|
|
@@ -26,6 +26,7 @@ SDEGen: Learning to Evolve Molecular Conformations from Thermodynamic Noise for
|
|
|
- An automated framework for high-throughput predictions of NMR chemical shifts within liquid solutions 小分子的化学位移预测
|
|
|
- Elucidating Structures of Complex Organic Compounds Using a Machine Learning Model Based on the 13C NMR Chemical Shifts 这一篇也不错，https://github.com/fenglb/SVM-M
|
|
|
- AI预测化学位移的方法：Transfer Learning from Simulation to Experimental Data: NMR Chemical Shift Predictions, CASCADE,Real-time prediction of 1H and 13C chemical shifts with DFT accuracy using a 3D graph neural network
|
|
|
+- Highly Accurate Prediction of NMR Chemical Shifts from Low-Level Quantum Mechanics Calculations Using Machine Learning https://github.com/THGLab/iShiftML
|
|
|
|
|
|
### 量化自动化计算核磁共振全谱
|
|
|
|
|
|
@@ -51,4 +52,9 @@ kaggle有一个耦合常数预测的竞赛，The train dataset contained 4,658,1
|
|
|
|
|
|
**我的想法，如果可以同时预测化学位移和耦合常数，那么我就可以对小分子进行全谱预测了。**
|
|
|
|
|
|
-我的思路：先对分子进行构建，rdkit，然后进行构象寻找，可以用前面提到的方法，然后能量优化，找到能量最低的几个构象，进行boltzmann平均化处理。用这个平均化的作为描述符来预测。因为液体核磁的数据总体上是一个构象平均的结果。
|
|
|
+我的思路：先对分子进行构建，rdkit，然后进行构象寻找，可以用前面提到的方法，然后能量优化，找到能量最低的几个构象，进行boltzmann平均化处理。用这个平均化的作为描述符来预测。因为液体核磁的数据总体上是一个构象平均的结果。
|
|
|
+
|
|
|
+# 数据库
|
|
|
+
|
|
|
+- http://cheshirenmr.info/MoleculeSets.htm 这个网站是有机化学研究中化学位移和耦合常数计算的使用，特别关注经验缩放技术.里面有有关计算用的数据.
|
|
|
+-
|
