23/12/2025
¡Muy feliz de compartir nuestra última publicación en de la ! 📄🤖 Una investigación realizada en la .
Hemos desarrollado un modelo de consenso basado en Redes Neuronales Artificiales (ANN) para predecir perfiles completos de separación enantiomérica. 🧪✨ Utilizando la columna Lux Cellulose-1 de , este enfoque de "IA asistida" permite seleccionar las condiciones óptimas de fase móvil de forma in silico, reduciendo drásticamente el ensayo y error en el laboratorio. ¡Un paso más hacia una química analítica más verde y eficiente! 🌍🔬
---
Thrilled to share our latest research published in ()! 📄🤖 Work carried out at .
We’ve developed an ANN-consensus model to predict full enantioseparation profiles in chiral HPLC. Using Lux Cellulose-1 column, this AI-assisted approach allows for in silico mobile phase selection, significantly reducing lab trial-and-error and reagent consumption. A step forward for greener and smarter analytical workflows! 🌍🔬
🔗 Link: https://pubs.acs.org/doi/10.1021/acs.analchem.5c06117
Phenomenex LuxCellulose1 Research Science UV UniversitatDeValencia QuímicaAnalítica Investigación
19/12/2025
The "Smart Lab" Paradigm: Prediction vs. Experimentation. 🧬💻
In chiral liquid chromatography, selecting the optimal stationary and mobile phases has historically been a major experimental bottleneck, being both time- and resource-intensive. At GAMM-CyBAR, we are overcoming this limitation.
Our current research integrates Artificial Intelligence directly into the analytical workflow. We are developing Intelligent Recommendation Systems (IRS) based on consensus neural networks to predict enantioresolution in silico.
It’s not just about faster analysis; it’s about designing methods smarter and more sustainably.
El paradigma del "Smart Lab": Predicción frente a Experimentación. 🧬💻
En la cromatografía líquida quiral, la selección de la fase estacionaria y móvil ha sido históricamente un cuello de botella experimental, consumiendo tiempo y recursos. En GAMM-CyBAR, estamos superando esta limitación.
Nuestra investigación actual integra la Inteligencia Artificial en el flujo de trabajo analítico. Desarrollamos Sistemas de Recomendación Inteligente (IRS) basados en redes neuronales de consenso que predicen la enantioresolución in silico.
No se trata solo de analizar más rápido, sino de diseñar métodos de forma más inteligente y sostenible.
19/12/2025
Somos el Grupo de Análisis Multivariante y Multicomponente - Calidad y Bioanálisis de Alto Rendimiento (GAMM-CyBAR), un equipo de investigación multidisciplinar del Departamento de Química Analítica de la Universitat de València (UV).
GAMM-CyBAR es reconocido por su amplia trayectoria en el desarrollo de metodologías para la separación de enantiómeros de compuestos quirales, así como en la evaluación de sistemas cromatográficos y electroforéticos destinados al estudio farmacológico, toxicológico y ecotoxicológico de xenobióticos. Nuestra labor destaca también en la modelización de parámetros cromatográficos y la caracterización de interacciones moleculares.
En la vanguardia de la innovación química, nuestras investigaciones actuales se centran en el desarrollo de herramientas basadas en Inteligencia Artificial para la modelización predictiva de la enantioresolución en cromatografía líquida quiral, redefiniendo la eficiencia en el diseño de métodos analíticos.
10/07/2024
Nuestro último paper "Intelligent Recommendation Systems Powered by Consensus Neural Networks: The Ultimate Solution for Finding Suitable Chiral Chromatographic Systems?" publicado en Analytical Chemistry. https://doi.org/10.1021/acs.analchem.4c02656
10/07/2024
Somos el Grupo de Análisis Multivariante y Multicomponente - Calidad y Bioanálisis de Alto Rendimiento (GAMM-CyBAR), un equipo de investigación multidisciplinar del Departamento de Química Analítica de la Universitat de València (UV).
GAMM-CyBAR es reconocido por su amplia trayectoria en el desarrollo de metodologías para la separación de enantiómeros de compuestos quirales, así como en la evaluación de sistemas cromatográficos y electroforéticos destinados al estudio farmacológico, toxicológico y ecotoxicológico de xenobióticos. Nuestra labor destaca también en la modelización de parámetros cromatográficos y la caracterización de interacciones moleculares.
En la vanguardia de la innovación química, nuestras investigaciones actuales se centran en el desarrollo de herramientas basadas en Inteligencia Artificial para la modelización predictiva de la enantioresolución en cromatografía líquida quiral, redefiniendo la eficiencia en el diseño de métodos analíticos.
