Detalles

Categoría: BIOVIA

Publicado: 06 Noviembre 2024

Visto: 1697

• BIOVIA
• Discovery Studio
• BIOVIA Discovery Studio

La pregunta de qué debemos hacer a continuación ha desafiado al mundo del descubrimiento de fármacos durante décadas. Durante años, los métodos computacionales para el diseño de fármacos de moléculas pequeñas han ofrecido numerosos algoritmos y metodologías para ayudar a generar nuevas ideas y guiar el proceso iterativo de diseño y optimización de leads. Para un objetivo farmacológico en particular, estos métodos ayudan a identificar candidatos de alta calidad que eventualmente pueden avanzar al desarrollo clínico con menos experimentos y tiempo en el laboratorio. Desde los primeros días de la química combinatoria y el reemplazo bioisostérico hasta el diseño basado en ligandos, fragmentos y estructuras, ha habido muchas herramientas que aprovechan numerosos algoritmos que se adaptan a las limitaciones y criterios de diseño de su proyecto. Más recientemente, los algoritmos de IA y aprendizaje automático han sido populares para permitir a los investigadores explorar rápidamente más ideas en el espacio químico y proponer estructuras novedosas que un químico medicinal puede no haber considerado probar cuando busca nuevos medicamentos.

Hasta hace poco, las herramientas de diseño computacional para la bioterapéutica parecían requerir más experiencia, y ser más escasas y específicas de la aplicación en comparación con las herramientas que existen para la terapéutica de moléculas pequeñas. Por supuesto, existen algoritmos de diseño computacional disponibles, como el modelado de homología, el acoplamiento proteína-proteína y la mutagénesis de escaneo combinatorio para el modelado general de proteínas y el diseño de aglutinantes, que se utilizan en el descubrimiento y la optimización de pistas bioterapéuticas. Para el diseño de ciertos tipos de terapias biológicas, como los anticuerpos monoclonales, existen métodos como la maduración por afinidad, la humanización y los algoritmos de predicción de inmunogenicidad. Sin embargo, para ayudar a responder directamente qué variación de nuestro producto bioterapéutico deberíamos hacer y probar a continuación, dos métodos recientes de IA, RFDiffusion y ProteinMPNN, han cambiado totalmente la naturaleza del descubrimiento bioterapéutico. Estas herramientas tienen el potencial de cambiar la forma en que diseñamos bioterapéuticos al ayudar a identificar nuevos candidatos que los biólogos computacionales y moleculares pueden no haber considerado.

Generación de proteínas con IA: RFDiffusion y ProteinMPNN

RFDiffusion es un algoritmo de IA generativa de última generación que puede "difundir" una colección de aminoácidos en una estructura de proteína. El proceso de difusión comienza con una colección aleatoria y ruidosa de átomos y, a través de una serie de refinamientos controlados, el algoritmo realiza ajustes en la estructura para reducir el ruido y acercarse a una estructura de proteína biológicamente realista y funcional. Una analogía común para el proceso de difusión es revelar una foto a partir de una imagen borrosa; Los pasos de procesamiento iterativos pueden tomar una imagen granulada inicial y refinar el detalle y la claridad para producir una imagen clara final.

RFDiffusion se puede utilizar para una serie de diferentes desafíos de diseño bioterapéutico, como la ingeniería de un producto biológico que pueda unirse a una proteína viral para neutralizar el virus. Con estructuras de anticuerpos u otros sistemas proteína-proteína, RFDiffusion se puede utilizar para diseñar nuevos andamios de proteínas que puedan mejorar las afinidades de unión o mejorar la estabilidad de los socios de unión. RFDiffusion también se puede utilizar para generar terapias enzimáticas que pueden descomponer un sustrato específico para tratar trastornos metabólicos. Más allá de la bioterapia, RFDiffusion tiene potencial para ayudar a diseñar proteínas para aplicaciones industriales y biotecnológicas, como la fabricación de enzimas que catalizan reacciones químicas específicas o proteínas que se adaptan a condiciones muy específicas, como baja o alta temperatura, pH, etc.

