Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
вии с тем, по каким причинам этот атом выделен; 2) при генерации фрагментных дескрипторов каждая такая метка рассматривается как отдельный псевдоатом с именем, соответствующем символу метки; 3) при построении уравнений «структура-свойство» должна иметься возможность включать в модели только те дескрипторы, которые содержат такой псевдоатом. Мы предлагаем использовать фрагментные дескрипторы с “выделенными” атомами для моделирования широкого круга свойств: (1) при расчете локальных характеристик молекул, таких, например, как химические сдвиги в спектрах ЯМР либо кислотно-основные свойства определенных атомов в молекулах; (2) при прогнозировании биологической активности для однородных выборок соединений, содержащих общий фрагмент с анкерными атомами, к которым присоединены заместители; (3) для прогнозирования кинетических параметров химических реакций одного типа; (4) при прогнозировании физических свойств полимеров (за счет добавления специальных меток к атомам, принадлежащим основной цепи полимера); (5) для прогнозирования свойств, обусловленных образованием супрамолекулярных комплексов (за счет добавления специфических меток, указывающих на роль атомов в супрамолекулярном взаимодействии); (6) для учета стереохимической информации (путем добавления меток S и R либо D и L к стереохимическим центрам, а также E и Z к атомам, связанным двойной связью). В каждом случае предлагаемый прием обеспечивает использование в построении моделей наиболее важных по смыслу фрагментных дескрипторов. Таким образом, использование фрагментных дескрипторов с «выделенными» атомами позволяет значительно расширить сферу применения фрагментного подхода в поиске количественных соотношений «структура-свойство», а также снять некоторые ограничения, которые ранее были свойственны фрагментным дескрипторам. Применение таких дескрипторов нами проиллюстрировано на примерах моделирования: (1) химических сдвигов в 31 P ЯМР спектрах производных монофосфинов, (2) способности аналогов 1-[(2-гидроксиэтокси)-метил]– 6(фенилтио)тимина (HEPT) к ингибировать обратную транскриптазу вируса ВИЧ-1 и (3) констант скорости гидролиза эфиров карбоновых кислот. Еще один 184
пример использования такого вида фрагментных дескрипторов для прогнозирования констант ионизации рассмотрен в подразделе 7.1.2. Расчет фрагментных дескрипторов c “выделенными” атомами и построение QSAR/QSPR-моделей методами быстрой пошаговой множественной линейной регрессии (БПМЛР) и трехслойной нейросети обратного распространения (ИНС) осуществляли с помощью программного комплекса NASAWIN (см. раздел 8.2). 5.3.1. Прогнозирование химических сдвигов в 31 P ЯМР спектрах замещенных монофосфинов Для построения QSPR-моделей химических сдвигов в 31 Р ЯМР спектрах замещенных монофосфинов мы использовали базу данных, включающую 291 фосфинов PH 3-n R n , в том числе 29 первичных, 38 вторичных и 224 третичных с различными заместителями [395]. Разброс в экспериментальных значениях прогнозируемого параметра составил от -183 до +61 ppm. Известно, что величины химических сдвигов зависят от степени экранирования ядер атомов электронным облаком, плотность которого зависит от характера присоединенных к этим атомам заместителей. Поэтому представлялось целесообразным использование дескрипторов, описывающих электронное и пространственное влияние этих заместителей. В качестве таковых были выбраны дескрипторы, основанные на числе вхождения в структуру фрагментов, содержащих от 4 до 10 неводородных атомов и включающих атом Р, маркированный меткой “а”. Лучшая из серии полученных нами БПМЛР и ИНС комбинированных моделей модель БПМЛР имеет следующие характеристики прогнозирующей способности: Q 2 DCV = 0.8298, RMSE DCV = 0.5679 ppm, MAE DCV = 6.1 ppm. Диаграмма разброса для нее приведена на Рис. 37. 185
