现已上线！2025 年 Telegram 研究 — 年度关键洞察 
Цифровая химия | ИОНХ РАН
前往频道在 Telegram
Новости цифровой химии в России и мире Сотрудничество: Центр цифрового материаловедения ИОНХ РАН https://digimatter.ru/ e-mail: alex90pavlov@mail.ru
显示更多俄罗斯538 006未指定类别
305
订阅者
无数据24 小时
无数据7 天
+930 天
数据加载中...
吸引订阅者
七月 '26
七月 '260
在0个频道中
六月 '26
+10
在4个频道中
Get PRO
五月 '26
+11
在3个频道中
Get PRO
四月 '26
+29
在1个频道中
Get PRO
三月 '26
+5
在0个频道中
Get PRO
二月 '26
+8
在0个频道中
Get PRO
一月 '26
+4
在0个频道中
Get PRO
十二月 '25
+15
在0个频道中
Get PRO
十一月 '25
+39
在1个频道中
Get PRO
十月 '25
+170
在1个频道中
Get PRO
九月 '25
+44
在2个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 06 七月 | 0 | |||
| 05 七月 | 0 | |||
| 04 七月 | 0 | |||
| 03 七月 | 0 | |||
| 02 七月 | 0 | |||
| 01 七月 | 0 |
频道帖子
Repost from Первый химический
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
| 2 |  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 | 200 |
| 3 |  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 | 2 128 |
| 4 |  🎓 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. | 1 654 |
| 5 |  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. | 271 |
| 6 | 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 | 1 946 |
| 7 | 🧪 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 | 0 |
| 8 | 📕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. | 0 |
| 9 | 📚 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 | 0 |
| 10 | 📌 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 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 | 0 |
