Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
между структурами органических соединений и их физико-химическими свойствами<br />
(QSPR) и биологической активностью (QSAR).<br />
Несмотря на широкое использование искусственных нейросетей для получения<br />
зависимостей структура – свойство, до настоящего времени не существовало<br />
универсального программного комплекса, реализующего все необходимые<br />
этапы построения моделей и позволяющего исследователям-химикам комплексно,<br />
с учетом особенностей работы со структурной информацией, применять<br />
методологию нейронных сетей. Именно разработка такого программного<br />
комплекса, реализующего универсальную методологию построения моделей,<br />
предназначенных для количественного прогнозирования разнообразных свойства<br />
органических соединений на базе сочетания многослойных нейронных сетей<br />
и фрагментных дескрипторов, а также его апробация на различных примерах,<br />
и составляла важнейшую задачу диссертационной работы.<br />
Следует отметить, что на период начала работы отсутствовало понимание<br />
основных принципов работы с нейронными сетями для построения<br />
QSAR/QSPR-моделей. В частности, не было ясно, как лучше всего предотвращать<br />
«переучивание» нейросетей, как объективно оценивать прогнозирующую<br />
способность полученных моделей, а также как эффективно отбирать дескрипторы<br />
для их построения, как их использовать для определения области применимости<br />
моделей. Кроме того, в рамках методологии QSAR/QSPR практически<br />
не предпринималось попыток учета влияния внешних условий (таких, например,<br />
как температура, давление, концентрация вещества, наличие и свойства<br />
того или иного растворителя и т.п.) на исследуемые свойства, а также прогнозировать<br />
свойства многокомпонентных систем. Не было также ясно, как применять<br />
аппарат нейронных сетей в сочетании с техникой молекулярного моделирования.<br />
Кроме того, ранее не существовало методов, позволяющих давать<br />
понятную химикам интерпретацию нейросетевым регрессионным моделям. На<br />
эти и ряд других важных вопросов, связанных с применением нейросетей для<br />
построения QSARQSPR-моделей, дан ответ в данной работе.<br />
Следующая важная часть работы связана с разработкой универсального<br />
набора фрагментных дескрипторов, которые могли бы служить для как можно<br />
10