Abstract
Purpose-made fingerprints are ideal to describe thermodynamic and optical properties of minimal eumelanin components with deep neural networks. Training the network with data from a machine learning potential reduces computational cost.
Daniel Bosch, Gopi Krishnan, Lluís Blancafort
Abstract
Authors
Institutions
No ROR-resolved institution is linked to this work yet.
Provenance
crossref
Confidence 100%
pubmed
Confidence 98%
europepmc
Confidence 96%
unpaywall
Confidence 95%
datacite
Confidence 0%
No local reference links have been materialized yet.
No local citing links have been materialized yet.
10.1021/ar500273y
10.1021/ar500273y · 2014
10.1111/pcmr.12393
10.1111/pcmr.12393 · 2015
10.1038/s42004-025-01731-8
10.1038/s42004-025-01731-8 · 2025
10.1063/1.2075147
10.1063/1.2075147 · 2005
10.1039/c9sc04527a
10.1039/c9sc04527a · 2020
10.1021/jacs.0c12322
10.1021/jacs.0c12322 · 2021
10.1002/anie.201914276
10.1002/anie.201914276 · 2020
10.1002/gch2.202000102
10.1002/gch2.202000102 · 2021
10.1016/j.polymer.2021.123952
10.1016/j.polymer.2021.123952 · 2021
10.1021/acs.chemrev.3c00858
10.1021/acs.chemrev.3c00858 · 2024
10.1016/j.celbio.2025.100214
10.1016/j.celbio.2025.100214 · 2025
10.1039/c8cp05037f
10.1039/c8cp05037f · 2018
10.1039/c6sc04692d
10.1039/c6sc04692d · 2017
10.1038/ncomms4859
10.1038/ncomms4859 · 2014
10.1021/acs.jpca.7b01110
10.1021/acs.jpca.7b01110 · 2017
Unresolved referenced work
2021
10.1021/acs.jpcb.7b05123
10.1021/acs.jpcb.7b05123 · 2017
10.1039/c5cp06767g
10.1039/c5cp06767g · 2016
10.1021/acs.jpclett.6b03012
10.1021/acs.jpclett.6b03012 · 2017
10.1021/acs.jpcb.6b01793
10.1021/acs.jpcb.6b01793 · 2016
10.1038/s41557-023-01175-4
10.1038/s41557-023-01175-4 · 2023
10.1039/d4sc08610d
10.1039/d4sc08610d · 2025
10.1002/anie.202106289
10.1002/anie.202106289 · 2021
10.1016/b978-0-12-409547-2.12345-5
10.1016/b978-0-12-409547-2.12345-5 · 2017
Unresolved referenced work
2003
10.1039/d2sc02461f
10.1039/d2sc02461f · 2022
10.1039/d5sc00046g
10.1039/d5sc00046g · 2025
10.1039/d3cc06137j
10.1039/d3cc06137j · 2024
10.1002/jcc.70038
10.1002/jcc.70038 · 2025
10.1021/acs.accounts.5c00120
10.1021/acs.accounts.5c00120 · 2025
10.1016/j.cplett.2004.06.011
10.1016/j.cplett.2004.06.011 · 2004
10.1063/1.475855
10.1063/1.475855 · 1998
10.1039/d4sc08572h
10.1039/d4sc08572h · 2025
10.1039/d5sc02802g
10.1039/d5sc02802g · 2025
10.1038/s41467-019-10827-4
10.1038/s41467-019-10827-4 · 2019
10.1038/s41467-021-27340-2
10.1038/s41467-021-27340-2 · 2021
10.1039/c6sc05720a
10.1039/c6sc05720a · 2017
10.1021/acs.jpclett.3c00014
10.1021/acs.jpclett.3c00014 · 2023
10.1021/acs.jctc.3c00054
10.1021/acs.jctc.3c00054 · 2023
10.1002/bkcs.12516
10.1002/bkcs.12516 · 2022
10.1038/s41570-021-00278-1
10.1038/s41570-021-00278-1 · doi-reference
10.48550/arxiv.2011.14115
10.48550/arxiv.2011.14115 · doi-reference
10.1088/1367-2630/15/9/095003
10.1088/1367-2630/15/9/095003 · doi-reference
10.1002/bkcs.12468
10.1002/bkcs.12468 · doi-reference
10.1021/acs.jcim.0c00698
10.1021/acs.jcim.0c00698 · doi-reference
10.1021/acs.jctc.3c01203
10.1021/acs.jctc.3c01203 · doi-reference
10.1063/1.456153
10.1063/1.456153 · doi-reference
10.1103/physrev.46.618
10.1103/physrev.46.618 · doi-reference
10.1021/jp810292n
10.1021/jp810292n · doi-reference
10.1063/1.438955
10.1063/1.438955 · doi-reference
10.1021/ci010132r
10.1021/ci010132r · doi-reference
10.1021/ci050413p
10.1021/ci050413p · doi-reference
10.1021/ci100050t
10.1021/ci100050t · doi-reference
10.1021/acs.jcim.1c01449
10.1021/acs.jcim.1c01449 · doi-reference
10.1063/1.4928757
10.1063/1.4928757 · doi-reference
10.1039/d1tc03256a
10.1039/d1tc03256a · doi-reference
10.1021/acs.jcim.2c01662
10.1021/acs.jcim.2c01662 · doi-reference
10.1021/acs.jpcc.0c00329
10.1021/acs.jpcc.0c00329 · doi-reference