കുറച്ചുനാളായി രസതന്ത്രത്തിലേക്ക് കൃത്രിമബുദ്ധി കടന്നുവരുന്നുണ്ട്, നിശബ്ദമായി എന്നാൽ സ്ഥിരതയോടെ - അത് ഏതാണ്ട് ഒരു സയൻസ് ഫിക്ഷൻ പോലെ തോന്നിക്കുന്ന രീതിയിൽ മേഖലയെ പുനർനിർമ്മിച്ചുകൊണ്ടിരിക്കുകയാണ്. ഒരു മനുഷ്യനും കണ്ടെത്താൻ കഴിയാത്ത മയക്കുമരുന്ന് പരീക്ഷണങ്ങളെ കണ്ടെത്താൻ സഹായിക്കുന്നതിൽ നിന്ന് പരിചയസമ്പന്നരായ രസതന്ത്രജ്ഞർക്ക് ചിലപ്പോൾ നഷ്ടപ്പെടുന്ന പ്രതികരണ പാതകൾ മാപ്പ് ചെയ്യുന്നതിൽ നിന്ന്, AI ഇപ്പോൾ ഒരു ലാബ് അസിസ്റ്റന്റ് മാത്രമല്ല. അത് ശ്രദ്ധാകേന്ദ്രത്തിലേക്ക് നീങ്ങുകയാണ്. എന്നാൽ രസതന്ത്രത്തിനുള്ള ഏറ്റവും മികച്ച AI-യെ വേറിട്ടു നിർത്തുന്നത് എന്താണ്? നമുക്ക് ഒന്ന് സൂക്ഷ്മമായി പരിശോധിക്കാം.
ഇതിനു ശേഷം നിങ്ങൾക്ക് വായിക്കാൻ ഇഷ്ടപ്പെട്ടേക്കാവുന്ന ലേഖനങ്ങൾ:
🔗 ഡാറ്റാ സയൻസും കൃത്രിമബുദ്ധിയും: നവീകരണത്തിന്റെ ഭാവി
AI-യും ഡാറ്റാ സയൻസും ആധുനിക സാങ്കേതികവിദ്യയെയും ബിസിനസിനെയും എങ്ങനെ പരിവർത്തനം ചെയ്യുന്നു.
🔗 ഡാറ്റ തന്ത്രം കൂടുതൽ മികച്ചതാക്കാൻ മികച്ച 10 AI അനലിറ്റിക്സ് ഉപകരണങ്ങൾ
പ്രവർത്തനക്ഷമമായ ഉൾക്കാഴ്ചകൾ, പ്രവചനം, മികച്ച തീരുമാനങ്ങൾ എന്നിവയ്ക്കുള്ള മികച്ച പ്ലാറ്റ്ഫോമുകൾ.
🔗 എന്തും വേഗത്തിൽ പഠിക്കാൻ സഹായിക്കുന്ന മികച്ച 10 AI പഠന ഉപകരണങ്ങൾ
ശക്തവും AI- അധിഷ്ഠിതവുമായ പഠന പ്ലാറ്റ്ഫോമുകൾ ഉപയോഗിച്ച് നിങ്ങളുടെ കഴിവുകൾ ത്വരിതപ്പെടുത്തുക.
രസതന്ത്ര AI-യെ ഉപയോഗപ്രദമാക്കുന്നത് എന്താണ്? 🧪
രസതന്ത്രത്തിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്ന എല്ലാ AI-കളും ഒരുപോലെ നിർമ്മിച്ചിട്ടില്ല. ചില ഉപകരണങ്ങൾ തിളക്കമുള്ള ഡെമോകളാണ്, യഥാർത്ഥ ലാബുകളിൽ പരീക്ഷിക്കുമ്പോൾ അവ പരാജയപ്പെടും. എന്നിരുന്നാലും, മറ്റുള്ളവ, ഗവേഷകർക്ക് മണിക്കൂറുകളോളം അന്ധമായ പരീക്ഷണ-പിശക് കാലയളവ് പ്രായോഗികമായി ലാഭിക്കുമെന്ന് തെളിയിക്കുന്നു.
