Innovations often play an essential role in the acceleration of the new functional materials discovery. The success and applicability of the synthesis results with new chemical compounds and materials largely depend on the previous experience of the researcher himself and the modernity of the equipment used in the laboratory. Artificial intelligence (AI) technologies are the next step in developing the solution for practical problems in science, including the development of new materials. Those technologies go broadly beyond the borders of a computer science branch and give new insights and practical possibilities within the far areas of expertise and chemistry applications. One of the attractive challenges is an automated new functional material synthesis driven by AI. However, while having many years of hands-on experience, chemistry specialists have a vague picture of AI. To strengthen and underline AI’s role in materials discovery, a short introduction is given to the essential technologies, and the machine learning process is explained. After this review, this review summarizes the recent studies of new strategies that help automate and accelerate the development of new functional materials. Moreover, automatized laboratories’ self-driving cycle could benefit from using AI algorithms to optimize new functional nanomaterials’ synthetic routes. Despite the fact that such technologies will shape material science in the nearest future, we note the intelligent use of algorithms and automation is required for novel discoveries.

The filamentous fungus Ascobolus immersus represents an eukaryotic model organism to study genetic phenomena linked to DNA methylation. Following our previous characterization of a gene, masc1 from A. immersus, encoding the 'de novo' C5-DNA-methyltransferase (MTase), we report here the identification of a second MTase gene, masc2. The deduced peptide sequence of Masc2 is similar to previously identified eukaryotic MTases and distinct from Masc1 by having a large N-terminal domain in addition to the ubiquitous C-terminal catalytic domain. Following cloning of the gene, Masc2 was overexpressed and purified. Masc2 shows MTase activity with double stranded DNAs. Structural and biochemical properties of Masc2 suggest that it may function as a 'maintenance' MTase. With this finding, A. immersus represents so far the only eukaryotic organism in which two possibly synergistically operating MTases have been identified.

No abstract

No abstract

No abstract

1 Самарский национальный исследовательский университет имени академика С.П. Королева, Самара, Россия, 2 Институт систем обработки изображений РАН -филиал ФНИЦ «Кристаллография и фотоника» РАН, Самара, Россия Аннотация Статья посвящена разработке информационной технологии раннего распознавания видов сельскохозяйственных культур по набору космических снимков на территориях масштаба реги-она. Раннее распознавание проводится в первой половине посевного сезона и характеризуется нехваткой наземных и космических данных для настройки алгоритмов распознавания. Предла-гаемая в статье технология позволяет генерировать обучающую выборку по данным прошлых лет и использовать её для распознавания культур текущего года. Технология состоит их двух этапов. На первом этапе по данным за прошедшие годы формируются модели временных рядов, сельскохозяйственных культур и агросезонов. На втором этапе производится работа с данными текущего года. Сначала по немногочисленному набору опорных полей с известным видом куль-туры выбирается подходящая модель агросезона, близкая к развитию культур в текущем году, а затем по характеристикам модели агросезона генерируется обучающая выборка и выполняется распознавание культур текущего сезона. В статье оценивается качество распознавания с исполь-зованием предлагаемой информационной технологии и возможность её применения на терри-тории региона. Для экспериментальных исследований используются данные за 2011 -2015 го-ды, полученные на территории Самарской области.Ключевые слова: распознавание сельскохозяйственных культур, космические снимки, вегетационные индексы, временные ряды, NDVI, алгоритм вычисления оценок, модель временного ряда. ВведениеВ настоящее время использование данных ди-станционного зондирования (далее -ДДЗ) Земли ста-ло привычным инструментом для решения широкого круга научно-производственных задач [1]. Активное использование космических снимков обусловлено их разнообразием: съемка оптико-электронными и ра-дарными системами предоставляет данные с широ-кими интервалами пространственного и временного разрешений. Сельское хозяйство также является сфе-рой активного развития и внедрения методов, осно-ванных на использовании спутниковых данных -раз-рабатываются и используются методы оценки и рас-познавания типов и границ посевов [2], прогнозиро-вания урожайности [3], оценки степени эрозии почвы и множества других важных задач.Данная статья посвящена распознаванию видов сельскохозяйственных (далее -с/х) культур по кос-мическим снимкам. Актуальность данной задачи не вызывает сомнений. Результаты распознавания при-меняются для учета и контроля использования сель-скохозяйственных земель со стороны региональных органов агропромышленного комплекса (далее -АПК) и сельхозтоваропроизводителей (далее -с/х производителей), контроля севооборота, выявления неиспользуемых земель в течение ряда лет, а также контроля использования субсидий путем выявления расхождений данных мониторинга с декларируемыми с/х производителями данными [4, 5].При распознавании с/х культур чрезвычайно важ-но получить результаты ...

No abstract

No abstract