Особливості формування спеціалізованого набору даних для прогнозування хімічних властивостей фторвмісних сполук

Shevchuk, O. F.; Pavliuk, P.

Особливості формування спеціалізованого набору даних для прогнозування хімічних властивостей фторвмісних сполук

dc.contributor.author	Shevchuk, O. F.	en
dc.contributor.author	Pavliuk, P.	en
dc.date.accessioned	2026-05-01T09:33:36Z
dc.date.available	2026-05-01T09:33:36Z
dc.date.issued	2026
dc.description.abstract	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.	en
dc.identifier.citation	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.	uk
dc.identifier.udc	004.852:547.96
dc.identifier.uri	https://ir.lib.vntu.edu.ua/handle/123456789/51300
dc.language.iso	uk_UA	uk_UA
dc.publisher	Вінницький національний технічний університет	uk
dc.relation.ispartof	Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р.	uk
dc.relation.references	Benaiges, D., Pedro-Botet, J., & Climent, E. (2021). Hydrophilic or lipophilic statins? Frontiers in Cardiovascular Medicine. https://doi.org/10.3389/fcvm.2021.687585	en
dc.relation.references	Baltruschat, M., & Czodrowski, P. (2020). Machine learning meets pKa. F1000Research. https://doi.org/10.12688/f1000research.22090.2	en
dc.relation.references	Caine, B. (2019). On the development and application of AIBL-pKa, a pKa predictor based on equilibrium bond lengths of a single protonation state.	en
dc.relation.references	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	en
dc.relation.references	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	en
dc.relation.references	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	en
dc.relation.references	Landrum, G. (2023, September). RDKit: Open-source cheminformatics [Online]. Retrieved from https://www.rdkit.org	en
dc.relation.references	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	en
dc.relation.references	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	en
dc.relation.uri	https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/26328
dc.subject	fluorine-containing compounds	en
dc.subject	dataset	en
dc.subject	pKa	en
dc.subject	LogP	en
dc.subject	data preprocessing	en
dc.subject	machine learning	en
dc.subject	property prediction	en
dc.title	Особливості формування спеціалізованого набору даних для прогнозування хімічних властивостей фторвмісних сполук	uk
dc.type	Thesis

Файли

Контейнер файлів

Зараз показуємо 1 - 1 з 1

Назва:: 199946.pdf
Розмір:: 427,65 KB
Формат:: Adobe Portable Document Format

Завантажити

Ліцензійна угода

Зараз показуємо 1 - 1 з 1

Назва:: license.txt
Розмір:: 129 B
Формат:: Plain Text
Опис:

Завантажити

Зібрання

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