കട്ടിയുള്ളവയെ ഗിമ്മിക്കുകളിൽ നിന്ന് വേർതിരിക്കുന്നത് ഇതാ:
-
പ്രവചനങ്ങളിലെ കൃത്യത: തന്മാത്രാ ഗുണങ്ങളോ പ്രതിപ്രവർത്തന ഫലങ്ങളോ സ്ഥിരമായി മുൻകൂട്ടി കാണാൻ ഇതിന് കഴിയുമോ?
-
ഉപയോഗ എളുപ്പം: പല രസതന്ത്രജ്ഞരും കോഡർമാരല്ല. വ്യക്തമായ ഇന്റർഫേസ് അല്ലെങ്കിൽ സുഗമമായ സംയോജനം പ്രധാനമാണ്.
-
സ്കേലബിളിറ്റി: ഉപയോഗപ്രദമായ AI, വലിയ ഡാറ്റാസെറ്റുകളിൽ പ്രവർത്തിക്കുന്നത് പോലെ തന്നെ, ചുരുക്കം ചില തന്മാത്രകളിലും നന്നായി പ്രവർത്തിക്കുന്നു.
-
ലാബ് വർക്ക്ഫ്ലോ ഇന്റഗ്രേഷൻ: സ്ലൈഡുകൾ മനോഹരമായി തോന്നിപ്പിക്കാൻ മാത്രം പോരാ - AI പരീക്ഷണാത്മക തിരഞ്ഞെടുപ്പുകളെ പിന്തുണയ്ക്കുമ്പോൾ യഥാർത്ഥ യൂട്ടിലിറ്റി ദൃശ്യമാകും.
-
കമ്മ്യൂണിറ്റിയും പിന്തുണയും: സജീവമായ വികസനം, ഡോക്യുമെന്റേഷൻ, പിയർ-റിവ്യൂഡ് പ്രൂഫ് എന്നിവ വലിയ മാറ്റമുണ്ടാക്കുന്നു.
മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ: ഏറ്റവും മികച്ച AI, അസംസ്കൃത കമ്പ്യൂട്ടേഷണൽ പേശികളെ ദൈനംദിന ഉപയോഗക്ഷമതയുമായി സന്തുലിതമാക്കുന്നു.
ദ്രുത രീതിശാസ്ത്ര കുറിപ്പ്: താഴെയുള്ള ഉപകരണങ്ങൾക്ക് പിയർ-റിവ്യൂ ചെയ്ത ഫലങ്ങൾ, യഥാർത്ഥ ലോക വിന്യാസത്തിന്റെ തെളിവുകൾ (അക്കാദമിയ അല്ലെങ്കിൽ വ്യവസായം), പുനരുൽപ്പാദിപ്പിക്കാവുന്ന ബെഞ്ച്മാർക്കുകൾ എന്നിവ ഉണ്ടെങ്കിൽ അവയ്ക്ക് മുൻഗണന നൽകും. നമ്മൾ എന്തെങ്കിലും "പ്രവർത്തിക്കുന്നു" എന്ന് പറയുമ്പോൾ, അത് മാർക്കറ്റിംഗ് സ്ലൈഡുകൾ മാത്രമല്ല, യഥാർത്ഥ മൂല്യനിർണ്ണയ പേപ്പറുകൾ, ഡാറ്റാസെറ്റുകൾ അല്ലെങ്കിൽ നന്നായി രേഖപ്പെടുത്തിയ രീതികൾ ഉള്ളതുകൊണ്ടാണ്.
