Цифровая химия | ИОНХ РАН

🧪 Сегодня в Международном центре Физики наноструктур прошел научный семинар совместно с коллегами из Центра цифрового материаловедения ИОНХ РАН.
Нашим спикером выступил руководитель центра, доктор химических наук Александр Александрович Павлов с докладом «Хемоинформатика как самостоятельная научная дисциплина».
О чем говорили на семинаре:
🔹 Как модели машинного обучения и нейросети применяются для решения сложных задач в материаловедении.
🔹 С какими проблемами сталкиваются ученые при сборе и аналитике данных, и каковы ограничения современных моделей (разобрали на ярком примере металл-органических соединений).
🔹 Главное: в будущем такие подходы позволят кардинально сократить время и стоимость разработки новых материалов с заранее заданными свойствами.
Это отличный пример того, как стык физики, химии и IT рождает прорывные решения для науки и индустрии.
🎥 Пропустили семинар или хотите освежить детали? Полная запись уже доступна:
👉 https://itmo.ktalk.ru/recordings/lBlAH8Y4OuGIK6jINuLl

Неопределённость как инструмент, а не побочный продукт предсказания

Модели с оценкой неопределённости предсказаний существуют давно. Классический пример - регрессия на гауссовских процессах, где неопределённость по сути отражает, насколько новая точка "далека" от уже виденных данных обучающей выборки. Обычно эта неопределённость используется как индикатор доверия к прогнозу - сигнал "здесь модель уверена, а здесь не очень", особенно полезный в протоколах активного обучения. Новый препринт предлагает превратить этот индикатор в рабочий инструмент: использовать его не для последующей оценки, а для активной коррекции самого прогноза молекулярного свойства.

Авторы отталкиваются от подходов оценки неопределённости предсказаний нейросетей - в частности, от эвиденциальных нейросетей (evidential neural networks, дословно — "доказательные", хотя устоявшегося русского термина пока нет). В отличие от байесовских ансамблей, которым для оценки неопределённости нужно несколько прогонов сети, эвиденциальная модель делает это за один проход, предсказывая не просто число, а параметры распределения. Из них она раскладывает общую неопределённость на два вида: алеаторную (неустранимый шум самих измерений) и эпистемическую — неопределённость, связанную именно с недостатком знаний модели, которая в теории уменьшается по мере появления новых релевантных данных.

Именно эпистемическая неопределённость и стала рабочим инструментом в статье. Авторы предлагают метод EviKal: для новой молекулы берётся её эпистемическая неопределённость как стартовая "погрешность" прогноза, а затем в обучающей выборке ищутся похожие по структуре молекулы (по сходству Танимото на отпечтаках ECFP4) с уже измеренными значениями свойства. Каждая такая молекула-сосед учитывается как "шумное измерение" (чем структурно ближе соседняя молекула, тем больше ей доверия) и через байесовское обновление (по сути, фильтр Калмана) прогноз для новой молекулы сдвигается в сторону соседей. Модель при этом не переобучается - все веса нейросети остаются замороженными.

Главное усовершенствование статьи - PG-EviKal. Авторы справедливо замечают: структурно похожие молекулы не обязательно похожи по интересующему свойству. Такое несоответствие часто называют activity cliff - небольшое изменение структуры резко меняет свойство. Поэтому вместо того чтобы отбирать соседей исключительно по структурному сходству, они обучают отдельную небольшую сеть, которая предсказывает, насколько две молекулярных структуры могут отличаться именно по значению свойства, и ранжирует кандидатов с оглядкой на это. Нам эта идея особенно близка: разделение "похожести по структуре" и "похожести по свойству" - гораздо более химически осмысленный критерий, чем опора на одну лишь структурную схожесть.

На 16 классических датасетах (растворимость ESOL и FreeSolv, липофильность, связывание с рецепторами CDK2, hERG, 5-HT2A, D2, фотовольтаика HOPV, квантово-химические расчеты QM7/8/9 и другие) PG-EviKal снижает ошибку предсказания (RMSE) относительно исходной эвиденциальной модели на 14 из 16 датасетов, в среднем на 19.4%, и заодно улучшает калибровку неопределённости.

