MOL TECH

Õppetooli põnevad uurimis- ja arendusteemad otsivad motiveeritud järeldoktorante ja üliõpilasi (PhD, MSc, BSc), kes saavad osaleda nendega seotud projektide juures.

Peamised uurimishuvid hõlmavad järgmisi valdkondi:

• tehisintellekt ja masinõpe keemias
• keemiainformaatika
• raviainete disain ja omaduste uurimine
• materjalide andmeteadus
• arvutuslik toksikoloogia ja kemikaaliohutus
• kvant- ja arvutuskeemia

Täiendavalt saad uurida põhisuundadest eraldi lehel ja ka juba ilmunud teadustöödest.

Saatke huvi avaldused koos taotluse ja CV-ga prof. dr Uko Maran (uko.maran@ut.ee)

NB! Hetkel on võimalik konkreetset huvi avaldada kahe nooremteadur-doktorant positsiooni ja teema osas, mille mõlema indikatiivne algus on 1. september 2026 (võimalik on paindlikkus) ja kandideerimise tähtaeg on mais-juunis 2026.

Positsioon 1:

Kemikaalidest tuleneva ohu identifitseerimine tehisintellekti meetoditega

Traditsiooniliselt on kemikaalide riskihindamine tuginenud loomkatsetele. Kuid kasvavad eetilised ja majanduslikud kaalutlused on aga tinginud ülemineku uute lähenemisviiside (NAM – New Approach Methodologies) suunas, mis võimaldavad ennustada toksilisust in vitro ja arvutuslike meetodite abil. Tehisintellekti (AI) nähakse uue võimalusena arvutuslike NAM-ide rakendamisel, mis on kujunemas arvestatavaks tööriistakomplektiks kemikaalide omaduste hindamisel. Seetõttu on käesoleva doktoritöö peamiseks fookuseks tehisintellektil põhinevate meetodite rakendatavus endokriinsüsteemi häirivate kemikaalidest tuleneva ohu tuvastamisel. Uuringus kasutatakse mahukaid ja keemiliselt mitmekesiseid andmestikke, et modelleerida kemikaalide seondumist androgeeniretseptoritega. Teadustöö käsitleb molekulaarsete deskriptorite alternatiivseid AI-põhiseid esitusi, peamiselt spetsialiseeritud keelemudelitest ja süvanärvivõrkudest tuletatud SMILES-st tuletatud molekulaarseid tunnusvektoreid (embeddings), ning siirdeõpet (transfer learning) kvantitatiivsetes struktuur-aktiivsus sõltuvustes (QSAR), et parandada mudelite ennustusvõimet. Lisaks avaldatakse doktoriprojekti raames välja töötatud mudelid kooskõlas FAIR-põhimõtetega, et tagada nende kasutatavus nii teadusringkondade kui ka reguleerivate asutuste jaoks. Töö eesmärk on ühtlasi ka vähendada barjääri AI-tööriistade ja kemikaalide riskihindamise vahel, edendades tõhusat ja jätkusuutlikku kemikaaliohutust.

Positsioon 2:

Tehisintellekti meetodite rakendamine ioonsete vedelike omaduste analüüsiks ja modelleerimiseks

Ioonsed vedelikud pakuvad suurt huvi tööstusele ja teadusele, asendades traditsioonilisi kergesti lenduvaid orgaanilisi solvente ohutumate või paremate alternatiividega, seda nii sünteesi ja katalüüsi, elektrokeemia, kemikaalide eraldamise ja ekstraheerimise, analüütilise keemia, bio- ning materjali-tehnoloogiaga, ka elektroketrusega seotud rakendustes. Plaanitava doktoritöö teemaks on ioonsete vedelike süstemaatiline analüüs, keskendudes mitmekomponendiliste süsteemide modelleerimisega seotud probleemidele. Töö eesmärgiks on aidata mõista füüsikokeemiliste interaktsioonide mehhanisme kemikaalide lisamisel ioonsetesse vedelikesse ning modelleerida selliseid mehhanisme ja prognoosida nendest tulenevaid omadusi. Selleks kasutatakse in silico lähenemist, nagu tehisintellekti (AI) ja masinõpe. Need meetodid võimaldavad täita lünki kemikaalide kohta käivates andmetes, kui vastavad eksperimendi andmed on puudulikud või need puuduvad üldse. Kvantitatiivsete struktuur-omaduse sõltuvuste (QSPR) lähenemise uued väljakutsed tulenevad mõõdetud keemiliste ühendite struktuurse mitmekesisuse kasvust ning vajadusest hinnata uute keemiliste ühendite omadusi erinevates otsustusprotsessides. Samuti võimaldab metoodika peen-häälestada ioonsete vedelike omadusi konkreetsetele rakendustele, viies sisse modifikatsioone nende komponentide keemilises struktuuris. Kokkuvõttes hakkab see doktoritöö uurima kompleksseid seoseid ioonsete vedelike omaduste ja nende keemilise struktuuri vahel, mis lõpptulemusena jõuab uudsete lähenemisteni, mis võimaldavad disainida uusi ioonseid vedelikke.