സ്നാപ്പ്ഷോട്ട്: രസതന്ത്രത്തിനുള്ള മികച്ച AI ഉപകരണങ്ങൾ 📊
| ഉപകരണം / പ്ലാറ്റ്ഫോം | ഇത് ആർക്കുവേണ്ടിയാണ് | വില / ആക്സസ്* | എന്തുകൊണ്ട് ഇത് പ്രവർത്തിക്കുന്നു (അല്ലെങ്കിൽ പ്രവർത്തിക്കുന്നില്ല) |
|---|---|---|---|
| ഡീപ്കെം | അക്കാദമിക് & ഹോബിയിസ്റ്റുകൾ | സൗജന്യം / OSS | മുതിർന്നവർക്കുള്ള ML ടൂൾകിറ്റ് + മോളിക്യൂൾനെറ്റ് ബെഞ്ച്മാർക്കുകൾ; ഇഷ്ടാനുസൃത മോഡലുകൾ നിർമ്മിക്കുന്നതിന് മികച്ചത് [5] |
| ഷ്രോഡിംഗർ AI/ഫിസിക്സ് | ഫാർമ ഗവേഷണ വികസനം | എന്റർപ്രൈസ് | ശക്തമായ പരീക്ഷണാത്മക സാധൂകരണത്തോടുകൂടിയ ഉയർന്ന കൃത്യതയുള്ള ഭൗതികശാസ്ത്ര മോഡലിംഗ് (ഉദാ. FEP) [4] |
| രസതന്ത്രത്തിനായുള്ള IBM RXN | വിദ്യാർത്ഥികളും ഗവേഷകരും | രജിസ്ട്രേഷൻ ആവശ്യമാണ് | ട്രാൻസ്ഫോർമർ അടിസ്ഥാനമാക്കിയുള്ള പ്രതികരണ പ്രവചനം; വാചകം പോലുള്ള SMILES ഇൻപുട്ട് സ്വാഭാവികമായി തോന്നുന്നു [2] |
| കെംടിഎസ് (ടോക്കിയോ യൂണിവേഴ്സിറ്റി) | അക്കാദമിക് സ്പെഷ്യലിസ്റ്റുകൾ | ഗവേഷണ കോഡ് | ജനറേറ്റീവ് മോളിക്യൂൾ ഡിസൈൻ; പ്രത്യേക സൗകര്യമുണ്ട്, പക്ഷേ ആശയ രൂപീകരണത്തിന് അനുയോജ്യമാണ് (ML ചോപ്പുകൾ ആവശ്യമാണ്) |
| ആൽഫഫോൾഡ് (ഡീപ് മൈൻഡ്) | ഘടനാ ജീവശാസ്ത്രജ്ഞർ | സൌജന്യ / ഓപ്പൺ ആക്സസ് | പല ലക്ഷ്യങ്ങളിലും ലാബിന് സമീപമുള്ള കൃത്യതയിൽ പ്രോട്ടീൻ ഘടന പ്രവചനം [1] |
| മോൾജിപിടി | AI ഡെവലപ്പർമാർ | ഗവേഷണ കോഡ് | വഴക്കമുള്ള ജനറേറ്റീവ് മോഡലിംഗ്; സജ്ജീകരണം സാങ്കേതികമാകാം |
| കെമാറ്റിക്ക (സിന്തിയ) | വ്യാവസായിക രസതന്ത്രജ്ഞർ | എന്റർപ്രൈസ് ലൈസൻസ് | ലാബുകളിൽ നടപ്പിലാക്കുന്ന കമ്പ്യൂട്ടർ-ആസൂത്രിത റൂട്ടുകൾ; അവസാന ഘട്ട സിന്തസിസുകൾ ഒഴിവാക്കുന്നു [3] |
*വില/ആക്സസ് മാറിയേക്കാം - എപ്പോഴും വെണ്ടറെ നേരിട്ട് പരിശോധിക്കുക.
