MI alapú modellek fejlesztése spektroszkópiai adatokra

Az utóbbi években rutinszerűen alkalmazunk mesterséges intelligenciát és gépi tanulásos algoritmusokat a spektroszkópiai adatok statisztikai elemzésében. Az infravörös spektrumokban rejlő kémiai információt a gépi tanulásos algoritmusokkal feltérképezve sikeresen kiválthatjuk a bonyolult és hosszadalmas kísérleti eljárásokat egy többváltozós modell segítségével, amely képes pl. különböző típusú polimerek vagy akár szén nanostruktúrák kémiai és fizikai tulajdonságainak modellezésére.

  • Rácz, A., László, K. & Klébert, S. Qualitative and quantitative chemometric modelling of nanostructured carbon samples based on infrared spectroscopy. Carbon N. Y. 218, 118743 (2024).
  • Rácz, A., Tátraaljai, D. & Klébert, S. Determination of melt flow index and polymer additives in polyethylene based on IR spectra and multivariate modeling. Mater. Today Chem. 33, 101671 (2023).

QSAR/QSPR modellezés 

A gyógyszertudomány területén a klasszikus QSAR/QSPR (kvantitatív szerkezet-hatás/tulajdonság összefüggés) modellek gépi tanulásos optimálásával foglalkozunk, pl. különböző fehérje célpontokon történő aktivitás vagy akár kromatográfiásan mérhető retenciós idő predikciójára. Ezen modellekhez a bemenő adatkészletet mindig a molekulák szerkezetét leíró tulajdonságok (pl. molekulatömeg, logP) vagy egyéb reprezentációk (pl. molekuláris ujjlenyomat) jelentik. Az algoritmusok problémaspecifikus összehasonlításával és a mesterséges intelligencián alapuló modellezés különböző szegmenseinek elemzésével is foglalkozunk.

  • Rácz, A., Bajusz, D. & Héberger, K. Multi-Level Comparison of Machine Learning Classifiers and Their Performance Metrics. Molecules 24, 2811 (2019).
  • Rácz, A., Bajusz, D., Miranda-Quintana, R. A. & Héberger, K. Machine learning models for classification tasks related to drug safety. Mol. Divers. 25, 1409–1424 (2021).
  • Rácz, A., Bajusz, D. & Héberger, K. Effect of Dataset Size and Train/Test Split Ratios in QSAR/QSPR Multiclass Classification. Molecules 26, 1111 (2021).
  • Orosz, Á., Héberger, K. & Rácz, A. Comparison of Descriptor- and Fingerprint Sets in Machine Learning Models for ADME-Tox Targets. Front. Chem. 10, 852893 (2022).
  • Rácz, A., Vincze, A., Volk, B. & Balogh, G. T. Extending the limitations in the prediction of PAMPA permeability with machine learning algorithms. Eur. J. Pharm. Sci. 188, 106514 (2023).

Rangsorolási lehetőségek 

A többtényezős döntéselemzés támogatására módszereket fejlesztettünk pl. a rangszámkülönbségek összegén alapuló módszert (SRD). A molekulák hasonlóságát és adatbázisok különbözőségét jobban kifejező, kiterjesztett hasonlósági indexeket definiáltunk. A rangsorok összevetésére alkalmas módszereink legszélesebb körben használhatók: a sportolók teljesítményének előrejelzésétől, rovarok élelmiszerként történő felhasználhatóságán át a kromatográfiás oszlopok megválasztásig. Az egyetemek rangsorának 46 tényezős elemzése érdekes, a kulturális, (ill. információs) szokások sajátosságait feltáró eredményekre jutottunk.

