На Ð¿Ñ€Ð°Ð²Ð°Ñ Ñ€ÑƒÐºÐ¾Ð¿Ð¸ÑÐ¸

0,935; s = 0,76 кДж·моль -1 ; F = 139,5; s ск = 0,89 кДж·моль -1 ; RMSE ск = 0,83
кДж·моль -1 :
-∆µ 0 = -0.49 + 2.19 Fr1 – 1.03 Fr2 – 1.01 Fr3 – 0.56 Fr4 + 3.13 Fr5 + 0.21 Fr6 + 0.11
Fr7 + 0.85 Fr8 + 0.45 Fr9 + 1.10 Fr10 (1)
Где R 2 обуч. = 0, 954; Q 2 = 0,937; s = 0,70 кДж·моль -1 ; F = 139,5; s ск = 0,82
кДж·моль -1 ; RMSE ск = 0,76 кДж·моль -1 ;
Fr1/С Ar ― N, Fr2/С sp3― N 3 sp ― С, Fr3/HС Ar ÷C Ar ― NH 2 , Fr4/RС Ar ÷C Ar ― N,
Fr5/N sp 3 ― C Ar ÷C Ar ―N= , Fr6/•–•÷•÷•÷•–•, Fr7/C―(C÷) 6 C,
Fr8/C sp 3 ―O―(C Ar ÷) 7 C Ar ―N 3 sp ,
Fr9/C Ar ÷(C Ar ÷) 3 C Ar ―N=N―C Ar ÷(C Ar ÷) 2 C Ar ―C=C,
Fr10/N sp 3 ―C Ar ÷(C Ar ÷) 4 C Ar ―N=N―C Ar ÷(C Ar ÷) 2 C Ar ―N sp 3
Наибольший вклад в модель вносят фрагментные дескрипторы RС Ar ―N,
и N 3 sp ―C Ar ÷C Ar ―N=. Таким образом на основе дескрипторов, учитывающих
фрагментный состав молекулы, предложены линейно-регрессионные QSPRмодели,
позволяющие прогнозировать сродство азо- и антрахиноновых красителей
к целлюлозному волокну. Этим примером продемонстрировано, что
предложенные фрагментные дескрипторы в сочетании со статистическим аппаратом
множественной линейной регрессии являются мощным инструментом
для прогнозирования сложных промышленно-важных свойств органических
соединений.
5.3. Фрагментные дескрипторы с «выделенными» атомами
Мы предлагаем подход, который позволяет значительно расширить круг
свойств, для прогнозирования которых можно применять фрагментные дескрипторы
за счет указания специальных «выделенных» атомов, играющих специфическую
роль в природе моделируемого свойства. Например, при моделировании
константы основности аминов логично отметить тот самый атом азота
внутри химической структуры, который участвует в рассматриваемом кислотно-основном
равновесии. Суть предлагаемого метода заключается в том, что: 1)
такие «выделенные» атомы помечаются определенными метками в соответст-
183