സ്പോട്ട്ലൈറ്റ്: രസതന്ത്രത്തിനായുള്ള IBM RXN ✨
ഏറ്റവും എളുപ്പത്തിൽ ഉപയോഗിക്കാവുന്ന പ്ലാറ്റ്ഫോമുകളിൽ ഒന്നാണ് IBM RXN . റിയാക്ടന്റുകളെയും റിയാക്ടറുകളെയും ഉൽപ്പന്നങ്ങളുമായി മാപ്പ് ചെയ്യുന്നതിനും സ്വന്തം ആത്മവിശ്വാസം കണക്കാക്കുന്നതിനും പരിശീലനം ലഭിച്ച ഒരു ട്രാൻസ്ഫോർമർ (ഭാഷാ മോഡലുകൾ എങ്ങനെ പ്രവർത്തിക്കുന്നുവെന്ന് ചിന്തിക്കുക, പക്ഷേ കെമിക്കൽ SMILES സ്ട്രിംഗുകൾ ഉപയോഗിച്ച്) ഉപയോഗിച്ചാണ് ഇത് പ്രവർത്തിക്കുന്നത്
പ്രായോഗികമായി, നിങ്ങൾക്ക് ഒരു പ്രതികരണം അല്ലെങ്കിൽ SMILES സ്ട്രിംഗ് ഒട്ടിക്കാൻ കഴിയും, RXN തൽക്ഷണം ഫലം പ്രവചിക്കുന്നു. അതായത് "വെറും-ടെസ്റ്റിംഗ്" റണ്ണുകൾ കുറയും, വാഗ്ദാനമായ ഓപ്ഷനുകളിൽ കൂടുതൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കും.
സാധാരണ വർക്ക്ഫ്ലോ ഉദാഹരണം: നിങ്ങൾ ഒരു സിന്തറ്റിക് റൂട്ട് വരയ്ക്കുന്നു, RXN ഒരു അസ്ഥിരമായ ഘട്ടം (കുറഞ്ഞ ആത്മവിശ്വാസം) അടയാളപ്പെടുത്തുന്നു, മികച്ച പരിവർത്തനത്തിലേക്ക് വിരൽ ചൂണ്ടുന്നു. ലായകങ്ങൾ തൊടുന്നതിനുമുമ്പ് നിങ്ങൾ പ്ലാൻ ശരിയാക്കുന്നു. ഫലം: കുറഞ്ഞ സമയം പാഴാക്കുന്നു, കുറഞ്ഞ തകർന്ന ഫ്ലാസ്കുകൾ.
ആൽഫഫോൾഡ്: കെമിസ്ട്രിയിലെ റോക്ക് സ്റ്റാർ 🎤🧬
നിങ്ങൾ ശാസ്ത്ര വാർത്തകൾ ശ്രദ്ധിച്ചിട്ടുണ്ടെങ്കിൽ, ആൽഫഫോൾഡിനെക്കുറിച്ച്. ജീവശാസ്ത്രത്തിലെ ഏറ്റവും കഠിനമായ പ്രശ്നങ്ങളിലൊന്നായ സീക്വൻസ് ഡാറ്റയിൽ നിന്ന് നേരിട്ട് പ്രോട്ടീൻ ഘടനകൾ പ്രവചിക്കുന്നത് പരിഹരിച്ചത് ആൽഫഫോൾഡാണ്.
രസതന്ത്രത്തിന് അത് പ്രധാനമായിരിക്കുന്നത് എന്തുകൊണ്ട്? മരുന്നുകളുടെ രൂപകൽപ്പന, എൻസൈം എഞ്ചിനീയറിംഗ്, ജൈവ സംവിധാനങ്ങൾ മനസ്സിലാക്കൽ എന്നിവയിൽ പ്രോട്ടീനുകൾ കേന്ദ്രീകൃതമായ സങ്കീർണ്ണമായ തന്മാത്രകളാണ്. ആൽഫഫോൾഡിന്റെ പ്രവചനങ്ങൾ പല സന്ദർഭങ്ങളിലും പരീക്ഷണാത്മക കൃത്യതയിലേക്ക് അടുക്കുമ്പോൾ, മുഴുവൻ മേഖലയെയും മാറ്റിമറിച്ച ഒരു മുന്നേറ്റം എന്ന് ഇതിനെ വിളിക്കുന്നത് അതിശയോക്തിപരമല്ല [1].
