PulseAugur
中
实时 11:14:11
English(EN) OPRD-Imp: a dataset of experimentally observed impurities and side products in multi-step pharmaceutical syntheses

新数据集OPRD-Imp旨在改进AI对药物合成杂质的预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了OPRD-Imp，一个旨在解决药物合成中反应杂质预测数据稀缺问题的新数据集。该数据集包含来自《Organic Process Research & Development》62篇出版物的229个有机反应，并详细标注了784个实验观察到的杂质及其机理来源。这些数据由化学家提取和验证，使用反应SMILES和杂质SMILES字符串格式化，保留了多步合成路线的连接性。OPRD-Imp旨在为评估专注于杂质预测的机器学习模型提供一个基准。 AI

影响 为预测药物合成中杂质的AI模型提供了一个基准，可能加速药物开发。

排序理由 该条目描述了一个用于特定科学研究领域（药物合成杂质）的新数据集及其在基准测试机器学习模型方面的潜在用途。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新数据集OPRD-Imp旨在改进AI对药物合成杂质的预测

本文如何被排名

Signal score
8 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
该条目描述了一个用于特定科学研究领域（药物合成杂质）的新数据集及其在基准测试机器学习模型方面的潜在用途。[lever_c_demoted from research: ic=1 ai=0.7]
Source corroboration
Single-source cluster
Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics
paper, other
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
Same-day
Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Heejeong Kim, Seonbin Kim, Jihwan Kim, Tim Pinkhassik, Magdalena Lederbauer, Suong Tran, Connor W. Coley, Juyoung Yoon, Joonyoung F. Joung ·

    OPRD-Imp：多步药物合成中实验观察到的杂质和副产物数据集

    arXiv:2611.07488v1 Announce Type: cross Abstract: Predicting reaction impurities is a critical yet persistently data-limited challenge in pharmaceutical process chemistry. While machine learning models for reaction outcome prediction have advanced rapidly, benchmarking their abil…

相关实体

相关话题