排序方式: 共有6条查询结果,搜索用时 0 毫秒
1
1.
提出了一种查找化合物中立体中心的算法 ,通过该算法可以找到和确认化合物中由于不对称碳和碳碳双键等产生的所有的立体中心。 相似文献
2.
提出了一种查找化合物中立体中心的算法,通过该算法可以找到和确认化合物中由于不对称碳和碳碳对键等产生的所有的立体中心。 相似文献
3.
以二进制编码描述苯环型化合物分子在二维空间的形状,所得到的编码能够区分二维平面上一对苯环型化合物对映体。由于对映体的二进制编码不同,基于化合物和其镜像的编码计算得到了海明距离,并以其表征1对对映体的定量手性程度。以28对周长为22的手性苯环型化合物对映体为实例,计算苯环型化合物的定量手性程度,其结果仅仅有2个数值,分别为海明距离4和6。具有不同形状的该类化合物很多,为了提高分辨率,分别计算了窗口宽度从1~16时的海明距离,并分别以其来代表定量手性程度。结果显示全部16个窗口的海明距离的加和具有最大的区分能力,共得到17种海明距离。如果将每一窗口的细节引入到计算中,并采用类似的方法计算,则实例中所有的28个苯环型化合物实现了完全的区分,所得到的定量手性程度的区分能力是令人满意的。本研究证明如果用适当的编码来描述二维空间中分子的边界,能够解决分子形状的定量表征。尽管本文的二进制编码衍生于平面系统的苯环型化合物,并以其描述分子的边界来进行手性程度的测量,但是,原则上同样的方法可以应用到所有二维平面上的形状描述。 相似文献
4.
为了采用计算方法研究手性化合物,为了通过结构.活性相关性研究预测与手性有关的性质,本文提出了采用σ和π的残余电负性之和作为原子属性的构象独立手性指数.该手性指数衍生于原子径向分布函数,包含分子几何和原予属性的信息,能够区分对映体.将构象独立手性指数应用于1个包含48对手性氨醇对映体的数据集,该数据集为苯甲醛与二乙基锌发生加成反应的催化剂,每个催化剂均产生特定绝对构型的反应主产物.采用相向传输神经网络建立了手性氨醇催化剂的构象独立手性指数与反应主产物绝对构型的相关性模型,得到了满意的预测结果.对于独立的测试集,90.0%的催化剂被正确地预测;对于训练集,89.5%的催化剂被正确地识别. 相似文献
5.
6.
代替原子序数,采用有意义的属性,例如基团尺寸,来比较手性中心键连4个基团的大小,并通过各基团属性的排序判断手性中心的构型为类R/S。以所得到的新构型为基础,扩展了基于分子结构和距离矩阵的Am指数,提出了新的手性Am指数,以其与物化手性描述符相结合来表征一个分子的手性,并应用于脂化酶作为催化剂条件下,手性伯醇产物的立体选择预测以手性指数和Random Forests建立模型,通过交叉验证,能正确预测整个数据集的90%的对映异构体。 相似文献
1