  • Kollár-Hunek, K. & Héberger, Method and Model Comparison by Sum of Ranking differences in Cases of Repeated Observations. (Ties) Chemometr. Intell Lab. Syst. 127, 139-146 (2013).
  • Miranda-Quintana, R. A. Bajusz, D., Rácz, A., & Héberger K. Extended similarity indices: the benefits of comparing more than two objects simultaneously. Part 1: Theory and characteristics J. Cheminform. 13, 32 (2021) 
  • Miranda-Quintana, R. A., Bajusz, D., Rácz, A., Héberger, K. Extended similarity indices: the benefits of comparing more than two objects simultaneously. Part 2: speed, consistency, diversity selection. J. Cheminform. 13, 33 (2021) 
  • Gere, A., Szakál, D., & Héberger, K: Multiobject optimisation of National Football League drafts. Comparison of teams and experts. Applied Sciences 12, 6303 (2022).
  • Gere, A., Radványi, D., & Héberger, K. Which insect species can best be proposed for human consumption? Innov. Food Sci. Emerging Technol. 52, 358-367 (2019).
  • Andrić, F., & Héberger, K. How to compare separation selectivity of high-performance liquid chromatographic columns properly? J. Chromatogr. A 1488, 45-56 (2017).
  • Abonyi, J., Ipkovich, A., Dörgő, G., & Héberger, K., Matrix factorization-based multiobjective ranking–What makes a good university? PLoS ONE 18, e0284078 (2023).

Katalizátor készítés

Informatikai hátteret dolgoztak ki, amely egy saját fejlesztésű optimalizáló algoritmusból (a Holografikus Kutatási Stratégia – Holographic Research Strategy – HRS), egy másik optimalizáló algoritmusból (Genetikus Algoritmus – Genetic Algorithm – GA), és adatkinyerő algoritmusokból (Mesterséges Neurális Hálózatok – Aritficial Neural Networks – ANNs; Részleges Legkisebb Négyzetek – Partial Least Square – PLS) áll. A HRS-t összekapcsolták az ANN-nel valamint a PLS-sel, amivel a többdimenziós kísérleti terek 2 dimenziós ábrázolását úgynevezett holografikus térképeken hajtották végre. A 2D megjelenítés lehetővé teszi, hogy a katalizátorkészítés változóinak (összetétel, előállítási körülmények) függvényében ábrázoljuk a katalitikus teljesítményt (aktivitás, szelektivitás), s ezzel az optimális kísérleti területeket azonosítsuk.

  • Tompos A , Margitfalvi JL , Végvári L , Hagemeyer A , Volpe T , Brooks CJ: Visualization of Large Experimental Space Using Holographic Mapping and Artificial Neural Networks. Benchmark Analysis of Multicomponent Catalysts for the Water Gas Shift Reaction. TOPICS IN CATALYSIS 53:(1-2) pp. 100-107. (2010)
  • Végvári L , Tompos A , Gőbölös S , Margitfalvi JL: Holographic research strategy for catalyst library design. Description of a new powerful optimisation method. CATALYSIS TODAY 81:(3) pp. 517-527. (2003)
  • Tompos A , Margitfalvi JL , Tfirst E , Végvári L: Information mining using artificial neural networks and „holographic research strategy“. APPLIED CATALYSIS A-GENERAL 254:(1) pp. 161-168. (2003)
  • Tompos A , Végvári L , Tfirst E , Margitfalvi JL: Assessment of predictive ability of artificial neural networks using holographic mapping. COMBINATORIAL CHEMISTRY & HIGH THROUGHPUT SCREENING 10:(2) pp. 121-134. (2007)
  • Tompos A , Margitfalvi JL , Tfirst E , Végvári L: Evaluation of catalyst library optimization algorithms: Comparison of the Holographic Research Strategy and the Genetic Algorithm in virtual catalytic experiments APPLIED CATALYSIS A-GENERAL 303:(1) pp. 72-80. (2006)
  • Tompos A , Margitfalvi JL , Tfirst E , Héberger K: Predictive performance of „highly complex” artificial neural networks APPLIED CATALYSIS A-GENERAL 324: pp. 90-93. (2007)
  • Tompos A , Margitfalvi JL , Tfirst E , Végvári L , Jaloull MA , Khalfalla HA , Elgarni MA: Development of catalyst libraries for total oxidation of methane – A case study for combined application of „holographic research strategy and artificial neural networks” in catalyst library design. APPLIED CATALYSIS A-GENERAL 285:(1-2) pp. 65-78. (2005)
  • Tompos A , Margitfalvi JL , Szabo EGy , Végvári L: Combinatorial Design of Al2O3 Supported Au Catalysts For Preferential CO Oxidation TOPICS IN CATALYSIS 53:(1-2) pp. 108-115. (2010)
  • Tompos A , Hegedűs M , Margitfalvi JL , Szabó EGY , Végvári L: Multicomponent Au/MgO catalysts designed for selective oxidation of carbon monoxide – Application of a combinatorial approach. APPLIED CATALYSIS A-GENERAL 334: pp. 348-356. (2008)
  • Szijjarto GP, Tompos A, Margitfavi JL: High-throughput and combinatorial development of multicomponent catalysts for ethanol steam reforming. APPLIED CATALYSIS A-GENERAL 391:(1-2) pp. 417-426. (2011)
  • Mestl G , Margitfalvi JL , Végvári L , Szijjártó GP , Tompos A: Combinatorial design and preparation of transition metal doped MoVTe catalysts for oxidation of propane to acrylic acid. APPLIED CATALYSIS A-GENERAL 474: pp. 3-9. (2014) 12.     Tompos A, Sanchez-Sanchez M, Végvári L, Szijjártó GP, Margitfalvi JL, Trunschke A, Schlögl R, Wanninger K, Mestl G: Combinatorial optimization and synthesis of multiple promoted MoVNbTe catalysts for oxidation of propane to acrylic acid. CATALYSIS TODAY, 363 pp. 45-54. (2021)

