ISBN: 9789999328432 - pyrazines et perception olfactive: chimie, modélisation moléculaire et perspectives industrielles: approche chimique et computationnelle des pyrazines: perception olfactive et valorisation industrie (15 resultados)

Condición: New.

Paperback or Softback. Condición: New. Pyrazines et Perception Olfactive: Chimie, Mod�lisation Mol�culaire et Perspectives Industrielles. Book.

Condición: As New. Unread book in perfect condition.

Condición: New.

Paperback. Condición: Brand New. 113 pages. French language. 6.00x0.26x9.00 inches. In Stock.

Condición: As New. Unread book in perfect condition.

Condición: New.

PAP. Condición: New. New Book. Shipped from UK. THIS BOOK IS PRINTED ON DEMAND. Established seller since 2000.

PAP. Condición: New. New Book. Delivered from our UK warehouse in 4 to 14 business days. THIS BOOK IS PRINTED ON DEMAND. Established seller since 2000.

Condición: New. Print on Demand.

Condición: New. Print on Demand.

Condición: New. PRINT ON DEMAND.

Taschenbuch. Condición: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Dans cette étude, une approche intégrée combinant des méthodes 2D-QSPR, 3D-QSPR, Monte Carlo et apprentissage automatique a été déployée pour modéliser la relation structure-odeur de 78 composés odorants dérivés de la 1,4-pyrazine, dans le but de guider rationnellement la conception de nouveaux arômes à usage alimentaire. Les modèles 2D-QSPR, en particulier HQSPR/BC, ont présenté une excellente qualité d'ajustement avec un Q _LOO = 0,832 et un R = 0,916. Du côté des modèles 3D-QSPR, CoMSIA/SEH a fourni des performances robustes (Q = 0,624 ; R _CV = 0,590 ; R _nonCV = 0,932 ; R _bootstrap = 0,963), tandis que le modèle Topomer CoMFA/SE a obtenu R _training = 0,899 et R _test = 0,916, démontrant sa bonne capacité de généralisation. En parallèle, la méthode Monte Carlo, appliquée à des descripteurs SMILES optimisés, a permis de générer un modèle TF2 fiable, avec R _entrainement = 0,957 et R _test = 0,834, évalué à l'aide des indices d'idéalité et de contradiction de la corrélation. Par ailleurs, plusieurs algorithmes de machine learning ont été testés, et les meilleurs résultats ont été obtenus avec les modèles Extra Trees (ET), Random Forest (RF) et Bagging (Bag), qui ont démontré une excellente capacité prédictive sur les données de test, avec respectivement R = 0,814, 0,802 et 0,784, accompagnés de faibles erreurs RMSE de 0,816, 0,841 et 0,878. Ces modèles ont surpassé d'autres approches comme XGBoost, LightGBM ou Decision Tree, souvent sujets à un surapprentissage ou à une dispersion élevée en test. L'ensemble de ces modèles a permis la conception rationnelle de 36 nouvelles molécules odorantes, dont les niveaux d'activité ont été prédits. Ces composés ont ensuite été évalués par docking moléculaire vis-à-vis de la Porcine Odorant Binding Protein (pOBP), utilisant la 2-isobutyl-3-méthoxypyrazine comme ligand de référence, suivis d'analyses ADME/Tox pour estimer leur profil pharmacocinétique et de simulations de dynamique moléculaire pour vérifier la stabilité des complexes ligand-récepteur. Ces résultats fournissent une base solide et innovante pour la découverte de nouvelles entités odorantes à valeur ajoutée, combinant sélectivité, stabilité et propriétés.…

Paperback. Condición: new. Paperback. Dans cette etude, une approche integree combinant des methodes 2D-QSPR, 3D-QSPR, Monte Carlo et apprentissage automatique a ete deployee pour modeliser la relation structure-odeur de 78 composes odorants derives de la 1,4-pyrazine, dans le but de guider rationnellement la conception de nouveaux aromes a usage alimentaire. Les modeles 2D-QSPR, en particulier HQSPR/BC, ont presente une excellente qualite d'ajustement avec un Q2_LOO = 0,832 et un R2 = 0,916. Du cote des modeles 3D-QSPR, CoMSIA/SEH a fourni des performances robustes (Q2 = 0,624; R2_CV = 0,590; R2_nonCV = 0,932; R2_bootstrap = 0,963), tandis que le modele Topomer CoMFA/SE a obtenu R2_training = 0,899 et R2_test = 0,916, demontrant sa bonne capacite de generalisation. En parallele, la methode Monte Carlo, appliquee a des descripteurs SMILES optimises, a permis de generer un modele TF2 fiable, avec R2_entrainement = 0,957 et R2_test = 0,834, evalue a l'aide des indices d'idealite et de contradiction de la correlation. Par ailleurs, plusieurs algorithmes de machine learning ont ete testes, et les meilleurs resultats ont ete obtenus avec les modeles Extra Trees (ET), Random Forest (RF) et Bagging (Bag), qui ont demontre une excellente capacite predictive sur les donnees de test, avec respectivement R2 = 0,814, 0,802 et 0,784, accompagnes de faibles erreurs RMSE de 0,816, 0,841 et 0,878. Ces modeles ont surpasse d'autres approches comme XGBoost, LightGBM ou Decision Tree, souvent sujets a un surapprentissage ou a une dispersion elevee en test. L'ensemble de ces modeles a permis la conception rationnelle de 36 nouvelles molecules odorantes, dont les niveaux d'activite ont ete predits. Ces composes ont ensuite ete evalues par docking moleculaire vis-a-vis de la Porcine Odorant Binding Protein (pOBP), utilisant la 2-isobutyl-3-methoxypyrazine comme ligand de reference, suivis d'analyses ADME/Tox pour estimer leur profil pharmacocinetique et de simulations de dynamique moleculaire pour verifier la stabilite des complexes ligand-recepteur. Ces resultats fournissent une base solide et innovante pour la decouverte de nouvelles entites odorantes a valeur ajoutee, combinant selectivite, stabilite et proprietes. This item is printed on demand. Shipping may be from our UK warehouse or from our Australian or US warehouses, depending on stock availability.…

Taschenbuch. Condición: Neu. Pyrazines et Perception Olfactive | Chimie, Modélisation Moléculaire et Perspectives Industrielles | Mohamed Ouabane | Taschenbuch | Französisch | 2025 | Eliva Press | EAN 9789999328432 | Verantwortliche Person für die EU: Libri GmbH, Europaallee 1, 36244 Bad Hersfeld, gpsr[at]libri[dot]de | Anbieter: preigu Print on Demand. …