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.
веществ, например, плотности. Если даже будет требоваться осуществить прогноз<br />
подобного свойства для химического соединения, содержащего редкий<br />
элемент, отсутствующий в обучающей выборке, то все равно будет дана разумная<br />
аппроксимация его вклада в прогнозируемое свойство.<br />
Рассматриваемые псевдофрагментные дескрипторы могут быть использованы<br />
при построении статистических моделей в сочетании с «настоящими»<br />
фрагментными дескрипторами. Эффективность отдельных комбинаций дескрипторов<br />
этого типа с фрагментными дескрипторами была также показана нами<br />
в работах [400, 401].<br />
В настоящей работе мы исследовали дескрипторы на основе комбинаций<br />
атомов во фрагментах при прогнозировании трех ключевых физических характеристик<br />
полимеров: показателя преломления (n, 298К), температуры стеклования<br />
(Т, К) и плотности в аморфном состоянии (ρ, г/см 3 , 298К,). Ранее эти свойства<br />
моделировались с использованием метода групповых вкладов Ван Кревелена<br />
[402] и схем Аскадского [403]. Эти методы не являются по своей сути статистическими,<br />
и поэтому для них не оцениваются статистические характеристики<br />
моделей. QSPR-модели для расчета свойств полимеров описаны в работе<br />
Бицерано [404], однако, для этих моделей не определена прогнозирующая способность<br />
с помощью скользящего контроля или независимой внешней выборки,<br />
что делает невозможным прямое сопоставление их статистических характеристик.<br />
Рабочие выборки, включающие сведения об экспериментальных значениях<br />
показателя преломления, температуры стеклования и плотности в аморфном<br />
состоянии формировали на основе монографии [404].<br />
Расчет фрагментных дескрипторов и построение количественных моделей<br />
структура-свойство осуществляли методами быстрой пошаговой множественной<br />
линейной регрессии (БПМЛР, см. подраздел 4.1.5) и трехслойной искусственной<br />
нейронной сети (нейросети обратного распространения, см. подраздел<br />
1.2.4) с помощью программного комплекса NASAWIN (см. раздел 8.2).<br />
Генерировали наборы фрагментов, включающих от 1 до 5 неводородных атомов<br />
с учетом кратных связей, гетероатомов, функциональных групп и т.д. при<br />
193
Change language