<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Особливості формування спеціалізованого набору даних для прогнозування хімічних властивостей фторвмісних сполук

Ескіз

Файли

199946.pdf (427,65 KB)

Дата

2026

Автори


Назва журналу

Номер ISSN

Назва тому

Видавець

Вінницький національний технічний університет

DOI

Анотація

The paper presents the features and results of forming a specialized dataset for predicting the physicochemical properties of saturated fluorine-containing compounds. The proposed dataset includes experimental pKa and LogP values for 183 compounds and covers several structural classes relevant to medicinal chemistry. Data preprocessing was performed, including outlier removal, stratified splitting, and molecular similarity control. Preliminary analysis revealed nonlinear relationships between the number and position of fluorine atoms and the properties of the compounds, which justifies the use of machine learning methods for further modeling.

Опис

Ключові слова

fluorine-containing compounds , dataset , pKa , LogP , data preprocessing , machine learning , property prediction

УДК

004.852:547.96

Тип документа

Thesis

Мова

uk_UA

Є частиною

Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р.

ISSN

Бібліографічний опис

Шевчук О. Ф., Павлюк П. П. Особливості формування спеціалізованого набору даних для прогнозування хімічних властивостей фторвмісних сполук // Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/26328.

URI

https://ir.lib.vntu.edu.ua/handle/123456789/51300

Зібрання

Молодь в науці: дослідження, проблеми, перспективи (МН-2026)
Наукові видання каф. КН

Схвалення

Рецензія

Доповнено

Цитується в

Список використаної літератури (9)

  1. Benaiges, D., Pedro-Botet, J., & Climent, E. (2021). Hydrophilic or lipophilic statins? Frontiers in Cardiovascular Medicine. https://doi.org/10.3389/fcvm.2021.687585
  2. Baltruschat, M., & Czodrowski, P. (2020). Machine learning meets pKa. F1000Research. https://doi.org/10.12688/f1000research.22090.2
  3. Caine, B. (2019). On the development and application of AIBL-pKa, a pKa predictor based on equilibrium bond lengths of a single protonation state.
  4. Yang, Q., Li, Y., Liu, Y., Zhang, L., Luo, S., & Cheng, J. (2020). Holistic prediction of the pKa in diverse solvents based on a machine-learning approach. Angewandte Chemie International Edition, 43. https://doi.org/10.1002/anie.202008528
  5. Xiong, J., Li, Z., Wang, G., Fu, Z., Zhong, F., Xu, T., Liu, X., Huang, Z., Liu, X., Chen, K., Jiang, H., & Zheng, M. (2022). Multi-instance learning of graph neural networks for aqueous pKa prediction. Bioinformatics, 38(3). https://doi.org/10.1093/bioinformatics/btab714
  6. Li, M., Zhou, J., Hu, J., Fan, W., Zhang, Y., Gu, Y., & Karypis, G. (2017). DGL-LifeSci: An open-source toolkit for deep learning on graphs in life science. ACS Omega, 6(41). https://doi.org/10.1021/acsomega.1c04017
  7. Landrum, G. (2023, September). RDKit: Open-source cheminformatics [Online]. Retrieved from https://www.rdkit.org
  8. Raddi, R. M., & Voelz, V. A. (2022). Stacking Gaussian processes to improve pKa predictions in the SAMPL7 challenge. Journal of Computer-Aided Molecular Design, 35. https://doi.org/10.1007/s10822-021-00411-8
  9. Gurbych, O., Pavliuk, P., Krasnienkov, D., Liashuk, O., Melnykov, K., Grygorenko, O. (2025). Filling the gap in LogP and pKa evaluation for saturated fluorine-containing derivatives with machine learning. Journal of Computational Chemistry, 46(2). https://doi.org/10.1002/jcc.70002