Из явных ограничений: подход опирается только на структуру молекулы и само измеренное значение свойства, не учитывая дополнительные переменные экспериментальных условий (температуру, концентрацию, растворитель и т.п.), которые нередко определяют разброс измерений в реальных данных. Кроме того, нет сравнения ни с зарекомендовавшими себя методами оценки неопределенности (байесовскими нейросетями, регрессией гауссовских процессов), ни с более продвинутыми моделями (например, с классической графовой Chemprop, уже давно содержащей эвиденциальный режим обучения и предсказания), так что говорить о методологической революции в моделях оценки неопределенности в химии пока рано.

Тем не менее сама идея показательна: она возвращает внимание к тому, что оценка неопределённости - не просто побочный отчёт о качестве модели, а сигнал, который можно и нужно использовать напрямую.

Расшифровка масс-спектров при помощи ML: как выглядит прогресс, если присмотреться

Примечание: работы по хемоинформатике публикуются отнюдь не только в рецензируемых журналах, но и в качестве препринтов на arXiv или openreview - последний вариант особенно распространен в ML-сообществе, где ключевые результаты всегда представляют на международных конференциях. Сегодняшняя статья - из последних, с воркшопа ICML GenBio 2026.

MassSpecGym - стандартный набор тестовых задач для моделей (иными словами - бенчмарк), которые определяют структуру молекул по тандемным масс-спектрам. Он появился всего год назад, но уже успел стать точкой отсчёта для сравнения новых методов в области автоматизированной рассшифровки масс-спектров. Новый препринт, поданный на воркшоп ICML 2026, анализирует, как именно исследователи пользовались этим инструментом, — и результаты заставляют задуматься: как минимум в 17 из 26 работ, ссылавшихся на этот бенчмарк, обнаружились проблемы, влияющие на достоверность заявленных выводов. Среди проблемных работ в том числе публикации в Nature Biotechnology, Bioinformatics и на самом ICML.

Авторы показывают, что ряд методов, демонстрировавших впечатляющие результаты, фактически эксплуатировал случайные технические артефакты или ложные корреляции. Например, несоответствие в канонизации SMILES между целевыми молекулами и молекулами-кандидатами позволяло модели решать задачу с Hit rate@1 82%, после устранения утечки авторами точность упала до 7%. Аналогичная утечка данных - простое ранжирование кандидатов по порядку их индексов в PubChem уже достигает точности в 50%, что сравнимо с точностью опубликованных "обученных" методов расшифровки масс-спектров.

Отдельная, и, пожалуй, более тонкая проблема - методы нередко собираются из готовых компонентов (например, энкодера), разработанных в других работах. Если хотя бы один такой компонент «видел» тестовые данные на этапе своего обучения, итоговая оценка оказывается завышена — причём это может быть совершенно незаметно при обычной проверке.

Поиск и исправление авторами подобных ошибок в корне перевернул рейтинг "лучших" текущих моделей, вернув задаче статус на практике далекой от решения. Заметим, что существенную часть потенциально ошибочных работ в рецензируемых журналах авторы просто не смогли проверить из-за нерабочего или недоступного кода.

К работе прилагается обновлённая версия MassSpecGym v1.5 с исправленными тестами и набором переобученных «чистых» компонентов моделей для будущих честных сравнений.

В заключение - главный вывод, который выходит далеко за рамки масс-спектрометрии. Эта работа наглядно показывает: даже если код из статьи запускается, а заявленные метрики воспроизводятся, это всё ещё не означает, что модель будет работать на практике. Метрика - не самоцель, а попытка ответить на вопрос «как модель поведёт себя на реальных, новых данных?». Именно этот вопрос остаётся в хемоинформатике самым важным - и пока, к сожалению, редко задаваемым.

Каскадное обучение — новый виток развития хемоинформатики

В органической химии давно известно понятие «каскадная реакция». В таком процессе исходное вещество без удаления промежуточных продуктов последовательно превращается в конечное целевое соединение: на каждой стадии создаются именно те функциональные группы или реакционные центры, которые необходимы для следующего шага.

Удивительно, но аналогию с каскадной реакцией можно найти и в области машинного обучения. В хемоинформатике всё более востребованной становится стратегия построения предсказательных моделей, в которой несколько этапов обучения выстраиваются в последовательную цепочку, а каждый следующий этап опирается на знания, накопленные предыдущим. Продолжая аналогию с химическими превращениями, мы предлагаем обозначить такой подход отдельным термином — каскадное обучение. В компьютерном зрении и обработке текстов подобная стратегия уже стала стандартной практикой, однако в химии она только начинает применяться систематически — и именно здесь её потенциал особенно высок.

Каскадное обучение прямо нацелено на преодоление одного из ключевых барьеров современной хемоинформатики — хронического недостатка данных.

Продолжение на сайте ХИА

#хиа_наука

👍👍👍— главные новости из мира химии
MAX | ВК | Дзен | Сайт

Алгоритмы искусственного интеллекта способны моделировать структуру и свойства сложных химических соединений, но качество результатов напрямую зависит от данных, на которых обучали модель.

Компания «Норникель» и Институт общей и неорганической химии им. Н.С. Курнакова РАН соберут базу для обучения ИИ на основе массива экспериментальных данных, накопленных за десятилетия. Подробнее читайте в нашем материале.

Techinsider

Спектроскопия ЯМР парамагнитных комплексов металлов: современное состояние
 
Заведующий центром цифрового материаловедения ИОНХ РАН, д.х.н. Павлов А.А. и главный научный сотрудник ИФХЭ РАН, чл.-корр. РАН, д.х.н. Мартынов А.Г. опубликовали обзор в журнале «Успехи химии», посвященный современному состоянию спектроскопии ЯМР парамагнитных комплексов металлов.

Настоящий обзор впервые предлагает целостный взгляд на парамагнитную спектроскопию ЯМР, объединяя как подробный разбор физических основ и экспериментальных методик, так и обобщение современных теорий и подходов. Особое внимание уделено возможностям метода устанавливать строение, электронную структуру и магнитные свойства комплексов, определяя параметры магнитных взаимодействий, критически важных для создания мономолекулярных магнитов, спиновых переключателей и других предшественников функциональных материалов будущего. Подчеркнут синергический эффект сочетания спектроскопии ЯМР с магнитометрией и спектроскопией ЭПР, позволяющий преодолеть проблему избыточной параметризации и получить достоверные данные об электронном строении комплекса. Библиография — 157 ссылок.

A.A.Pavlov, A.G.Martynov, "NMR spectroscopy of paramagnetic metal complexes: current state", Russ. Chem. Rev., 2026, 95 (6), RCR5220, DOI: https://doi.org/10.59761/RCR5220

🎓 В Институте Химии Силикатов им. И.В. Гребенщикова с 1 - 5 июня прошло «XXV Всероссийское совещание по неорганическим и органосиликатным покрытиям». Семинар-конференция посвящен получению и исследованию неорганических и органо-неорганических покрытий, как перспективному направлению современного материаловедения.
📌 Конференция была организована в далеком 1964 году, сначала как семинар, а затем переросла в крупное научное мероприятие, которое в то время принято было именовать «Всероссийское совещание». В настоящее время совещание переросло в научную конференцию.

📈 Секции конференции

1. Физико-химические основы создания покрытия
2. Органо-неорганические и лакокрасочные покрытия
3. Стекловидные, керамические и стеклокерамические покрытия
4. Диагностика покрытий
5. Промышленное применение покрытий

🎤 От Центра цифрового материаловедения ИОНХ РАН на конференции выступил с.н.с., к.х.н. Дроздов Федор Валерьевич с пленарным докладом "Защитные покрытия на основе функциональных кремнийорганических производных", в котором рассказал о современных тенденциях борьбы с морским и бактериальном обрастанием, а также привел последние результаты работы в этом направлении.

