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.
держащий матрицу значений дескрипторов (т.е. числа вложений каждого из<br />
фрагментов в каждую из структур).<br />
5.2. Примеры прогнозирования физико-химических свойств органических соединений<br />
с использованием фрагментных дескрипторов и линейнорегрессионных<br />
моделей<br />
Описанные выше фрагментные дескрипторы впервые были нами предложены<br />
в 1990-1991 г. [356, 357] и запрограммированы в виде дескрипторного<br />
блока FRAGMENT (см. раздел 8.3), который вошел в состав программных комплексов<br />
EMMA (см. раздел 8.1) и NASAWIN (см. раздел 8.2). В наших работах<br />
фрагментные дескрипторы себя проявили как очень эффективные инструменты<br />
для построения моделей, позволяющих прогнозировать разнообразные свойства<br />
органических соединений. В частности, как показано ниже на примере прогнозирования<br />
поляризуемости химических соединений (см. подраздел 5.2.1) и<br />
энтальпии образования алифатических полинитросоединений (см. подраздел<br />
5.2.2), они, в сочетании с аппаратом множественной линейной регрессии, являются<br />
очень удобным средством автоматического создания аддитивных схем<br />
расчета физико-химических свойств. В подразделах от 5.2.3 до 5.2.7 приведен<br />
цикл работ (сделанных в соавторстве с Н.И.Жоховой), в которых предложенные<br />
фрагментные дескрипторы, в сочетании с аппаратом множественной линейной<br />
регрессии, успешно использованы для прогнозирования нескольких видов<br />
физико-химических свойств органических соединений, которые лишь с<br />
очень большим трудом либо вообще не поддаются расчету при помощи методов<br />
квантовой химии и молекулярного моделирования. Отметим, что во всех<br />
случаях нами были построены модели, превышающие по качеству все, опубликованные<br />
ранее в литературе. В следующей главе диссертации будет также показано,<br />
что замена множественной линейной регрессии на аппарат искусственных<br />
нейронных сетей ведет к дальнейшему улучшению прогнозирующей способности<br />
полученных моделей.<br />
158