ProteinMPNN es una red neuronal de última generación que puede predecir una o más secuencias de proteínas probables dada una estructura proteica. Este algoritmo se ha publicado con éxito en uno de los aspectos más críticos del diseño de secuencias de proteínas: generar secuencias que se pliegan en una proteína/péptido estable con propensión a cristalizar, lo que facilita la determinación de la estructura de estas proteínas. ProteinMPNN se puede utilizar junto con RFDiffusion para generar nuevos diseños de proteínas, como nuevas enzimas o anticuerpos, que se pueden evaluar más a fondo para determinar las propiedades deseadas, como la estabilidad, la actividad, la afinidad y la especificidad. Uno de los puntos fuertes de ProteinMPNN es su capacidad para generar múltiples variantes de secuencia. Esta capacidad es invaluable, ya que las diferentes variantes brindan más opciones para probar e identificar candidatos con el mejor rendimiento en términos de eficacia, seguridad y capacidad de fabricación. De igual manera, estas variantes también proporcionan pistas alternativas cuando los candidatos encuentran problemas imprevistos en la optimización de proteínas, durante la expresión de proteínas o desafíos de ADMET, como la solubilidad y la inmunogenicidad.

Juntos, RFDiffusion y ProteinMPNN amplían significativamente el espacio biológico que se puede explorar in silico antes de que los biólogos tengan que comprometerse con una experimentación física costosa y que requiere mucho tiempo. Tienen el potencial de abrir vías interesantes para flujos de trabajo más inteligentes, basados en modelos y datos, que impulsen la innovación en el diseño bioterapéutico.

Generación de proteínas con RFDiffusion y ProteinMPNN en la simulación de Discovery Studio

En BIOVIA Discovery Studio Simulation, un nuevo protocolo Generate Protein Scaffolds proporciona ahora un fácil acceso a los flujos de trabajo de RFDiffusion, el primero de los cuales es el andamiaje de motivos. Los usuarios pueden comenzar con una parte específica de una proteína existente (el motivo) y diseñar un andamio de proteína completamente nuevo que incorpore este motivo. Este enfoque permite un control preciso sobre las regiones funcionales de la proteína, así como un control sobre el diseño del andamiaje de la proteína, a través de diferentes pesos de modelo que se adaptan a proteínas y complejos particulares.


Un segundo protocolo nuevo, Generate Protein Sequences, permite a los usuarios acceder no solo a ProteinMPNN, donde pueden definir fácilmente los residuos de la secuencia para el diseño, sino también a los modelos LigandMPNN y SolubleMPNN. LigandMPNN es una extensión de ProteinMPNN que es capaz de considerar ligandos de proteínas, moléculas pequeñas, ácidos nucleicos e iones metálicos como contexto adicional para el diseño de secuencias, con el potencial de mejorar las propiedades químicas de las secuencias diseñadas. SolubleMPNN podría ser un mejor modelo para usar cuando la solubilidad de las proteínas es parte de sus criterios de diseño. Los usuarios pueden determinar el grado de diversidad de secuencias y la confianza deseada, como parte del diseño generativo, y tienen la capacidad de controlar el sesgo de aminoácidos particulares.


Estas dos nuevas e importantes mejoras son interesantes adiciones a las herramientas bioterapéuticas y de diseño de proteínas en Discovery Studio Simulation en el 3DEXPERIENCIA® en la nube, que ya incluye la predicción de estructuras AlphaFold y OpenFold AI. Amplían el arsenal cada vez mayor de potentes herramientas de IA para modeladores moleculares y biólogos para ayudar a responder a la pregunta de "qué hacer y probar a continuación" y acelerar el diseño racional de productos biológicos. En combinación con los métodos basados en la física existentes en Discovery Studio Simulation, los usuarios pueden explorar rápidamente muchas más posibilidades in silico antes de llegar al puñado final de candidatos que están listos para convertirse en un bioterapéutico comercial exitoso o un biológico para su uso en la agricultura, la alimentación y las bebidas, o las industrias medioambientales.

Premios Nobel de Química y Física

Los Premios Nobel de Química y Física de este año celebran cómo la IA está ampliando los límites de la investigación científica. John J. Hopfield y Geoffrey E. Hinton fueron galardonados con el Premio Nobel de Física por sus descubrimientos fundamentales en el aprendizaje automático con redes neuronales artificiales, mientras que David Baker, Demis Hassabis y John Jumper recibieron el Premio Nobel de Química por sus avances en el diseño computacional de proteínas y la predicción de su estructura.

En BIOVIA, estamos orgullosos de formar parte de esta revolución de la IA. Al integrar AlphaFold2, OpenFold, RFDiffusion y la familia de modelos ProteinMPNN en nuestra plataforma, dotamos a los investigadores de herramientas de vanguardia para la predicción de la estructura y el diseño de proteínas.

Vea el vídeo para obtener más información sobre cómo Discovery Studio Simulation ahora ayuda a los usuarios a generar productos biológicos novedosos con los modelos RFDiffusion y LigandMPNN.

¿Quieres saber más?

¡Preguntanos!

Detalles

Categoría: Systat Software

Publicado: 05 Noviembre 2024

Visto: 1557

Grafiti LLC, proveedor líder de software de análisis de datos científicos, anuncia el lanzamiento de SigmaPlot v16. Esta nueva versión permite a investigadores y científicos de todo el mundo desbloquear conocimientos más profundos a partir de sus datos.

SigmaPlot v16 ofrece un conjunto completo de herramientas para análisis, visualización y modelado estadístico de datos. Las características y mejoras clave de la versión 16 incluyen:

• Visualización de datos mejorada:
  
  • Gráficos de violín: visualiza distribuciones de datos con mayor precisión y detalle.
  • Gráficos de mariposa: compara conjuntos de datos uno al lado del otro para realizar análisis detallados.
• Manejo de datos mejorado:
  
  • Análisis de datos grandes: maneja y analiza conjuntos de datos más grandes con facilidad.
  • Macro de importación de Excel: agiliza la importación de datos desde múltiples hojas de cálculo de Excel.
• Análisis estadístico avanzado:
  
  • Bandas de confianza y predicción: Cuantifican la incertidumbre y modela predicciones con mayor precisión.
  • Barras de error: Visualiza la variabilidad y precisión de los datos para un análisis más sólido.

"SigmaPlot v16 permite a los investigadores desbloquear conocimientos más profundos a partir de sus datos", afirmó Shirish Tangirala, director de operaciones de Grafiti LLC. "Nuestro objetivo es proporcionar a los científicos e investigadores las herramientas que necesitan para acelerar su investigación e impulsar la innovación".

Detalles

Categoría: Minitab

Publicado: 04 Noviembre 2024

Visto: 1963

Por Joshua Zable.

Como profesional de la calidad, es probable que tenga gráficos y herramientas visuales a los que recurrir para analizar datos. Sin embargo, si no ha utilizado un diagrama de tallo y hojas desde la escuela, ¡es hora de refrescar la memoria! Este gráfico único es una herramienta valiosa para examinar la distribución de datos, identificar valores atípicos y más. Siga leyendo para descubrir cinco formas prácticas de incorporar diagramas de tallo y hojas en su análisis de calidad.

5 formas en que los ingenieros de calidad utilizan los diagramas de tallo y hojas

1. Visualizar la distribución de datos

Los gráficos de tallo y hojas ofrecen una manera sencilla de mostrar la distribución de datos para conjuntos de datos pequeños o medianos. Ya sea que esté evaluando la normalidad o detectando asimetrías, este gráfico proporciona una visión clara de los patrones de datos esenciales para un análisis de calidad.

2. Detecta rápidamente valores atípicos

Dividir los datos en “tallos” y “hojas” facilita la identificación de valores extremos que podrían significar variaciones del proceso, defectos o errores de medición.

3. Comparar conjuntos de datos de manera eficiente

Utilice gráficos de tallo y hojas para comparar lotes de producción o grupos de muestras. Esta vista en paralelo ayuda a evaluar la coherencia y detectar desviaciones en la calidad en los conjuntos de datos.

4. Evaluar la variación del proceso

Los diagramas de tallo y hojas revelan la dispersión de los puntos de datos, lo que facilita la evaluación de la variación del proceso. Esta información es clave para determinar si un proceso es estable o necesita mejoras.

5. Resumir los datos de inspección

Al tratar con resultados de inspección (por ejemplo, dimensiones del producto), los gráficos de tallo y hojas proporcionan una forma rápida de organizar e interpretar tendencias en el desempeño de la calidad, lo que ayuda a tomar mejores decisiones.

¿Quiere probar un diagrama de tallo y hojas en su próximo análisis? Pruebe este ejemplo en nuestro contenido de ayuda aquí y vea cómo Minitab facilita la incorporación de técnicas de visualización de datos que mejoran la información de calidad y generan mejores resultados.

Descubra información más detallada sobre la calidad con las herramientas de datos de Minitab

La incorporación de diagramas de tallo y hojas en su conjunto de herramientas de calidad proporciona una forma eficaz de interpretar la distribución de datos, detectar valores atípicos y optimizar el análisis de inspección. Con las soluciones de software integrales de Minitab, los profesionales de la calidad pueden acceder a herramientas de visualización y análisis estadístico robustas diseñadas para simplificar datos complejos y mejorar la confiabilidad del proceso. Ya sea que esté evaluando la variación, comparando conjuntos de datos o resumiendo métricas de calidad, Minitab permite tomar decisiones más basadas en datos y mejora sus iniciativas de ESG y calidad.

Detalles

Categoría: Signals ChemDraw

Publicado: 04 Noviembre 2024

Visto: 1398

• ChemDraw
• quimica
• Signals Notebook
• Revvity Signals Software
• Signals ChemDraw
• Revvity
• Signas Research

Transformación digital en la industria de productos químicos especializados

INTRODUCCIÓN

La innovación es crucial para el crecimiento sostenible a largo plazo en cualquier industria. Las tendencias recientes están impulsando a las empresas de productos químicos especializados y afines a reconsiderar sus modelos operativos de laboratorios de I+D. Los avances en tecnología e instrumentación, junto con las necesidades de los consumidores y el mercado, han alterado el statu quo, y el enfoque tradicional para el desarrollo de productos puede que ya no sea viable.

Con la enorme cantidad de cambios en la industria, el auge de las tecnologías digitales puede ayudar a las empresas a aplicar la toma de decisiones basada en datos, derivada de la ideación, la gestión de datos y el análisis, lo que puede acelerar los avances innovadores necesarios para mantenerse competitivos.

Todas las empresas químicas utilizan algunas tecnologías digitales, pero la mayoría lo hace de manera limitada y en silos para atender necesidades específicas. Las empresas líderes están avanzando hacia lo que se conoce como transformación digital, la adopción e integración de herramientas digitales en toda la operación de la organización. Esta transformación permite a las organizaciones satisfacer las necesidades del mundo con mejores productos ahora y en el futuro.

Un aspecto fundamental de la transformación digital es aprovechar las últimas tecnologías basadas en la nube en la investigación y el desarrollo (I+D). Sin esta transformación, el proceso de desarrollar nuevos productos es fragmentado, con investigadores trabajando de forma aislada, perdiendo tiempo buscando datos y, a menudo, repitiendo experimentos porque los resultados anteriores no están fácilmente accesibles. También enfrentan enormes desafíos para analizar grandes cantidades de datos experimentales y tomar decisiones acertadas.

Por el contrario, con las herramientas digitales más recientes, las empresas químicas pueden acelerar la innovación de productos a través de tres fases principales de investigación: Planear, gestión de datos y análisis, como se describe a continuación y en la Tabla 1.

• Planear: La tecnología avanzada y el software permiten a los químicos industriales aprovechar eficazmente los datos existentes de investigaciones internas y externas, procesar esos datos para formular hipótesis y planes experimentales para desarrollar nuevos productos.
• Gestión de datos: A medida que los investigadores realizan experimentos, las herramientas digitales avanzadas proporcionan acceso a todos los datos y herramientas en una sola interfaz y les permiten utilizar los datos de manera efectiva con características como la creación de plantillas y el etiquetado. Además, colaboran fácilmente con colegas, equipos y organizaciones en tiempo real.
• Análisis: Utilizando flujos de trabajo personalizables de procesamiento de datos que aprovechan el análisis estadístico, la minería de datos, el aprendizaje automático y la inteligencia artificial, los químicos pueden dar sentido a los datos multiparamétricos y adoptar enfoques matemáticamente rigurosos para las decisiones sobre productos, así como identificar posibles áreas futuras de crecimiento.

PLANEAR ¿Cómo crean los investigadores nuevos productos químicos? Las herramientas digitales permiten: Búsqueda de resultados experimentales anteriores y datos publicados en toda la organización Identificación rápida de posibles candidatos a productos Modelado computacional para reducir la necesidad de experimentos	GESTIÓN DE DATOS ¿Cómo registran y comparten los investigadores sus datos? Las herramientas digitales permiten: Archivo completo y consultable de historial y resultados experimentales Registro de datos eficiente y estandarizado mediante plantillas y catálogos de materiales e instrumentos Colaboración y compartición de datos en tiempo real en todo el mundo	ANÁLISIS ¿Cómo toman decisiones los investigadores en torno al desarrollo de productos? Las herramientas digitales permiten: Acceso sencillo a los datos e importación a través de silos de almacenamiento de datos y formatos de archivo Análisis eficiente de los datos mediante flujos de trabajo de procesamiento de datos personalizables que aprovechan el aprendizaje automático y la inteligencia artificial Análisis visual para evaluar rápidamente a los candidatos prometedores	PRODUCTO FINAL

La mejor gestión y análisis de datos, incluida la captura de datos de los consumidores sobre el uso y el rendimiento de los productos, pueden mejorar aún más el ciclo, creando el crecimiento e innovación sostenibles necesarios para satisfacer las cambiantes necesidades del mercado y las demandas de los consumidores.

Esta serie de artículos explora cómo la transformación digital en todo el proceso de desarrollo de productos puede llevar a un desarrollo más rápido mediante un mejor uso de los datos, la colaboración y el poder computacional. Al abordar cómo las herramientas digitales avanzadas pueden ayudar específicamente en cada paso del desarrollo de productos—ideación, gestión de datos y análisis—los químicos pueden comenzar a comprender los beneficios potenciales de la transformación digital completa para sus organizaciones y la industria.

Haz clic aquí para ver una DEMO interactiva

CAPÍTULO 1

Acelerando el paso de la lluvia de ideas al laboratorio

El universo de productos químicos es vasto y variado. Solo en Estados Unidos, la industria química produce decenas de miles de productos. Sin embargo, independientemente de lo que se esté fabricando, ya sea una pintura resistente al agua o un plástico biodegradable, cada producto nuevo o mejorado comienza con una idea.

Durante la fase de planteamiento, los investigadores evalúan los datos existentes para identificar productos potenciales con un uso final particular. También desarrollan una hipótesis comprobable y diseñan experimentos para analizar métricas específicas que ayuden a identificar el mejor candidato. Para obtener una mayor cuota de mercado y mayores beneficios, este trabajo debe realizarse rápidamente.

El proceso iterativo de decidir qué parámetros probar, cómo probarlos y en qué orden es la primera mitad de lo que se conoce como diseño de experimentos (DOE, por sus siglas en inglés); la segunda mitad consiste en realizar las pruebas. Las condiciones de prueba a menudo son multiparamétricas y pueden involucrar combinaciones de presión, temperatura, tiempo u otras métricas. Estos indicadores cuidadosamente seleccionados darán a los científicos una idea de cómo se desempeñarán los posibles productos bajo diversas condiciones relevantes para su uso final.

Históricamente, el DOE ha sido descrito más como un arte que como una ciencia. Durante el DOE, los expertos utilizan sus conocimientos sobre el producto y las técnicas de prueba disponibles para determinar de manera reflexiva qué conjunto de métricas y variaciones probar y en qué orden.

Sin embargo, los productos químicos, los materiales, las formulaciones y los mercados se han vuelto cada vez más complejos, y depender únicamente del poder de procesamiento humano ya no es un enfoque adecuado.

Un conjunto de herramientas digitales ampliado

El conjunto de herramientas digitales disponibles para los químicos ha crecido junto con el volumen y la diversidad de productos químicos. El químico actual puede aprovechar estas herramientas avanzadas para acelerar la fase de ideación del desarrollo. El acceso a datos almacenados de manera centralizada, habilitado por el almacenamiento en la nube, y el software que integra capacidades de búsqueda en la literatura, ayudan a los químicos a entender qué es lo que ya existe en su espacio químico.

"Las empresas podrían ser mucho más productivas en su investigación si aumentan sus recursos de tecnología digital".

— Tom Runge, químico de procesos y fundador de Runge Consulting

Al tener los datos existentes al alcance de la mano, los químicos pueden formular hipótesis y planes experimentales de manera más eficiente. Esto les permite dedicar menos tiempo a la planificación y más tiempo a concentrarse en los experimentos y en la identificación de candidatos.

Aprovechar los datos pasados para un mejor DOE

Tom Runge, un químico de procesos que fundó Runge Consulting, dice que integrar las últimas herramientas digitales en la ideación y planificación experimental es clave para acelerar la investigación. Ha comprobado que cuando los investigadores se concentran en realizar experimentos, una organización aumenta las posibilidades de que su producto llegue al mercado antes que la competencia.

Runge, quien trabajó en las industrias química y farmacéutica antes de iniciar su negocio de consultoría, observó que los investigadores que no utilizan herramientas digitales avanzadas pasan más tiempo revisando datos para realizar DOE en nuevos productos.

"Es preferible obtener la mayor cantidad de información de todos los experimentos realizados anteriormente que tratar de configurar nuevos desde cero"

"Las empresas podrían ser mucho más productivas en su investigación si aumentan sus recursos tecnológicos digitales"

.

Pero para obtener sabiduría de los experimentos pasados, los científicos deben poder acceder y evaluar el historial experimental. Se estima que el 55% de los datos almacenados por las organizaciones son datos oscuros, es decir, datos difíciles de acceder y que se dejan sin utilizar. Puede ser un proceso laborioso y que consume tiempo si los científicos tienen que recopilar manualmente los datos para encontrar la información química relevante.

Los investigadores pueden verse obligados a buscar en la literatura utilizando SciFinderⁿ o Google Scholar en un navegador, acceder a los datos experimentales pasados de sus cuadernos digitales en un servidor local, y enviarse correos electrónicos con colaboradores para intercambiar datos e ideas.

Adoptar herramientas digitales avanzadas significa que los investigadores no tienen que pasar tiempo buscando y ensamblando datos existentes. En su lugar, el software hace el trabajo por ellos.

El software inteligente ayuda a los investigadores a encontrar datos existentes y unificarlos, proporcionando recomendaciones y visualizaciones antes incluso de que comiencen a realizar un experimento. Esto puede ayudar a acelerar el tiempo de llegada al mercado, que siempre es uno de los objetivos más importantes del desarrollo de productos.

Consultas químicas fáciles

"¿Dónde están mis datos?"

Esa puede ser una de las primeras preguntas que los investigadores se hacen al inicio del proceso de planteamiento. Durante experimentos pasados, los investigadores pueden haber registrado estructuras químicas o reacciones utilizando software como ChemDraw® de Revvity Signals y luego haber copiado la estructura en otra aplicación, como Microsoft Word o PowerPoint, donde se almacena la información a largo plazo.

"Una vez que los datos están dentro de un documento de Microsoft Office, están esencialmente muertos y enterrados",

dice Pierre Morieux, gerente global de marketing de productos para Revvity Signals.

"Se requiere mucho esfuerzo o una muy buena memoria para que los investigadores los reutilicen o hagan algo significativo con ellos".

Los investigadores tendrían que localizar el archivo y la página con la información relevante y luego extraerla para su nuevo uso. Las herramientas enfocadas en la química, como ChemDraw, integradas en Signals Notebook, ayudan a acelerar el proceso de encontrar datos químicos.

"ChemDraw puede tomar esos dibujos químicos dispersos y ayudarlos a transformarlos en una base de datos de conocimiento químico fácilmente accesible", dice Morieux.

El programa extrae estructuras químicas e información relacionada de un documento, tal vez un archivo de Word o una presentación de PowerPoint, y las lleva al entorno de ChemDraw Collection sin tener que encontrar o abrir el documento original. Los dibujos químicos pueden seleccionarse, copiarse y pegarse en un nuevo documento o en ChemDraw para realizar más ediciones.


Los investigadores también pueden crear y gestionar listas personalizadas de moléculas basadas en propiedades definidas por el usuario. Por ejemplo, aquellos que desarrollan nuevos tintes sintéticos pueden agregar compuestos con ciertas propiedades, como la pigmentación, a listas específicas. Luego, pueden revisar rápidamente la colección de compuestos cuando buscan diseñar un tinte con propiedades de pigmentación específicas. Los registros y listas químicas pueden mantenerse y actualizarse en tiempo real, por lo que los investigadores cuentan con la base de datos más actualizada con la que trabajar.

"Esto permite a los investigadores reciclar, reutilizar y reaprovechar los datos químicos ya existentes sin tener que adivinar en qué documento están almacenados", dice Morieux.

El acceso fácil a los datos puede acelerar el proceso de ideación. Una vez que los científicos comprenden lo que se ha hecho, pueden comenzar a identificar qué productos químicos, formulaciones o materiales existentes tienen características que pueden cumplir con los requisitos del nuevo producto.

CASO PRÁCTICO

Acelerando la identificación de objetivos con herramientas digitales avanzadas

Con herramientas digitales que no están diseñadas específicamente para químicos, como Microsoft Excel, los investigadores podrían verse obligados a identificar y evaluar individualmente los conjuntos de candidatos para nuevos fungicidas u otros productos de protección de cultivos, lo que podría limitar el número de opciones que pueden explorar. Dependiendo del producto y su aplicación, el número de compuestos potenciales podría superar el que un ser humano puede evaluar y procesar en un tiempo razonable.

La empresa de agroquímicos identificó los siguientes desafíos para los químicos agrícolas:

• Los datos estaban fragmentados y eran difíciles de consultar, lo que hacía que la revisión de los datos fuera un proceso que consumía mucho tiempo durante la identificación de candidatos.
• A lo largo de la I+D, desde la selección de compuestos hasta la elaboración de informes, se utilizaban diversos software y herramientas digitales, lo que hacía que el proceso fuera discontinuo.
• Se necesitaban gráficos que visualizaran y comunicaran efectivamente los datos químicos para identificar los candidatos prometedores.
• Para abordar estos desafíos, la empresa decidió incorporar la solución de análisis de datos Signals Inventa, parte del conjunto Signals Research Suite, en su flujo de trabajo de I+D. El acceso a datos basado en la nube, facilitado por Signals Data Factory, un componente adicional de almacenamiento, permitió un acceso y consulta rápidos de datos almacenados tanto interna como externamente. Esto permitió a los investigadores acceder rápidamente a datos experimentales pasados, estructuras químicas y reacciones en una sola interfaz.

Para identificar mejor los candidatos a productos prometedores a partir de datos experimentales pasados, los investigadores utilizaron Signals Inventa, que incorpora análisis de datos y visualización habilitados por Spotfire®, un potente motor de análisis de datos científicos con licencia exclusiva de Revvity Signals. El líder de I+D que dirigía el proyecto describió la plataforma como "consulta de datos impulsada por pruebas de manera fácil", con la capacidad de filtrar por pruebas, datos o proyectos específicos; buscar por estructuras químicas o criterios de actividad; y analizar resultados en tiempo real.

Las visualizaciones de datos químicos ayudaron a los investigadores a reducir aún más la selección del panel de pruebas identificando tendencias en los datos pasados. Por ejemplo, utilizaron la técnica de análisis conocida como descomposición de grupos R (Figura 3) para comprender mejor las relaciones estructura-función en el contexto de su química. En este análisis, una estructura central—un esqueleto—se utiliza como consulta de búsqueda para identificar todas las moléculas químicas que contienen esa estructura esquelética. Los brazos químicos que se extienden desde el esqueleto en distintos sitios de unión, los grupos R, pueden identificarse, analizarse y correlacionarse con propiedades químicas y físicas determinadas a partir de experimentos anteriores. De esta manera, los químicos pueden descomponer un panel de estructuras químicas para comprender qué grupos R y patrones de unión pueden proporcionar las características deseadas para un nuevo producto.

Esto permite a los científicos agrícolas comenzar con un gran panel de posibles agentes de protección y reducirlo a un subtipo específico, como fungicidas, y luego concentrarse en las características químicas específicas necesarias para la nueva aplicación. De esta manera, los investigadores pueden utilizar sus datos pasados para comprender mejor qué moléculas candidatas potenciales podrían ser exitosas.

¿Quieres conocer más beneficios sobre la introducción de la transformación digital en la industria química?

¡Mantente atento!

Detalles

Categoría: Comsol

Publicado: 04 Noviembre 2024

Visto: 1329

Introducción/Objetivo

Los sistemas de almacenamiento de energía térmica sensible (TES) [1] que utilizan agua como medio de almacenamiento tienen gran aplicación en el sector de la calefacción. El estudio de Krüger et al. [2] publicado en la revista Journal of Energy Storage de la editorial Elsevier investiga, utilizando COMSOL Multiphysics® la relación de aspecto de un tanque de TES (definida como la relación entre la altura y el diámetro del tanque de almacenamiento) afecta la eficiencia del almacenamiento de energía, la estratificación térmica y el rendimiento exergético.

