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.
более точного прогнозирования самых разнообразных свойств органических и<br />
металлоорганических соединений. Кроме специального дизайна самих дескрипторов,<br />
основанного на иерархической классификации типов атомов, эта<br />
цель была достигнута путем введения «выделенных» атомов, благодаря которым<br />
фрагментные дескрипторы удалось распространить на прогнозирование<br />
локальных свойств атомов в органических соединениях, кинетических констант<br />
органических реакций, физических свойств полимеров, а также на количественное<br />
прогнозирование биологической активности внутри рядов соединений.<br />
Кроме того, при помощи «выделенных» атомов можно преодолеть один из недостатков<br />
большинства фрагментных дескрипторов – игнорирование стереохимической<br />
информации.<br />
Для преодоления другого недостатка фрагментных дескрипторов – проблемы<br />
«редких фрагментов» - нами разработаны «псевдофрагментные» дескрипторы,<br />
значения которых формируются путем комбинирования свойств<br />
атомов внутри фрагментов. Совместное использование фрагментных и псевдофрагментных<br />
дескрипторов обычно ведет к заметному повышению прогнозирующей<br />
способности построенных моделей за счет эффективной аппроксимации<br />
вкладов отсутствующих в обучающей выборке фрагментов. Кроме того,<br />
идея псевдофрагментных дескрипторов явилась отправной при разработке специальных<br />
архитектур нейронных сетей, позволяющих строить прямые корреляции<br />
между структурой химического соединения и его свойствами без предварительного<br />
вычисления каких-либо дескрипторов – нейронная сеть сама строит<br />
внутри себя наиболее оптимальные псевдофрагментные дескрипторы.<br />
Дальнейшему повышению универсальности нейросетевым количественных<br />
моделей «структура-свойство» и повышению точности осуществляемого<br />
ими прогноза служат предложенные в данной работе «интегрированные» подходы:<br />
1) концепция построения моделей «структура-условия-свойство; 2) концепция<br />
построения моделей «структура-свойство» для многокомпонентных<br />
систем; 3) многоуровневый подход и многозадачное обучение как средства<br />
объединения различных моделей «структура-свойство» в единую сеть.<br />
11