ഡീപ്കെം: ടിങ്കറേഴ്സ് പ്ലേഗ്രൗണ്ട് 🎮
ഗവേഷകർക്കും ഹോബികൾക്കും വേണ്ടി, ഡീപ്കെം അടിസ്ഥാനപരമായി ഒരു സ്വിസ്-ആർമി ലൈബ്രറിയാണ്. ഇതിൽ ഫീച്ചറൈസറുകൾ, റെഡിമെയ്ഡ് മോഡലുകൾ, വിവിധ രീതികളിൽ ആപ്പിളിനെ താരതമ്യം ചെയ്യാൻ അനുവദിക്കുന്ന ജനപ്രിയ മോളിക്യൂൾനെറ്റ് ബെഞ്ച്മാർക്കുകൾ എന്നിവ ഉൾപ്പെടുന്നു
നിങ്ങൾക്ക് ഇത് ഇനിപ്പറയുന്നവയ്ക്ക് ഉപയോഗിക്കാം:
-
ട്രെയിൻ പ്രെഡിക്ടറുകൾ (സൊല്യൂബിലിറ്റി അല്ലെങ്കിൽ ലോഗ്പി പോലുള്ളവ)
-
QSAR/ADMET അടിസ്ഥാനരേഖകൾ നിർമ്മിക്കുക
-
മെറ്റീരിയലുകൾക്കും ബയോ ആപ്ലിക്കേഷനുകൾക്കുമുള്ള ഡാറ്റാസെറ്റുകൾ പര്യവേക്ഷണം ചെയ്യുക
ഇത് ഡെവലപ്പർമാർക്ക് അനുയോജ്യമാണെങ്കിലും പൈത്തൺ കഴിവുകൾ പ്രതീക്ഷിക്കുന്നു. വിട്ടുവീഴ്ച: സജീവമായ ഒരു സമൂഹവും ശക്തമായ പുനരുൽപാദന സംസ്കാരവും [5].
പ്രതികരണ പ്രവചനം AI എങ്ങനെ വർദ്ധിപ്പിക്കുന്നു 🧮
പരമ്പരാഗത സിന്തസിസ് പലപ്പോഴും പരീക്ഷണാത്മകമാണ്. ആധുനിക AI ഊഹക്കച്ചവടത്തെ ഇനിപ്പറയുന്ന രീതിയിൽ കുറയ്ക്കുന്നു:
-
അനിശ്ചിതത്വ സ്കോറുകളുള്ള മുന്നോട്ടുള്ള പ്രതികരണങ്ങൾ പ്രവചിക്കൽ (അതിനാൽ അവയെ എപ്പോൾ വിശ്വസിക്കരുതെന്ന് നിങ്ങൾക്ക് അറിയാം ) [2]
-
ഡെഡ്-എൻഡുകളും ദുർബലമായ സംരക്ഷണ ഗ്രൂപ്പുകളും ഒഴിവാക്കിക്കൊണ്ട് റിട്രോസിന്തറ്റിക് റൂട്ടുകൾ മാപ്പ് ചെയ്യുന്നു [3]
-
വേഗതയേറിയതോ, വിലകുറഞ്ഞതോ, അല്ലെങ്കിൽ കൂടുതൽ വിപുലീകരിക്കാവുന്നതോ ആയ ഇതരമാർഗങ്ങൾ നിർദ്ദേശിക്കുന്നു.
വിദഗ്ദ്ധ രാസ യുക്തിയും തിരയൽ തന്ത്രങ്ങളും ഉൾക്കൊള്ളുന്ന കെമാറ്റിക്ക (സിന്തിയ) ആണ് ഇവിടെ ശ്രദ്ധേയമായത് . യഥാർത്ഥ ലാബുകളിൽ വിജയകരമായി നടപ്പിലാക്കിയ സിന്തസിസ് റൂട്ടുകൾ ഇത് ഇതിനകം നിർമ്മിച്ചിട്ടുണ്ട് - ഇത് ഒരു സ്ക്രീനിലെ ഡയഗ്രമുകളേക്കാൾ കൂടുതലാണെന്നതിന്റെ ശക്തമായ തെളിവാണ് [3].
