногда реального Активные сайты не наблюдаемых в характеристике исследований, а метастабильных дефектов, которые трудно охарактеризовать.
В связи с этим, опираясь только на параметры катализатора состава непрактично (композиционный дескрипторы применяются при катализатора кристаллического материала, а также в случае изменения состава не вызывает фазовые изменения, см., например, Ref. 0 +1). Вместо этого, дескриптор панели инструментов, которые могут объяснить разрывов и нелинейных зависимостей не требуется. Несколько перспективных начинает были сделаны в этом направлении (11-14).
Klanner и др., в сочетании композиционного дескрипторов и табличные данные физико-химических, собирая более 3000 описаний для 467 катализаторов, которые затем были протестированы в высокой пропускной реактора в пропилена автоокисления. Такой набор данных в течение определенного - то есть, Есть еще очень много дескрипторов, чем данные точек, так что всегда можно найти хорошего соотношения, но эти корреляции часто бессмысленно. Чтобы получить значимые корреляции, исследователей сосредоточены на подмножество 75 дескрипторов, что они считаются соответствующими химически. Прогнозирование модели были затем построены с использованием искусственных нейронных сетей (ИНС) и классификация деревьев (15). Примечательно, что оба метода может предсказать, хорошей или плохой пропилена катализаторов окисления. Прогноз скорости ИНС, как правило, 0,5-0,7, что намного выше, чем случайные модели (обычно 0.2-0.3).
Artyushkova и его коллеги использовали интеллектуального моделирования, сопоставить структуру и электрохимические исполнении ряда неправительственных организаций, платины (и, следовательно, дешевле) порфирина электрокатализаторов восстановления кислорода, с целью повышения каталитической активности (16). Другие исследователи совместили генетических алгоритмов (газ) и ИНС для прогнозирования производительности виртуальных библиотек катализатора окислительного дегидрирования этана, с использованием катализатора состава в качестве входных параметров (17, 18). Виртуального скрининга вновь в сочетании с высокой пропускной способностью экспериментов с использованием предсказания ИНС в качестве теоретического prescreening, чтобы избежать проверки неэффективные материалы. Хотя подмножеств испытания были очень малы по сравнению с катализатором пространства, значительное улучшение было получено после 7 поколений.
Прогнозное моделирование играет все более важную роль в поиске новых биокатализаторов, несмотря на тот факт, что ферменты являются слишком сложными для детальных моделей дескриптор на молекулярном уровне (19). Экспериментальных методик для разработки ферментов, которые могут работать в суровых условиях процесса (высокие температуры, кислотные / основные рН, и / или органические растворители) в значительной степени зависят от генной инженерии и комбинаторной химии. Эти усилия дополняются целым рядом вычислительных инструментов отбора (20). Основной переменного состава является первичной структуры (т. е. последовательность аминокислот белка). Компьютерные алгоритмы экран последовательность пространства, исключая тех последовательностей, которые несовместимы с моделью фолдинга белков и тем самым сократить число бесполезных экспериментов (21). Белки алгоритмы моделирования Можно даже вставить потенциально активных каталитических остатков на виртуальные белки и поиск кандидатов с улучшенным обязательного сродством к промежуточные высоких энергий реакции (22, 23). Примеры включают пересмотр активных центров для улучшения каталитической активности (24) и проектирование термостабильные ферменты (25) ..
Сборка и тестирование виртуальных библиотек катализатора
Следующим шагом после сбора данных заключается в выборе подхода к моделированию. Несколько вариантов, все они основаны на хорошо известных статистических методов, имеются. Для тех, кто не статистиков, многие сокращений может показаться сложной, но все эти методы могут быть применены химиков с использованием коммерчески доступных дружественным интерфейсом программного обеспечения. Одним из вариантов является классификация моделей, которые могут различать хорошее и плохое катализаторов. Типичные методы, которые применяются также к классификации моделей деревьев классификации (26, 27), при поддержке вектор машины (SVMs) (28, 29), и ИНС (30, 31).
Еще одним вариантом является линейной или нелинейной регрессии моделей, таких как множественной линейной регрессии (MLR) (32) или частичное наименьших квадратов (PLS) регрессии (33). Эти модели подключить структурные данные о катализаторов на их добротности через QSAR / QSPR. Результаты модели показывают, насколько важен каждый дескриптор, а также, сколько разница в данных, модель предсказывает. Как правило, небольшое количество дескрипторов должны объяснить большую часть различий в данных. Эти важные дескрипторов можно различить использованием анализа главных компонент (СПС) (34) и значение переменной (VLP) (35) методов.