👨‍🎓👩‍🎓 Кроме самой конференции, Дроздов Ф.В. принял участие в VII Круглом столе «Актуальные проблемы применения органосиликатных покрытий на АЭС», где ученые встретились с представителями атомной энергетики и отраслевых институтов на базе Росатома. Были проведены дискуссии на тему испытаний покрытий, их эксплуатационных характеристик, радиационной стойкости. Участники обменялись мнениями по научным и прикладным вопросам, сформировали дальнейший пул сотрудничества.

Расшифровка масс-спектров при помощи ML: как выглядит прогресс, если присмотреться

Примечание: работы по хемоинформатике публикуются отнюдь не только в рецензируемых журналах, но и в качестве препринтов на arXiv или openreview - последний вариант особенно распространен в ML-сообществе, где ключевые результаты всегда представляют на международных конференциях. Сегодняшняя статья - из последних, с грядущего воркшопа ICML GenBio 2026.

MassSpecGym - стандартный набор тестовых задач для моделей (иными словами - бенчмарк), которые определяют структуру молекул по тандемным масс-спектрам. Он появился всего год назад, но уже успел стать точкой отсчёта для сравнения новых методов в области автоматизированной рассшифровки масс-спектров. Новый препринт (см. первый комментарий), поданный 28 мая 2026 г. на воркшоп ICML 2026, анализирует, как именно исследователи пользовались этим инструментом, — и результаты заставляют задуматься: как минимум в 17 из 26 работ, ссылавшихся на этот бенчмарк, обнаружились проблемы, влияющие на достоверность заявленных выводов. Среди проблемных работ в том числе публикации в Nature Biotechnology, Bioinformatics и на самом ICML.

Авторы показывают, что ряд методов, демонстрировавших впечатляющие результаты, фактически эксплуатировал случайные технические артефакты или ложные корреляции. Например, несоответствие в канонизации SMILES между целевыми молекулами и молекулами-кандидатами позволяло модели решать задачу с Hit rate@1 82%, после устранения утечки авторами точность упала до 7%. Аналогичная утечка данных - простое ранжирование кандидатов по порядку их индексов в PubChem уже достигает точности в 50%, что сравнимо с точностью опубликованных "обученных" методов расшифровки масс-спектров.

Отдельная, и, пожалуй, более тонкая проблема - методы нередко собираются из готовых компонентов (например, энкодера), разработанных в других работах. Если хотя бы один такой компонент «видел» тестовые данные на этапе своего обучения, итоговая оценка оказывается завышена — причём это может быть совершенно незаметно при обычной проверке.

Поиск и исправление авторами подобных ошибок в корне перевернул рейтинг "лучших" текущих моделей, вернув задаче статус на практике далекой от решения. Заметим, что существенную часть потенциально ошибочных работ в рецензируемых журналах авторы просто не смогли проверить из-за нерабочего или недоступного кода.

К работе прилагается обновлённая версия MassSpecGym v1.5 с исправленными тестами и набором переобученных «чистых» компонентов моделей для будущих честных сравнений.

В заключение - главный вывод, который выходит далеко за рамки масс-спектрометрии. Эта работа наглядно показывает: даже если код из статьи запускается, а заявленные метрики воспроизводятся, это всё ещё не означает, что модель будет работать на практике. Метрика - не самоцель, а попытка ответить на вопрос «как модель поведёт себя на реальных, новых данных?». Именно этот вопрос остаётся в хемоинформатике самым важным - и пока, к сожалению, редко задаваемым.

