На Ð¿Ñ€Ð°Ð²Ð°Ñ Ñ€ÑƒÐºÐ¾Ð¿Ð¸ÑÐ¸

ко, эта разница всегда оказывается значительно меньшей, чем погрешность
нейросетевой модели. Следовательно, при осуществлении прогноза по такой
нейросетевой модели для нового соединения необходимо сделать прогнозы для
всех копий соединения и результирующие значения усреднить.
Пример 1. Блокаторы кальциевых каналов L-типа. В этом примере
рассматривается применение концепции обучаемой симметрии к изучению количественных
соотношений «структура-активность» для принадлежащих к 1,4-
дигидропиридиновому ряду блокаторов кальциевых каналов L-типа (II).
R5
R4
R3
R6
R2
H 3
COOC
COOCH 3
H 3
C N
H
CH 3
II
Данные по биологической активности были взяты со статьи [353]. Ранее
эти данные уже были обработаны с использованием констант заместителей в
качестве дескрипторов и линейного регрессионного анализа для получения статистической
модели [354], однако оценки прогнозирующей способности построенной
модели в этой работе сделано не было. В работе [353] в дополнение
к константам заместителей в качестве дескрипторов были использованы еще и
топологические индексы, а для построения количественной модели «структураактивность»
была применена искусственная нейронная сеть в комбинации с
факторным анализом для предобработки дескрипторов. Прогнозирующая способность
полученной нейросетевой модели оказалась в этой работе не очень
высокой (хотя и значительно лучшей по сравнению с линейно-регрессионной
моделью, построенной на том же наборе дескрипторов): наилучшее значение
коэффициента корреляции 0.733, а наименьшая среднеквадратичная ошибка
прогноза 1.019 логарифмических единиц.
В нашем исследовании исходная выборка, состоящая из 46 соединений,
была расширена в 2 раза за счет добавления копий соединений с переставлен-
137