Далее, новые наборы катализатора создаются в Silico и модель используется для прогнозирования их фигуры заслуг. Эти новые наборы называемые виртуальные библиотеки катализатора, так как они не были испытаны на опыте. Действительно, большинство из них никогда не будут подготовлены и протестированы. Тем не менее, с использованием таких виртуальных библиотек, катализаторов и условий реакции позволяет большую часть пространства поиска изучить. Это важно даже для лабораторий с высокой пропускной экспериментов оборудования, потому что пространство поиска всегда гораздо больше, чем экспериментальные возможности лаборатории. В самом деле, HTE лаборатории могут извлечь наибольшую пользу из моделирования виртуальных библиотек, а свои эксперименты, как правило, более воспроизводимыми и проверки моделей проще.
Есть несколько подходов для построения таких виртуальных библиотек. С твердых катализаторов, можно смешивать катализатор прекурсоров или имитировать практически результате распыления и маскирующие экспериментов и получить хорошую аналогию с реальных экспериментов (36, 37). При работе с welldefined кристаллических материалов, таких, как смешанные оксиды, генетические алгоритмы могут быть использованы в разработке новых поколений катализаторов в Silico.
На рисунке 6 показан таком случае смешанных оксидов перовскита. Они имеют общие AATSBO3 формуле, где и являются основными больших катионов и большие примеси катионов и B и B являются основными малых катионов и небольшой примеси катионов, соответственно. Простой, но эффективный описание этих материалов используются два дескриптора: элементного состава и относительной концентрации и состава смеси. Здесь каждая пара "родительскую перовскитов" может "мат", в результате чего 2 "перовскитов ребенка". Каждый ребенок наследует от каждого из своих родителей или элементарного состава или топливной смеси.
Модель Проверка знаний отделения от мусора
Как отмечалось ранее, один печальный проблемы с компьютерной модели - или с учеными их использования - в том, что если модель не ломается, ученый стремится верить в результат. Без надлежащей проверки, однако, выводя все из любой модели рискованный бизнес. Модель может быть за-креплением (определение тенденций в шум), или прогнозы могут быть вне зоны доступа (экстраполяция), любой из которых может привести к смешным результатам. Модель проверки, как контрольный эксперимент в лаборатории. Это может быть утомительным и трудоемким, но это необходимо.
Два полезных методов проверки перекрестные проверки и у случайности, которые описаны здесь. Подробное рассмотрение модели проверка опубликовано в другом месте (38).
Независимо от используемой модели, процесс проверки будет зависеть от количества и качества данных. Когда Есть достаточное количество данных, они должны быть разделены на обучающей выборке, тестового набора, а также проверки набора. Модель строится с помощью подготовки, прошедших испытания с тестового набора, а может быть усовершенствованы и повторному испытанию. Когда вы закончите с моделью, вы можете проверить его эффективность по проверке набора. После этого, не возиться с моделью снова, потому что он уже подвергался проверке набора. Если Есть нет достаточного количества данных для 3 подмножества, разделить данные в обучающей выборке, и тестовый набор, построить модель, используя обучающий набор, проверьте его с помощью перекрестной проверки, а затем проверить его производительность с тестового набора.
Перекрестная проверка. Предположим, что мы измеряли TON и TOF из 200 каталитических реакций и разработал QSAR / QSPR регрессионная модель, связывающая катализатора дескрипторов цифры заслуг. Для проверки модели данных состоит из обучающего множества (также известный как калибровочный комплект), которая используется для разработки модели, и тестовый набор (также известный как предсказание набор) (33). Цифры "За заслуги перед тестовый набор известны, но они не используются для создания модели. Вместо этого, уравнение регрессии для подготовки набора (скажем, для? = 150 реакций) определяется и используется для прогнозирования TON и TOF для тестового набора (остальные 50 реакций). Таким образом, производительность различных моделей можно сравнить, потому что они обучены с тем же набором профессиональной подготовки. Это называется перекрестной проверки.
прогнозных показателей модели измеряется д ^ SUP 2 ^ перекрестной проверки квадрат коэффициента корреляции:
где у ^ ^ я к югу, к югу у ^, р ^ и у ^ к югу я, т ^ являются величиной, предсказал, и средние значения у, соответственно.