Первый в России диссертационный совет по присуждению учёной степени доктора и кандидата наук по специальности 1.4.5 «Хемоинформатика» (химические науки) на базе ИОНХ РАН

Специальность «Хемоинформатика» была официально введена в России приказом Министерства науки и высшего образования РФ № 118 от 24 февраля 2021 года. Однако до настоящего времени не существовало ни одного диссертационного совета по присуждению степеней по этой специальности. Решение о создании данного совета является ответом на запрос научного сообщества о защите диссертаций по хемоинформатике и активное развитие цифровых методов в химии. 

В состав совета вошли признанные эксперты в области хемоинформатики из Института общей и неорганической химии им. Н. С. Курнакова РАН, Московского государственного университета им. М.В. Ломоносова, Института элементоорганических соединений им. А. Н. Несмеянова РАН, Института органической химии им. Н.Д. Зелинского РАН и Института проблем передачи информации имени А. А. Харкевича РАН.

С подробностями можно ознакомиться на странице диссертационного совета сайта ИОНХ РАН

🧪 ИИ превзошел людей в зрении и текстах, но пасует перед химией. Почему?

Вездесущий ИИ уже управляет автономными машинами и пишет сложные коды. Однако в химии машинное обучение до сих пор спотыкается. И проблема — не в мощности алгоритмов, а в методологии.

Сотрудники Центра цифрового материаловедения ИОНХ РАН (Павлов А.А., Рекут Н.А., Злобин И.С.) проанализировали ситуацию и выделили 4 главных барьера современной хемоинформатики:

🚧 1. Разнородность классов
Модель, предсказывающая свойства лекарств, совершенно бесполезна для полимеров или кристаллов. Для каждого класса данных нужно всё начинать с нуля.

🚧 2. Дефицит структурированных данных
Научных статей — горы, но машиночитаемой информации — крохи. Спектры, графики, структуры молекул часто существуют только в виде растровых картинок, а не в цифровых базах.

🚧 3. Скрытые параметры
В базах данных химию сводят к паре «структура → свойство», забывая про методику измерения, геометрию реактора или историю термообработки образца. А для ИИ это критические скрытые переменные.

🚧 4. «Ошибка выжившего»
Публикуют только успешные синтезы и рекордные свойства. Огромный массив неудачных реакций и тупиковых веществ остается в столах. Модели не знают, как выглядит провал, и потому плохо предсказывают реальность.

Что делать? Авторы уверены: барьеры преодолимы. Нужно массово оцифровывать неструктурированные данные, открыто публиковать отрицательные результаты и обогащать базы данных полными протоколами экспериментов.

Подробнее на сайте ХИА

📕JCTC и JCIM ужесточают требования к воспроизводимости

https://pubs.acs.org/doi/full/10.1021/acs.jctc.6c00733

Вышел совместный editorial двух ведущих журналов по вычислительной химии — Journal of Chemical Theory and Computation и Journal of Chemical Information and Modeling.

Главное: с 1 мая 2026 года все оригинальные исследовательские статьи обязаны сопровождаться данными и кодом, необходимыми для воспроизведения ключевых результатов. Статьи должны содержать Data and Software Availability Statement.

Что конкретно просят шарить:
— скрипты и код для расчётов
— входные и выходные файлы
— координаты систем и параметры силовых полей
— ключевые численные данные (энергии, свободные энергии и т.д.)
— траектории МД и файлы рестарта
— AI/ML модели с описанием архитектуры, гиперпараметров и разбивки train/val/test
— поверхности потенциальной энергии

Репозитории — GitHub, Zenodo, Figshare или институциональные, с persistent identifiers (DOI).

Для новых теоретических методов — полное описание теории и алгоритма, включая ключевые выводы в SI.

Редакция оговаривается: не все пункты нужны каждой статье, а конфиденциальные компоненты не должны быть необходимы для воспроизведения основных выводов.

📚 Образовательная школа в ИОНХ РАН

"ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ХИМИИ И МАТЕРИАЛОВЕДЕНИИ"

🗓 с 25 мая по 29 мая 2026 г.
📋 ИОНХ РАН, г. Москва, Ленинский проспект, 31.
📊 За 5 дней интенсивного обучения вы пройдете путь от основ хемоинформатики до создания собственных моделей машинного обучения для дизайна новых материалов и прогнозирования свойств химических соединений.

