Machine learning-based inverse design for electrochemically controlled microscopic gradients of O2 and H2O2.

Chen, Yi; Wang, Jingyu; Hoar, Benjamin B; Lu, Shengtao; Liu, Chong

Machine learning-based inverse design for electrochemically controlled microscopic gradients of O₂ and H₂O₂.

Chen, Yi; Wang, Jingyu; Hoar, Benjamin B; Lu, Shengtao; Liu, Chong.

Afiliación

Chen Y; Department of Chemistry and Biochemistry, University of California, Los Angeles, CA 90095.
Wang J; Department of Chemistry and Biochemistry, University of California, Los Angeles, CA 90095.
Hoar BB; Department of Chemistry and Biochemistry, University of California, Los Angeles, CA 90095.
Lu S; Department of Chemistry and Biochemistry, University of California, Los Angeles, CA 90095.
Liu C; Department of Chemistry and Biochemistry, University of California, Los Angeles, CA 90095.

Proc Natl Acad Sci U S A ; 119(32): e2206321119, 2022 08 09.

Article en En | MEDLINE | ID: mdl-35914135

Asunto(s)

Microambiente Celular; Electroquímica; Peróxido de Hidrógeno; Aprendizaje Automático; Oxígeno; Peróxido de Hidrógeno/análisis; Peróxido de Hidrógeno/metabolismo; Oxígeno/análisis; Oxígeno/metabolismo; Especies Reactivas de Oxígeno/metabolismo

Palabras clave

O2 and H2O2 microenvironments; inverse design; microwire array; neural networks; spatiotemporal heterogeneity

Texto completo

Imprimir

XML

PubMed Links

Buscar en Google

Texto completo: 1 Colección: 01-internacional Banco de datos: MEDLINE Asunto principal: Oxígeno / Electroquímica / Microambiente Celular / Aprendizaje Automático / Peróxido de Hidrógeno Idioma: En Revista: Proc Natl Acad Sci U S A Año: 2022 Tipo del documento: Article

Texto completo

Imprimir

XML

PubMed Links

Buscar en Google