Однако следует отметить, что, несмотря на высокие д ^ ^ SUP 2 значение является необходимым условием для хорошего предсказания, это не является достаточным условием (39). Перекрестная проверка может быть дополнен другими методами, например, начальная загрузка (40), для обеспечения надежности модели и точность предсказания.
Выбор обучения и тест-наборы могут исказить результаты (41). Чтобы избежать проблем, оригинальный набор может быть разделена по-разному (например, выбор различных комбинаций подготовки наборов и тест-наборы), а средняя оценка по различным разделам вычислить. Это известно как оставить-н-из перекрестной проверки.
Например, результаты 100 экспериментов, можно разделить на обучающей выборки 80 и тестовый набор из 20. Этот процесс можно повторить несколько раз с различными комбинациями 80:20 (п = 20). Крайних варианта это расщепление 200 реакций в учебный набор 199 и тестовый набор в 1, и повторять проверку 200 раз, каждый раз с другой эксперимент испытания. Это называется отпуск oweout перекрестной проверки.
Преимущество оставить-н-и оставляйте-э-из crossvalidation том, что все данные используются для обучения.
Смешивание зависимые переменные, или ^-рандомизации. Рандомизации у-переменные (также известный как перестановка тест) является распространенным методом для проверки надежности модели. Вектор, содержащий данные заслуг перемешивается случайно поэтому, что данные о заслуги уже не соответствует их исходные значения дескриптора. Новая модель, то генерируется с использованием оригинальных значений дескрипторов, и процесс повторяется несколько раз. В принципе, модели, разработанные таким образом, должен иметь очень низкие коэффициенты корреляции (как SUP R ^ 2 ^, которая предсказывает результаты, которые уже были проверены, и д ^ ^ 2 SUP, которая предсказывает новые, непроверенные результаты). Модели, которые не этот отрицательный результат должен быть уничтожен, потому что любой случайный набор значения цифры заслуг будет делать так же хорошо.
Простой, но эффективный, вариант этого метода тестирования модели на совершенно случайные данные. Создание серии случайных чисел для добротности (у) и запустить модель. Вы должны получить только шум. Если вы получаете значимых результатов (например, высокий R ^ SUP 2 ^ и ^ ^ ^ SUP 2 значения) с помощью случайных данных, то есть что-то серьезно не в порядке с моделью.
Заглядывая вперед
Прогнозное моделирование в области катализа, чтобы остаться. Убедительная традиционных химиков и инженеров свою полезность может потребоваться еще одно десятилетие, но в конечном итоге драйвер для его использования будут, просто, общие экономические выгоды. Тематические исследования, которые показывают преимущества сочетания интеллектуального моделирования каталитического синтеза и тестирование, как в академических кругах (42) и в промышленности (43), накапливаются быстро. А современные компьютерные аппаратные средства и программное обеспечение, поставили нас на грань истины в Silico дизайн катализатора.
Тем не менее, имейте в виду, что:
* Прогнозное моделирование не решит всех проблем.
* Это исследовательский инструмент, который хорошо работает в особенности если она будет дополнена высокой пропускной экспериментов, хорошее мышление, и хорошее планирование.
* Мусор в, мусор - запуск с достоверных данных.
* Данные, мусор - правильная проверка модели имеет важное значение для получения значимых результатов.
ЛИТЕРАТУРА
1. Ротенберг Г., катализа: концепции и применение Грин ", Wiley-VCH, Weinheim, Германия (2008).
2. Массар, DL и др., "Справочник по хемометрике и Qualimetrics", Elsevier, Амстердам, Нидерланды (1998).
3. Трантер, RL, "Разработка и анализ химических исследований", CRC Press, Шеффилд, Великобритания (2000).
4. Bnnemann, H., "Organocobalt соединений в пиридине Синтез - Пример структура-активность отношений в гомогенный катализ," GEW. Химреагент Межд. Издание Engl, 24, с. 248-262 (1985).
5. Куни, К. и др., "Априорные оценки стереоэлектронных профиль фосфинов и фосфитов", J. Am. Химреагент Soc, 125, с. 4318-4324 (2003).
6. Burello, Е. и Г. Ротенберг, "В Silico Дизайн в гомогенном катализе Использование дескрипторов моделирование," Int. J. МВД. SCL, 7, с. 375 ^ 04 (2006).
7. Diestei Р., "Теория графов", Springer Verlag, New York, NY (2000).
8. Burello, Е. и Г. Ротенберг, "Топологические Отображение бидентатными лигандами: быстрый подход для скрининга гомогенных катализаторов", Adv. Synth. Cata! .. 347, с. 1969-1977 (2005).