Что вас ждет на курсе?
🔹 Введение в хемоинформатику: цифровые представления молекул, расчет их характеристик, границы применения, примеры успешного применения в науке и индустрии.
🔹 Работа с химическими базами данных: методы сбора, очистки и обработки датасетов, поиск открытых данных для исследований, а также современные подходы к анализу информации с помощью LLM-агентов.
🔹 Машинное обучение для химии: пошаговый разбор того, как алгоритмы обучаются находить скрытые закономерности в данных и предсказывать свойства еще не синтезированных веществ.
🔹 Создание собственных рабочих моделей машинного обучения.

Почему стоит участвовать?
✅ Максимум практики: большая часть учебного времени отведена под работу с кодом и закрепление навыков под руководством опытных преподавателей.
✅ Прикладная направленность: все концепции искусственного интеллекта разбираются на реальных исследовательских задачах из современного цифрового материаловедения.
✅ Индивидуальный подход: у вас будет возможность обсудить с наставниками возможности применения алгоритмов конкретно в ваших научных проектах и статьях.
✅ Официальный документ: по окончании курса участники со средним профессиональным или высшим образованием получают удостоверение о повышении квалификации установленного образца.

📈 Программа идеально подойдет специалистам химических производств, студентам и молодым ученым, желающим расширить горизонты своих исследований с помощью современных цифровых инструментов.

💳 Стоимость курса – 35 000 рублей.

📩 Заявки на участие в школе и вопросы о программе в свободной форме можно направлять на e-mail: edu@igic.ras.ru до 20 мая. 

С другими программами ДПО ИОНХ РАН можно ознакомиться на сайте ДПО ИОНХ РАН

#обучение

📌 7 и 8 апреля 2026 г. в рамках XVI Конференции молодых учёных по общей и неорганической химии состоялись доклады молодых сотрудников и студентов Центра цифрового материаловедения ИОНХ РАН.

🌟Беспалов Иван Андреевич в докладе "MAIGIC: программное обеспечение для гибкого моделирования магнитных свойств" представил работоспособный прототип разрабатываемого в Центре научного программного обеспечения для моделирования магнитных свойств, данных магнитометрии, спектроскопии ЭПР и ЯМР парамагнитных соединений. Выпуск полностью работоспособного ПО планируется на начало 2030 г. и по прогнозам авторов будет превосходить существующий софт (напр., PHI, Easyspin, Spinach) как по гибкости доступных инструментов, так и по удобству использования для ученых-химиков.
Однако, уже сейчас есть возможность протестировать представленный прототип, который позволяет моделировать экспериментальные магнитометрические зависимости и компоненты тензора магнитной восприимчивости, получаемые из данных ЯМР.
Ссылка для скачивания

🌟Шандыбо Максим Алексеевич (на фото) в докладе "Методы искусственного интеллекта для создания химических баз данных" представил разрабатываемые в Центре модели автоматического парсинга информации из неструктурированных научных источников (научные статьи, справочники, патенты и пр.). Используя разработанные подходы в Центре идет работа по созданию баз данных следующих типов функциональных материалов: молекулярные магнетики, экстрагенты РЗМ, OLED. В будущем планируется выпустить программное обеспечение, позволяющее автоматически извлекать химические данные из неструктурированных источников.

🌟 Лелекова Василиса Алексеевна в докладе "Моделирование газопроницаемости полинорборненов методами квантовой химии и молекулярной динамики" рассказала о разработке нового гибридного QC+MD+ML подхода, позволившего увеличить точность моделирования газопроницаемости полимерных мембран в 8 раз по сравнению с традиционными подходами молекулярной динамики.

