Assessment of machine learning and group contribution solvation parameter model descriptors for model retention in reversed-phase liquid chromatography and gas chromatography
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
• Modelling SoluteML and SoluteGC evaluated for RPLC and GC. • SoluteML estimated descriptors fit better than SoluteGC for chromatographic systems. • SoluteML and SoluteGC descriptors are not interchangeable with WSU descriptors. Abraham's solvation parameter model is a valuable tool for modelling reversed-phase liquid chromatography and gas chromatography systems. Except for the solute descriptor McGowan's characteristic volume, V, the remaining solute descriptors E, S, A, B, and L of the solvation parameter model are experimentally determined. Estimation approaches, machine learning, and group contribution methods are two alternatives to experimental approaches to estimating solute descriptors. In this work we evaluated the applicability of solvation parameter model solute descriptors estimated using machine learning and group contribution methods. Overall solute descriptors estimated using the machine learning approach fit better than solute descriptors estimated using the group contribution method for both reversed-phase liquid chromatography and gas chromatography systems studied in this work. For the studied methanol-water binary solvent system on a Luna C18(2) stationary phase model, coefficient of determination ranged from 0.982 to 0.953 when using machine learning estimated descriptors, whereas with group contribution estimated descriptors, models ranged between 0.923 and 0.943. For the studied gas chromatography models, coefficient of determination ranged from 0.995 to 0.987 when using machine learning estimated descriptors, whereas with group contribution estimated descriptors ranged between 0.941 and 0.977. However, both machine learning and group contribution descriptors did not fit in models as well as experimentally determined reference WSU descriptors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle