Post #110

Предсказание свойств флуоресцентных красителей Органические флуорофоры играют ключевую роль в различных областях, включая фармацевтику, производство красителей и пигментов, оптоэлектронику, изготовление светодиодов (OLED), светособирающих молекулярных антенн и органических солнечных элементов, экологические приложения, криптографию, биовизуализацию и создание новых материалов. Спектральные свойства флуорофоров, такие как длины волн поглощения и испускания (λabs, λem), молярный коэффициент поглощения (ε) и квантовый выход люминесценции (Φ), имеют решающее значение для их применения. Точное предсказание этих свойств может существенно минимизировать экспериментальные усилия и облегчить предварительный отбор кандидатов для конкретных применений. Хотя вычислительные методы, такие как теория функционала плотности (DFT) и нестационарная DFT (TD-DFT), обеспечивают прогнозы оптических свойств, высокоуровневые ab initio вычисления для более точных и надежных результатов часто требуют много времени и вычислительных мощностей. В противовес этому, в последнее время машинное обучение (machine learning) и глубокое обучение (deep learning) стали эффективными альтернативами для быстрых и точных прогнозов. Ключевым шагом в подобных исследованиях является сбор, систематизация и представление в машиночитаемом формате экспериментальных данных. В недавно вышедшей работе исследователей из Китая (JCIM, 2025📕) сообщается о создании новой базы данных оптических свойств органических флуоресцентных красителей в различных растворителях (всего 36 756 пар краситель-растворитель), на основе которой авторам удалось разработать модель, способную одновременно предсказывать λabs, λem, ε и Φ с достаточно хорошей точностью. Исследователи создали приложение, Fluor-predictor (https://github.com/wenxiang-Song/fluor_pred ), с помощью которого можно пользоваться собранной базой и предсказывать оптические характеристики органических красителей.