На Ð¿Ñ€Ð°Ð²Ð°Ñ Ñ€ÑƒÐºÐ¾Ð¿Ð¸ÑÐ¸

лей приведен в работе [355]): все опубликованные модели построены только на
небольших подмножествах использованного в нашей работе набора соединений
(коэффициенты корреляции варьируются от 0.79 для выборки из 26 соединений
до 0.97 для выборки из 10 соединений), и ни в одной из работ не оценивалась
прогнозирующая способность моделей на контрольной выборке.
Как и в предыдущем случае, все вычислительные эксперименты были повторены
для разных разбивок исходных соединений на обучающую и контрольные
выборки, и во всех случаях качественные результаты совпали.
Выводы. Нами предложен подход (концепция обучаемой симметрии),
позволяющий осуществлять построение количественных моделей «структураактивность»
в рамках основанного на параметрах заместителей «классического»
подхода для однородных наборов химических соединений с симметричных
общим скелетом, позволяющий обходиться без произвольных симметрических
функций от констант заместителей. Нейронная сеть в этом случае обучается на
только воспроизводить зависимость биологической активности от значений дескрипторов,
но и воспроизводить необходимые свойства симметрии в количественных
соотношениях «структура-активность». Следует также отметить, что
разработанная методология применима не только к «классическому» подходу,
основанному на использовании констант заместителей в качестве дескрипторов:
она применима к любому исследованию, в котором требуется аппроксимировать
количественную зависимость «структура-свойство» или «структураактивность»
для симметрично построенных химических систем (при небольшом
порядке группы симметрии). Таким образом, концепция обучаемой симметрии
позволяет улучшать прогнозирующую способность количественных
нейросетевых моделей «структура-активность» и «структура-свойство» за счет
использования дополнительной информации о свойствах симметрии этих соотношений.
141