9. Haruta, М., и др., "Золотой Катализаторы Подготовлено соосаждения для низкотемпературного окисления водорода и монооксида углерода," J. Чатал, 115, с. 301-309 (1989).
10. Beckers, J. и др., "Чистая Diesel Power Виа Микроволновая Допускающая катализаторы окисления", ChemPhysChem, 7, с. 747-755 (2006).
11. Klanner, C и др., "Как создать различные библиотеки твердых катализаторах", QSAR Comb. Наук .. 22, стр. 729-736 .. (2003).
12. Farrusseng Д., и др., "Дизайн Discovery библиотеки для твердых тел на основе модели QSAR", QSAR Comb. SCL. 24, с. 78-93 (2005).
13. Holena, М. и М. Baerns, "Упреждающее нейронных сетей в области катализа. Инструмент для приближения Зависимость Доходность Catalyst Состав, а также для извлечения знаний", катализа Сегодня, 81, с. 485-494 (2003) .
14. Боме, Л. и др. "Использование искусственных нейронных сетей для увеличения Высокопроизводительный Discovery в области гетерогенного катализа", QSAR Comb. SCL, 23, с. 767-778 (2004).
15. Klanner, C и др., "Развитие дескрипторы для твердых тел: Обучение" Каталитический Интуиция "на компьютер", Angew. Химреагент Межд. Ред. 43, с. 5347-5349 (2004).
16. Artyushkova, К. и др., "Интеллектуальный Моделирование электрокатализатора структуру, основанную на структуре к собственности Корреляции Рентгеноэлектронная спектроскопические и электрохимические измерения", Ленгмюра, 24, с. 9082-9088 (2008).
17. Corma,?. И др., "Применение искусственных нейронных сетей в комбинаторный катализа: моделирование и прогнозирование ODHE Катализаторы", ChemPhysChem, 3, с. 939-945 (2002).
18. Серра, JM, и др., "Soft-вычислительной техники в применении к комбинаторной катализа: новый подход для обнаружения и оптимизации каталитических материалов", QSAR Comb. SCL, 26, с. 11-26 (2007).
19. Арнольд, FH, "Комбинаторные и вычислительной Проблемы биокатализатора Дизайн", Природа, 409, с. 253-257 (2001).
20. Эдвард, GH, Д. Пол, "направленной эволюции стратегии для улучшения ферментативной эффективности", Microb. Сотовый фактов., 4, стр. 29 (2005).
21. Hayes, RJ, и др., "Объединение вычислительной и экспериментальной Скрининг для быстрого оптимизации свойств белка," Proc. Натл. Акад. Наука США, 99, с. 15926-15931 (2002).
22. Болонь, DN, и SL Майо, "Энзим-подобных белков по вычислительной дизайн," Proc. Натл. Акад. SCL США, 98, с. 14274-14279 (2001).
23. Дуайер, М. А. и др., "Вычислительные Дизайн биологически активных ферментов," Наука, 304, с. 1967-1971 годы (2004).
24. Лассила, Ю. К. и др., "вычислительном Дизайн Варианты Escherichia Coli Chorismate Mutase Показать Измененные каталитическая активность," PEDS, 18, с. 161-163 (2005).
25. Korkegian, А. и др., "Вычислительные термостатировании фермента," Наука, 308, с. 857-860 (2005).
26. De'ath Г. и К. Fabricis, "О классификации и регрессии Деревья: Мощный, но простой метод экологического анализа данных", "Экология, 81, с. 3 1 78-3 1 92 (2000).
27. Бантин, W., "Изучение классификации деревья", Stat. Comp., 2, с. 63-73 (1992).
28. Смола, А. и Б. Schlkopf, "Учебник по поддержке регрессии" Вектор "," Stat. Comp., 14, с. 199-222 (2004).
29. Schlkopf, B., и AJ Смола, "Обучение с ядрами: Поддержка векторной машины, регуляризация, оптимизация, и на последующий период", MIT Press, Cambridge, MA (2002).
30. Серра, Дж. и др., "Может искусственных нейронных сетей Помощь Экспериментирование в катализе?", Катализа Сегодня, 81, с. 393-403 (2003).
31. Башир, И. А. и М. Hajmeer ", искусственных нейронных сетей: основы, вычислительная техника, разработка и применение", J. Microbiol. Методологиям., 43, с. 3-31 (2000).