Modelización

La Figura 1 muestra el esquema del modelo bidimensional y axisimétrico desarrollado en COMSOL Multiphysics de un TES de 4 300 m3 [3], y también de sus condiciones de contorno. El modelo incorpora ecuaciones las ecuaciones de conducción de calor en las partes sólidas (aislamientos y paredes) sin generación de calor, y las ecuaciones de Navier-Stokes para el agua, considerada como fluido incompresible y considerando convección natural. El enfoque bidimensional y axisimétrico de COMSOL permite reducir el coste computacional y simular el comportamiento del tanque TES durante las fases de carga, descarga y reposo. Se estudiaron de aspecto entre 1 y 4 para analizar sus efectos, por ejemplo, en la distribución de temperatura.

Resultados/Conclusiones

Las simulaciones mostraron que, al aumentar la relación de aspecto, en general, se mejora la estratificación térmica, pero también aumentan las pérdidas de calor debido a una mayor área superficial. La estructura del flujo del agua que entra al tanque por la parte superior se define principalmente por su temperatura, como se muestra en la Figura 2 (a). La Figura 2 (b) muestra el campo de temperatura dentro de todo el almacenamiento transcurridas 16 horas y 45 minutos. Las flechas indican la dirección y la magnitud del flujo del fluido dentro del almacenamiento. El movimiento descendente de la inversión térmica cerca de la línea central es claramente visible en la parte superior del tanque.

Este artículo pone de manifiesto el potencial COMSOL Multiphysics® como herramienta para modelizar, simular numéricamente y optimizar el diseño sistemas de almacenamiento de energía térmica.

Figura 1. Representación esquemática del modelo numérico y sus condiciones de contorno.

Figura 2. (a) Magnitud de la velocidad del flujo en m/s y líneas de corriente cerca del difusor radial superior del tanque durante el proceso de carga. (b) Campo de temperatura en °C en el tanque después de 16 horas y 45 minutos. Las flechas indican la dirección y la magnitud del flujo del fluido dentro del almacenamiento. La flecha más grande corresponde a una magnitud de velocidad de 1.2 cm/s.

Referencias

[1] L. Miró, J. Gasia, L.F. Cabeza. Thermal energy storage (TES) for industrial waste heat (IWH) recovery: A review. Applied Energy (2016) 179, 284-301.
[2] B. Krüger, F. Dammel , P. Stephan. Investigating the aspect ratio’s influence on the exergetic performance and thermocline dynamics of a large water-based thermal energy storage system. Journal of Energy Storage 91 (2024) 112058.
[3] ENTEGA AG. https://www.entega.ag

Detalles

Categoría: Maple

Publicado: 04 Noviembre 2024

Visto: 1201

Maplesoft anuncia el lanzamiento de actualizaciones para sus productos MapleSim 2024 y Maple 2024, además de una próxima actualización para Maple Flow 2024 en pocos días.

Los detalles de estas actualizaciones se encuentran a continuación:

Actualizaciones de MapleSim y Maple

La actualización de MapleSim 2024.2 incluye mejoras en la biblioteca hidráulica incorporada, MapleSim CAD Toolbox y el complemento MapleSim Web Handling Library, así como actualizaciones de compatibilidad con otros complementos y MapleSim Insight. Hay más información sobre esta versión disponible en MapleSim 2024.2 release notes..

La actualización de mantenimiento de Maple 2024.2 incluye mejoras en la interfaz, la exportación/impresión de PDF, el motor matemático y más.

Ambas actualizaciones están disponibles para los clientes a través de los mecanismos integrados de Verificar actualizaciones (Check for Updates), que se activarán en breve, y desde la sección de descargas del sitio web de Maplesoft.

Maple Flow

Maple Flow 2024.2 se lanzará a principios de noviembre. Esta actualización aumentará la facilidad y flexibilidad para introducir valores en Maple Flow, incluidas asignaciones de variables sencillas a través de listas desplegables y más formas de introducir unidades. Los detalles estarán disponibles en la página Maple Flow release notes en el sitio web de Maplesoft a principios de noviembre.

Esta actualización estará disponible en la sección descargas del sitio web de Maplesoft. Una vez que se haya publicado, Maplesoft enviará una comunicación por correo electrónico a todos los clientes de Maple Flow 2024 para informarles sobre esta actualización y cómo obtenerla.