- Page 133 and 134: f ( x, y) ≡ f ( y, x) ⇔ f ( x,
- Page 135 and 136: R3 R2 R5 R6 Общая формул
- Page 137 and 138: ко, эта разница все
- Page 139 and 140: переставленными эк
- Page 141 and 142: лей приведен в рабо
- Page 143 and 144: деленными» атомами
- Page 145 and 146: 5.1.2. Иерархическая
- Page 147 and 148: водородного соседа
- Page 149 and 150: Атом кислорода в со
- Page 151 and 152: PA1 -PH 2 Атом фосфора,
- Page 153 and 154: Br2 -Br= Формально нез
- Page 155 and 156: то в дальнейшем буд
- Page 157 and 158: После нахождения п
- Page 159 and 160: 5.2.1. Прогнозировани
- Page 161 and 162: зей, а также учитыв
- Page 163 and 164: Эксперимент 50 40 30 20
- Page 165 and 166: Построение QSPR-моде
- Page 167 and 168: работе [268], но с при
- Page 169 and 170: ляются удобным инс
- Page 171 and 172: чета этого свойств
- Page 173 and 174: База 2 (88 соединений
- Page 175 and 176: «редких фрагментов
- Page 177 and 178: пользовании 25 деск
- Page 179 and 180: Tf расч. о С, Tf calc. o C 30
- Page 181 and 182: На первом этапе раб
- Page 183: 0,935; s = 0,76 кДж·моль -1
- Page 187 and 188: почечных фрагменто
- Page 189 and 190: ской структуры «ре
- Page 191 and 192: 1 O O OH C C a O C H 2 O H + C C a
- Page 193 and 194: веществ, например,
- Page 195 and 196: до 28.0 (MAE DCV ). Повыше
- Page 197 and 198: Таким образом, псев
- Page 199 and 200: цепочки длиной до д
- Page 201 and 202: алканов, см 3 /моль 7
- Page 203 and 204: свое преимущество
- Page 205 and 206: 6.3.1. Общая методоло
- Page 207 and 208: бирался оптимальны
- Page 209 and 210: 0,25 Результаты полу
- Page 211 and 212: При анализе дескри
- Page 213 and 214: 414]). Следует также о
- Page 215 and 216: d расч., г/куб.см 4,0 3,0
- Page 217 and 218: Табл. 15. Корреляция
- Page 219 and 220: Табл. 16. Усредненны
- Page 221 and 222: Как видно из Табл. 16
- Page 223 and 224: нием ошибки примен
- Page 225 and 226: NASAWIN (см. раздел 8.2) н
- Page 227 and 228: ГЛАВА 7. РАЗРАБОТКА
- Page 229 and 230: ного моделирования
- Page 231 and 232: ля и даже более сов
- Page 233 and 234: ного цианинового к
пример использования такого вида фрагментных дескрипторов для<br />
прогнозирования констант ионизации рассмотрен в подразделе 7.1.2.<br />
Расчет фрагментных дескрипторов c “выделенными” атомами и<br />
построение QSAR/QSPR-моделей методами быстрой пошаговой<br />
множественной линейной регрессии (БПМЛР) и трехслойной нейросети<br />
обратного распространения (ИНС) осуществляли с помощью программного<br />
комплекса NASAWIN (см. раздел 8.2).<br />
5.3.1. Прогнозирование химических сдвигов в 31 P ЯМР спектрах замещенных<br />
монофосфинов<br />
Для построения QSPR-моделей химических сдвигов в 31 Р ЯМР спектрах<br />
замещенных монофосфинов мы использовали базу данных, включающую 291<br />
фосфинов PH 3-n R n , в том числе 29 первичных, 38 вторичных и 224 третичных с<br />
различными заместителями [395]. Разброс в экспериментальных значениях<br />
прогнозируемого параметра составил от -183 до +61 ppm. Известно, что<br />
величины химических сдвигов зависят от степени экранирования ядер атомов<br />
электронным облаком, плотность которого зависит от характера<br />
присоединенных к этим атомам заместителей. Поэтому представлялось<br />
целесообразным использование дескрипторов, описывающих электронное и<br />
пространственное влияние этих заместителей. В качестве таковых были<br />
выбраны дескрипторы, основанные на числе вхождения в структуру<br />
фрагментов, содержащих от 4 до 10 неводородных атомов и включающих атом<br />
Р, маркированный меткой “а”. Лучшая из серии полученных нами БПМЛР и<br />
ИНС комбинированных моделей модель БПМЛР имеет следующие<br />
характеристики прогнозирующей способности: Q 2 DCV = 0.8298, RMSE DCV =<br />
0.5679 ppm, MAE DCV = 6.1 ppm. Диаграмма разброса для нее приведена на Рис.<br />
37.<br />
185
Change language