Juan Emanuel López Cervantes

@23_imeliz Excelente trabajo!

🔎 FragmentFinder (Preview): A tool to detect functional groups or molecular fragments! 💡 You can explore structures to predict properties and reveal reactivity patterns by QSAR modeling and machine learning. #Python #Bioinformatics #Cheminformatics #DrugDiscovery #QSAR

@maykcaldas @LatinXChem Trabajaremos arduamente para liberar el programa en estos próximos meses, tendrá su propio articulo

@1JELC1 @LatinXChem I see. Gotcha. Is there a github repo where you host the code and is the study preprinted?

Hi @LatinXChem, presenting my work ‘DFT-ChemDescriptors: Una herramienta para el cálculo de descriptores cuánticos y su aplicación en QSAR’ at #LatinXChem24 #LatinXChemComp #Comp178 @LatinXChem #DFT #QSAR

@maykcaldas @LatinXChem Además, también realiza la validación estadística de los modelos, realiza Leave-One-Out, Leave-Multiple-Out y la validación externa con una tabla de otros datos o con un porcentaje % de datos de la tabla original. Entonces resulta ser mas eficiente que QSARINS

@1JELC1 @LatinXChem Yes, I didn't mean to include other models in your software, but just show how your model's performance is relative to other works. Is your model the state-of-the-art(SOTA)? If not, what are the advantages it has to make me want to use it instead of the SOTA?

@lrincon66 @LatinXChem Hola Luis, gracias por tu pregunta. El programa calcula los descriptores y también tiene el módulo para generar los modelos QSAR (segunda imagen). La ventaja es la generación de una amplia gama de descriptores que incluyen los cuánticos locales; atómicos y de enlace usando DFT

@1JELC1 @LatinXChem Hola Juan, excelente trabajo. Por lo que entiendo la herramienta que desarrollaron en este momento solo calcula los descriptores. Que ventajas podrías mencionar comparado con otras herramientas similares.

@maykcaldas @LatinXChem con el objetivo de mantener la interpretabilidad y simplicidad del modelo. No realicé una comparación directa con estos modelos más avanzados, ya que quería proporcionar una herramienta con facilidad de interpretación, lo cual es crucial en el contexto de la química computacional

@1JELC1 @LatinXChem - Also, I see that you report that other methods usually get a R2 of ~0.5. But did further compare your model with other baselines? A simple graph neural network using classical features can achieve an accuracy of 0.7. While transformer-based models can go as high as 0.9

@maykcaldas @LatinXChem Gracias por tu observación. Tienes razón en que los modelos que mencionas han demostrado un rendimiento superior en tareas de predicción QSAR. Mi enfoque en este trabajo fue desarrollar modelos basados en descriptores moleculares clásicos y regresiones lineales múltiples,

@maykcaldas @LatinXChem Hola. Gracias por tu interés y tu pregunta (: Mi set de datos de Toxicidad en fenoles con la que ejemplifiqué el uso del programa proviene de la Referencia [2]

@1JELC1 @LatinXChem Hello Juan! Nice work. I always sympathize with people writing software :) - What dataset are the labels for your fenols from?

@fersaldivar11 @LatinXChem Hola Usando Gaussian obtiene los archivos de salida .chk y con Open Babel los puede transformar en .fchk

@chago_16_ @LatinXChem Hola, Gracias por tu interés en el programa. Estamos trabajando arduamente para finalizar y optimizar todas las funcionalidades. Esperamos poder lanzarlo al público en diciembre. Si quieres estar al tanto de las novedades puedes seguirme y seguirnos en: github.com/qcuaeh