‼️С другими нашими проектами можно ознакомиться на сайте Центра

Хемоинформатика: новое - это хорошо забытое старое

Хемоинформатика - это область науки на стыке химии и математики, которая занимается математическим анализом химических знаний. емоинформатика охватывает ряд задач: предсказание свойств и направленный дизайн новых химических веществ и материалов, создание структурированных баз знаний для поиска, сопоставления и математического моделирования, автоматизация ряда этапов научного химического поиска.

Сегодня хемоинформатику часто связывают с машинным обучением и ИИ, однако эти методы стали лишь новым этапом развития уже ложившейся области. Ещё задолго до нынешнего бума в ней использовались QSAR/QSPR-подходы, дескрипторы, фингерпринты, строковые представления молекул и методы статистического моделирования, многие из которых были предложены в 1960–1980-х годах.

Ниже разобрали ключевые вехи в истории хемоинформатики:

1964 год. Cтатья «ρ-σ-π Analysis. A Method for the Correlation of Biological Activity and Chemical Structure» считается первой успешной попыткой связать биологическую активность с физико-химическими свойствами через математическое моделирование. Так
зародились подходы QSAR/QSPR.

1965 год. В работе «The Generation of a Unique Machine Description for Chemical Structures» предложен алгоритм канонического кодирования молекул на основе топологии связей. Именно из этой идеи вырос алгоритм подсчёта так называемых круговых фингерпринтов (circular fingerprints), который актуален по сей день и используется во всех основных хемоинформатических пакетах (отпечатки Моргана).

1979 год. Компания Molecular Design Limited представляет MACCS keys. Они вводят идею подструктурных фингерпринтов: молекула описывается бинарным вектором фиксированной длины, где 1 или 0 указывают на наличие или отсутствие конкретной подструктуры из заданного набора.

1985 год. В статье «Topological Pharmacophores. New Methods and Their Application to a Set of Antimalarials» представлены алгоритмы LOGANA и LOCON, позволяющие решать задачи бинарной классификации и регрессии на основе булевой алгебры; их можно рассматривать как ранних предшественников деревьев решений в химии.

1986 год. Работа «Atomic physicochemical parameters for three-dimensional structure-directed quantitative structure-activity relationships»является одной из фундаментальных работ по расчёту физико-химических дескрипторов, на которых и сегодня строятся молекулярные признаки для моделей машинного обучения.

1988 год. Статья «SMILES, a chemical language and information system» презентует SMILES - основную строковую кодировку молекул в современных химических базах данных.

1988 год. В работе «Comparative molecular field analysis (CoMFA)» представлен метод 3D-QSAR, решающий проблему неэффективного предсказания активности вещества на рецепторе на основе только 1D- и 2D-представлений.

1997 год. Статья «Experimental and computational approaches to estimate solubility and permeability in drug discovery and development settings». Знаменитое «Правило пяти» Липински. Эта работа заложила строгие правила оценки «лекарственного подобия», став важнейшим фильтром в виртуальном скрининге и разработке новых препаратов.

1998 год. «Chemoinformatics: What is it and How does it Impact Drug Discovery». Официальное закрепление термина, формулирующее задачу дисциплины как навигацию в химическом пространстве. Примечательно, что к этому моменту область фактически существовала уже более 30 лет.

Современные вычислительные возможности, нейросетевые и оптимизационные подходы открыли для хемоинформатики огромные, видимые невооружённым взглядом возможности. Однако важно понимать: без основ в виде описанных выше подходов и концепций этого успеха не будет.

‼️А про то, какие трудности встают на пути хемоинформатиков сейчас, будет наш следующий пост.

❓А вы используете возможности хемоинформатики в работе?
Да - 👍
Нет, но хотел бы - 🔥
Нет и не хочу - 😐
Я сам - хемоинформатик - 🏆

Коллеги, добрый день!

‼Напоминаем, что для вас уже доступна запись второго семинара.
Если вы пропустили заседание или хотите освежить в памяти детали — переходите по ссылке в нашу группу: https://vk.com/physchemmaterials?z=video-235322732_456239022

Приятного просмотра!

