Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Построение QSPR-моделей. QSPR-моделирование проводили с использованием<br />
QSAR программ EMMA (см. раздел 8.1) и NASAWIN (см. раздел 8.2).<br />
При работе с программой EMMA сначала рассчитывали все фрагментные (максимальный<br />
размер фрагментов до 6 атомов) и два дополнительных дескриптора<br />
(см. ниже), далее формировали обучающую и контрольную выборки, и на основе<br />
пошаговой регрессии и предварительного отбора из групп взаимно скоррелированных<br />
(R>0.9) дескрипторов тех, которые наилучшим образом коррелируют<br />
с моделируемым свойством, строили QSPR-модели.<br />
Прежде всего, мы решили повторить результаты работы [268], но с использованием<br />
фрагментных дескрипторов. Полученные данные приведены в<br />
Табл. 4 (стр. 165). Прежде чем перейти к обсуждению и сравнению литературных<br />
и полученных нами данных, отметим, что авторы работы [268] использовали<br />
в качестве дескрипторов спектральные моменты топологической<br />
матрицы связей и, самое главное, рассматривали алифатические и ароматические<br />
структуры по отдельности. При этом QSPR-модель [268] для алифатических<br />
структур имела следующие статистические характеристики: R 2 (коэффициент<br />
детерминации) = 0.960, s (стандартное отклонение) = 6.06 (10 -6 единиц),<br />
среднеквадратичная ошибка на прогнозе 8.49 (10 -6 единиц).<br />
Табл. 4. Статистические характеристики QSPR-моделей для магнитной восприимчивости<br />
(в 10 -6 единиц)<br />
Модель База Обучающая выборка Контрольная выборка<br />
N дескр R 2 s R 2 прогн MAE прогн<br />
1 1 4 0.937 7.63 0.949 7.50<br />
2 1 4 0.943 7.30 0.984 4.17<br />
3 1 4 0.982 4.14 0.985 4.56<br />
4 2 3 0.871 6.79 0.948 6.28<br />
5 2 6 0.989 1.99 0.934 6.58<br />
6 2 6 0.987 6.48 0.937 8.41<br />
7 2 8 0.991 5.44 0.931 7.87<br />
8 3 7 0.985 4.99 0.934 7.02<br />
Для построения модели 1 (Табл. 4) на основе фрагментных дескрипторов<br />
мы использовали обучающую и контрольную выборки алифатических струк-<br />
165