ഈ ഉപകരണങ്ങളെ നിങ്ങൾക്ക് ആശ്രയിക്കാമോ? 😬
സത്യസന്ധമായ ഉത്തരം: അവ ശക്തമാണ്, പക്ഷേ കുറ്റമറ്റതല്ല.
-
പാറ്റേണുകളിൽ മികച്ചത്: ട്രാൻസ്ഫോർമറുകൾ അല്ലെങ്കിൽ ജിഎൻഎൻ പോലുള്ള മോഡലുകൾ വലിയ ഡാറ്റാസെറ്റുകളിൽ സൂക്ഷ്മമായ പരസ്പരബന്ധങ്ങൾ പിടിക്കുന്നു [2][5].
-
തെറ്റില്ലാത്തത്: സാഹിത്യ പക്ഷപാതം, സന്ദർഭം നഷ്ടപ്പെട്ടത്, അല്ലെങ്കിൽ അപൂർണ്ണമായ ഡാറ്റ എന്നിവ അമിത ആത്മവിശ്വാസമുള്ള പിശകുകളിലേക്ക് നയിച്ചേക്കാം.
-
മനുഷ്യരുമായി യോജിച്ച് ഏറ്റവും മികച്ചത്: പ്രവചനങ്ങളെ ഒരു രസതന്ത്രജ്ഞന്റെ വിധിന്യായവുമായി (അവസ്ഥകൾ, സ്കെയിൽ-അപ്പ്, മാലിന്യങ്ങൾ) സംയോജിപ്പിക്കുന്നത് ഇപ്പോഴും വിജയിക്കുന്നു.
ഒരു ചെറിയ കഥ: ഒരു ലീഡ്-ഒപ്റ്റിമൈസേഷൻ പ്രോജക്റ്റ് ~12 സാധ്യതയുള്ള പകരക്കാരെ റാങ്ക് ചെയ്യാൻ ഫ്രീ-എനർജി കണക്കുകൂട്ടലുകൾ ഉപയോഗിച്ചു. മികച്ച 5 എണ്ണം മാത്രമേ യഥാർത്ഥത്തിൽ സമന്വയിപ്പിച്ചിട്ടുള്ളൂ; 3 എണ്ണം ഉടനടി പൊട്ടൻസി ആവശ്യകതകൾ നിറവേറ്റി. അത് സൈക്കിളിൽ നിന്ന് ആഴ്ചകൾ കുറച്ചു [4]. പാറ്റേൺ വ്യക്തമാണ്: AI തിരയലിനെ ചുരുക്കുന്നു, മനുഷ്യർ എന്താണ് ശ്രമിക്കേണ്ടതെന്ന് തീരുമാനിക്കുന്നു.
കാര്യങ്ങൾ എങ്ങോട്ടാണ് പോകുന്നത് 🚀
-
ഓട്ടോമേറ്റഡ് ലാബുകൾ: പരീക്ഷണങ്ങൾ രൂപകൽപ്പന ചെയ്യുന്നതിനും പ്രവർത്തിപ്പിക്കുന്നതിനും വിശകലനം ചെയ്യുന്നതിനുമുള്ള എൻഡ്-ടു-എൻഡ് സിസ്റ്റങ്ങൾ.
-
ഗ്രീനർ സിന്തസിസ്: വിളവ്, ചെലവ്, ഘട്ടങ്ങൾ, സുസ്ഥിരത എന്നിവ സന്തുലിതമാക്കുന്ന അൽഗോരിതങ്ങൾ.
