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.
ных орбиталей азота в высшую занятую молекулярную орбиталь HOMO. Подобным<br />
же образом может быт объяснено отрицательно значение M xy для E HOMO<br />
и X O , причем его меньшее значение (по сравнению с X N ) может быть объяснено<br />
разницей в электроотрицательности между азотом и кислородом, ведущей к<br />
меньшей вовлеченности атомных орбиталей кислорода в систему π-<br />
электронную систему сопряжения в молекуле красителя. По аналогии, большее<br />
значение M xy для E HOMO и X CC может быть объяснено прямым вовлечением<br />
двойной связи C=C в сопряжение, тогда как меньшее значение M xy для E HOMO и<br />
X CCC можно объяснить отсутствием сопряжения между группой C(CH 3 ) 2 и π-<br />
электронной системой в молекуле красителя.<br />
Из приведенного выше рассмотрения можно сделать вывод, что получаемая<br />
при анализе нейросетевой модели интерпретация вполне согласуется с основными<br />
физическими принципами теории поглощения света.<br />
Таким образом, при использовании статистических характеристик, описывающих<br />
распределение получаемых нейронной сетью значений частных<br />
производных переменных, соответствующих свойствам/активностям химических<br />
соединений, по отношению к переменным, соответствующим значениям<br />
дескрипторов, возможно извлечь из набора данных не только такую же информацию<br />
(например, о влиянии дескрипторов на свойства/активности), что и<br />
«традиционные» статистические подходы (например, методы линейного регрессионного<br />
анализа), но и получить дополнительную ценную информацию о<br />
нелинейном характере зависимостей структура-свойство и структураактивность.<br />
Подобная информация является уникальной, поскольку ее крайне<br />
затруднительно извлечь из набора данных как с использованием параметрических<br />
методов статистики (в которых тип нелинейности «зашит» в используемые<br />
параметрические уравнения), так и при помощи непараметрических подходов<br />
(которые довольно плохо аппроксимируют распределения частных производных).<br />
В то же время, ценность подобной информации несомненна.<br />
Таким образом, искусственные нейронные сети больше не являются<br />
«черными ящиками», не поддающимися интерпретации. Напротив, при исполь-<br />
128