Akkumulátorok fejlesztése

Az akkumulátorok fejlesztése, elsősorban a határfelületek, funkcionális anyagok szerkezete, elektrokémiailag aktív komponensek, elektrokémiai öregedés területein releváns az MI használata, csökkentve a kísérletekre fordítandó fizikai erőforrások mennyiségét. Továbbá környezetvédelmi és EHS területen nagyon értékes információhoz juthatunk, amennyiben a mesterséges intelligencia segítségével előrejelezzük, hogy a Li-ion akkumulátorok kémiai összetételétől, az akkumulátorok alkalmazási körülményeitől függően milyen kémiai átalakuláson mennek keresztül az akkumulátor komponensek és ezek közül mely kémiai anyagok lehetnek potenciálisan környezetre és egészségre károsak, melyek a használt akkumulátorok tárolása és később ipari méretű újrahasznosítása során alapvetően meghatározhatja az alkalmazandó technológiát.

Kémiai és bioszenzorok fejlesztése

Komoly alkalmazási lehetőségei vannak a mesterséges intelligenciának, ezen belül gépi tanulásnak, a különböző kémiai és bioszenzorok fejlesztése területén, mind a hordozható orvosi alkalmazásokban, mind az élelmiszerbiztonsági platformok fejlesztésében. Elektrokémiai érzékelés esetében gépi tanulási algoritmusok szimulált elektrokémiai adatokon képezhetők ki a kísérleti eredmények további elemzéséhez. Komplex geometriák, nanostruktúrált szerkezetek modellezése fizikai módszerekkel jól definiálható felületeken alapulhat.

Reakciókinetikai modellek automatizált megállapítása

Több ígéretes mesterséges intelligencia alapú módszert javasoltak reagáló rendszerek kinetikai viselkedésének megtanulására és gyorsított modellezésére. A legsikeresebb módszer fiktív köztitermékek feltételezésén keresztül, ún. Kémiai Reakció Neurális Hálózat (Chemical Reaction Neural Network) felépítésével, automatizált módon állapítja meg a rendszer viselkedését visszaadó, minimális méretű modellt. Kutatásainkban többek között ezt a módszert alkalmazzuk pontos égéskinetikai modellek egyszerűsítésére, és ezáltal sokkal gyorsabb és pontosabb áramlásdinamikai szimulációk lesznek végezhetők, ami nagyban elősegítheti hatékonyabb és alacsonyabb kibocsátású tüzelőberendezések tervezését.

  • Nagy T., Tóth J., Tamás Ladics: Automatic kinetic model generation and selection based on concentration versus time curves, Int. J. Chem. Kinet. 52, 109-123 (2020)
  • Ji W. and Deng S.: Autonomous Discovery of Unknown Reaction Pathways from Data by Chemical Reaction Neural Network, J. Phys. Chem. A 125, 1082–109 (2021)