PuSH - Publikationsserver des Helmholtz Zentrums München

Export: TXT Text RIS Endnote (RIS) BIB BibTeX
Karlov, D.S.* ; Sosnin, S.* ; Tetko, I.V. ; Fedorov, M.V.*

Chemical space exploration guided by deep neural networks.

RSC Adv. 9, 5151-5157 (2019)
Verlagsversion Forschungsdaten DOI
Open Access Gold
Creative Commons Lizenzvertrag
A parametric t-SNE approach based on deep feed-forward neural networks was applied to the chemical space visualization problem. It is able to retain more information than certain dimensionality reduction techniques used for this purpose (principal component analysis (PCA), multidimensional scaling (MDS)). The applicability of this method to some chemical space navigation tasks (activity cliffs and activity landscapes identification) is discussed. We created a simple web tool to illustrate our work (http://space.syntelly.com).
Impact Factor
Scopus SNIP
Web of Science
Times Cited
Scopus
Cited By
Altmetric
3.049
0.785
15
17
Tags
Anmerkungen
Besondere Publikation
Auf Hompepage verbergern

Zusatzinfos bearbeiten
Eigene Tags bearbeiten
Privat
Eigene Anmerkung bearbeiten
Privat
Auf Publikationslisten für
Homepage nicht anzeigen
Als besondere Publikation
markieren
Publikationstyp Artikel: Journalartikel
Dokumenttyp Wissenschaftlicher Artikel
Schlagwörter Visualization; Prediction; Regression; Chemistry; Database; Universe; Qsar
Sprache englisch
Veröffentlichungsjahr 2019
HGF-Berichtsjahr 2019
ISSN (print) / ISBN 2046-2069
e-ISSN 2046-2069
Zeitschrift RSC Advances
Quellenangaben Band: 9, Heft: 9, Seiten: 5151-5157 Artikelnummer: , Supplement: ,
Verlag Royal Society of Chemistry (RSC)
Verlagsort London
Begutachtungsstatus Peer reviewed
Institut(e) Institute of Structural Biology (STB)
POF Topic(s) 30203 - Molecular Targets and Therapies
Forschungsfeld(er) Enabling and Novel Technologies
PSP-Element(e) G-503000-001
DOI 10.1039/c8ra10182e
WOS ID WOS:000459183800055
Scopus ID 85061977421
Erfassungsdatum 2019-03-19
[➜Korrektur melden]