-
വ്യക്തിഗതമാക്കിയ ചികിത്സകൾ: രോഗിയുടെ നിർദ്ദിഷ്ട ജീവശാസ്ത്രത്തിന് അനുയോജ്യമായ വേഗത്തിലുള്ള കണ്ടെത്തൽ പൈപ്പ്ലൈനുകൾ.
രസതന്ത്രജ്ഞരെ മാറ്റിസ്ഥാപിക്കാനല്ല AI ഇവിടെയുള്ളത് - അത് അവരെ വർദ്ധിപ്പിക്കാനാണ്.
ചുരുക്കത്തിൽ: രസതന്ത്രത്തിനുള്ള ഏറ്റവും മികച്ച AI 🥜
-
വിദ്യാർത്ഥികളും ഗവേഷകരും → ഐബിഎം ആർഎക്സ്എൻ, ഡീപ്കെം [2][5]
-
ഫാർമ & ബയോടെക് → ഷ്രോഡിംഗർ, സിന്തിയ [4][3]
-
ഘടനാ ജീവശാസ്ത്രം → ആൽഫഫോൾഡ് [1]
-
ഡെവലപ്പർമാരും നിർമ്മാതാക്കളും → ChemTS, MolGPT
ചുരുക്കത്തിൽ: ഡാറ്റയ്ക്കായുള്ള. ഇത് പാറ്റേണുകൾ കണ്ടെത്തുന്നു, നിർജ്ജീവമായ അറ്റങ്ങളിൽ നിന്ന് നിങ്ങളെ അകറ്റുന്നു, ഉൾക്കാഴ്ച വേഗത്തിലാക്കുന്നു. അന്തിമ സ്ഥിരീകരണം ഇപ്പോഴും ലാബിലാണ്.
അവലംബം
-
ജമ്പർ, ജെ. തുടങ്ങിയവർ. “ആൽഫാഫോൾഡ് ഉപയോഗിച്ചുള്ള വളരെ കൃത്യമായ പ്രോട്ടീൻ ഘടന പ്രവചനം.” നേച്ചർ (2021). ലിങ്ക്
-
ഷ്വാലർ, പി. തുടങ്ങിയവർ. “മോളിക്യുലാർ ട്രാൻസ്ഫോർമർ: അനിശ്ചിതത്വം-കാലിബ്രേറ്റ് ചെയ്ത രാസപ്രവർത്തന പ്രവചനത്തിനുള്ള ഒരു മാതൃക.” എസിഎസ് സെൻട്രൽ സയൻസ് (2019). ലിങ്ക്
-
ക്ലൂക്സ്നിക്, ടി. തുടങ്ങിയവർ. “കമ്പ്യൂട്ടർ ഉപയോഗിച്ച് ആസൂത്രണം ചെയ്ത് ലബോറട്ടറിയിൽ നടപ്പിലാക്കുന്ന വൈവിധ്യമാർന്ന, ഔഷധപരമായി പ്രസക്തമായ ലക്ഷ്യങ്ങളുടെ കാര്യക്ഷമമായ സമന്വയം.” കെം (2018). ലിങ്ക്
-
വാങ്, എൽ. തുടങ്ങിയവർ. “ഒരു ആധുനിക സ്വതന്ത്ര ഊർജ്ജ കണക്കുകൂട്ടൽ പ്രോട്ടോക്കോൾ വഴി പ്രോസ്പെക്റ്റീവ് മയക്കുമരുന്ന് കണ്ടെത്തലിൽ ആപേക്ഷിക ലിഗാൻഡ് ബൈൻഡിംഗ് ശക്തിയുടെ കൃത്യവും വിശ്വസനീയവുമായ പ്രവചനം.” ജെ. ആം. കെം. സോക്ക്. (2015). ലിങ്ക്
-
വു, ഇസഡ് തുടങ്ങിയവർ. “മോളിക്യൂൾനെറ്റ്: മോളിക്യുലാർ മെഷീൻ ലേണിംഗിനുള്ള ഒരു മാനദണ്ഡം.” കെമിക്കൽ സയൻസ് (2018). ലിങ്ക്