32. Монтгомери, D. C и др., "Введение в линейный регрессионный анализ", М., Хобокен, штат Нью-Джерси (2001).
33. Geladi, П. и Б. Ковальский, "Частичные наименьших квадратов регрессии: Учебник", прил. Чим. Acta, 185, с. 1-17 (1986).
34. Волд, С. и др. ", анализ главных компонент," Chemom. Intell. Лаборатория Syst., 2, с. 37-52 (1987).
35. Burello Е., и др., "лигандов Дескриптор анализа в никель-катализированным Hydrocyanation: Комбинированный Экспериментальные и теоретические исследования" Adv. Synth. Чатал, 347, с. 803-8 0 1 (2005).
36. Beckers, J. и др., "Выборочное водорода катализаторов Виа генетические алгоритмы," Adv. Synth. Чатал., 350, с. 2237-2249 (2008).
37. Малер, WR и др., "Комбинаторные и высокая пропускная Материаловедение", Angew. Химреагент Межд. Эд, 46, с. 6016-6067 (2007).
38. Tropsha, А. и др., "Как важно быть серьезным: Проверка является абсолютным важное значение для успешного применения и толкования QSPR модели", QSAR Comb. SCL, 22, с. 69-77 (2003).
39. Golbraikh, А. и А. Tropsha: "Берегитесь q2!", J. молекулярного. Graph. Модель., 20, с. 269-276 (2002).
40. Wehrens Р., и др., "Bootstrap: Учебник", Chemom. Intell. Лаборатория Syst., 54, с. 35-52 (2000).
41. Golbraikh А., Этал, "Рациональные выбор учебных и испытательные установки для развития проверенные модели QSAR," J. ComputerAided молекулярного. Дизайн, 17, с. 241-253 (2003).
42. Hageman, JA, и др., "Проектирование и монтаж виртуальной библиотеки однородных Catalyst - На пути в Silico оптимизации Catalyst", Adv. Synth. Чатал., 348, с. 361-369 (2006).
43. Мальдонадо, А. Г. и др., "Магистральная разнообразии анализа в Catalyst Дизайн", Adv. Synth. Чатал .. 351, с. 387-396 (2009).
ANA Г. МАЛЬДОНАДО
Гади Ротенберг
Университет Амстердам
ANA Г. МАЛЬДОНАДО является исследователем в т Вань Хофф Институт молекулярной наук Univ. в Амстердаме, где она работает над совместным проектом с Родиа химических веществ, применение интеллектуального моделирования и рациональной разработки для поиска новых катализаторов hydrocyanation. Она активно сотрудничает с chemoinformatic и хемометрики инструментов в промышленности и научных кругов в течение последних 7 лет. Ее исследовательские интересы включают молекулярной разнообразия, QSAR / QSPR прогнозных моделей, а также интеллектуального анализа данных. Она является архитектором программного обеспечения MoIDiA, XMLbased высококачественным инструментом для скрининга химических баз данных. Она получила степень бакалавра в области химии и MS в теоретической химии в Univ. Симон Боливар (Каракас, Венесуэла) и степень доктора философии в области вычислительной и теоретической химии в Univ. Дени Дидро (Париж, Франция).
Гади Ротенберг является профессором и председателем гетерогенного катализа и устойчивому химии т Вань Хофф Институт молекулярной наук Univ. в Амстердаме (Nieuwe Achtergracht 166, 1018 WV Амстердам, Нидерланды; Факс: +31 20 525 5604, E-почта: <a href="mailto:g.rothenberg@uva.nl"> g.rothenberg @ uva.nl </ >; сайте: <a target="_blank" href="http://www.science.uva.nl/~gadi" rel="nofollow"> www.science.uva.nl/ ~ Гади </ A> ), где он преподает курсы в области катализа, термодинамики и научных трудов.
Он опубликовал более 100 статей в рецензируемых журналах и обнаружили два катализатора, за которую он получил Мари Кюри Excellence Award в 2004 году и Поль Н. Райлендер премии в 2006 году. Он также изобрел метод для мониторинга загрязняющих веществ в воде, и одним из основателей компании Sorbisense и желтого Diesel. В 2007 году он был признан "Учитель года по химии студентов, а его книга" Катализ: концепции и применение Грин ", был опубликован Wiley-VCH в 2008 году. Он имеет степень бакалавра в области химии, магистра и докторскую степень в области прикладной химии, все из иврита Univ. Иерусалим.