День основания Института общей и неорганической химии имени Н.С. Курнакова

11 марта 1934 г. постановлением Президиума АН СССР был учрежден Институт общей и неорганической химии, в состав которого вошли Лаборатория общей химии, Институт физико-химического анализа и Институт по изучению платины и других благородных металлов.

Старейшие научные школы Института связаны с именами выдающихся ученых – академиков Н.С. Курнакова, И.И. Черняева, Я.К. Сыркина, И.В. Тананаева, Н.М. Жаворонкова.

Сегодня ИОНХ РАН является признанным в России и за рубежом лидером в области общей, неорганической, координационной и аналитической химии, химии твёрдого тела, неорганического материаловедения и химической технологии.

В Институте ведутся фундаментальные и прикладные исследования, направленные на создание новых веществ и материалов для энергетики, авиационно-космической техники, рационального природопользования и биомедицинских приложений.

С более подробной информацией об истории ИОНХ РАН можно ознакомиться на сайте института

#ионх #историяхимии

📢 Второй научный семинар цикла!

13 марта 2026 года в 11.00 состоится второй научный семинар в рамках Секции «Физическая химия нано- и супрамолекулярных систем» Научного совета РАН по физической химии.
📝Регистрация по ссылке: https://forms.gle/m7hLUyzLGJo3t7fn7
Место проведения - ФИЦ ХФ РАН.
Докладчик: Павлов Александр Александрович — руководитель центра «Цифровое материаловедение» ИОНХ РАН , доктор химических наук
🧪 Тема доклада: «Проблемы внедрения ИИ в научные исследования и химическое производство»
📌 Аннотация доклада
Настоящий доклад посвящен комплексному анализу актуальных проблем, сдерживающих широкое и эффективное внедрение технологий искусственного интеллекта (ИИ) в сферу научных химических исследований и промышленного производства.

Ссылки на сообщества:
🪼t.me/PhysChemMaterials
🪼vk.com/physchemmaterials
🪼https://t.me/dIGIChemistry
👥 Организаторы
Научный руководитель: член-корреспондент РАН, профессор РАН, д.х.н. Мартынов Александр Германович
Председатель: д.ф.-м.н. Ходов Илья Анатольевич

Поздравляем младшего научного сотрудника Центра цифрового материаловедения ИОНХ РАН Ивана Сергеевича Злобина с получением гранта «УМНИК»! 🎉🏆

Тема проекта: "Разработка программного комплекса 'MassSpecSolver' для определения химических структур по масс-спектрам". 🧪💻

«Мы уходим от парадигмы интерпретации масс-спектров путем поиска по базам данных к модели искусственного интеллекта, которая понимает внутреннюю логику фрагментации молекул. Это не замена эксперту, а инструмент для ускорения генерации гипотез: химику достаточно будет загрузить спектр ранее неизвестного соединения - и система предложит десяток молекул-кандидатов за секунды, минуя зависимость от справочной информации» - отмечает Иван Злобин.

Срок выполнения проекта - 1 год.

Мы будем сообщать вам о самых интересных результатах, полученных в ходе выполнения. 📢
По окончанию проекта мы предложим вам протестировать разработанный программный комплекс. 🚀

ИИ как научный ассистент — выдумка или реальность?

Написали командой Центра цифрового материаловедения ИОНХ РАН статью в Химическое информационное агенство о том, как правильно пользоваться ИИ-агентами в научных исследованиях. И как неправильно😀

Эта статья может рассматриваться, как инструкция для новичков в использовании ИИ-агентов и специалистов, имевших ранее негативный опыт и решивших, что "это ваше ИИ никуда не годится"😀.

В действительности же, синергия естественного и искусственного интеллекта может обеспечить более эффективный научный прогресс.

Ссылка на статью ниже👇👇👇
https://cheminform.ru/himicheskaya-nauka/ii-kak-nauchnyj-assistent-vydumka-ili-realnost/