На Ð¿Ñ€Ð°Ð²Ð°Ñ Ñ€ÑƒÐºÐ¾Ð¿Ð¸ÑÐ¸

машинного обучения (ассоциативные нейронные сети, машины опорных векторов,
метод ближайших соседей, метод частичных наименьших квадратов, нейронные
сети обратного распространения и множественная линейная регрессия),
реализованные в нескольких программных комплексах (VCCLAB, ISIDA и
NASAWIN [см. раздел 8.2]), в сочетании с разнообразными типами дескрипторов
(несколько типов фрагментных дескрипторов, псевдофрагментные дескрипторы
типа FRAGPROP [см. разделы 5.4 и 8.4], дескрипторы на основе электроно-топологических
состояний атомов, а также все виды дескрипторов, генерируемых
программой DRAGON) были впервые применены для обработки
больших и структурно разнородных баз по температурам плавления ионных
жидкостей [401].
В данной работе были построены QSPR-модели для четырех выборок (см.
Рис. 48), включающих: (1) 126 бромидов производных пиридинов (PYR, IV и
V); (2) 384 бромидов производных имидазолов и бензимидазолов (IMZ, VI и
VII); (3) 207 бромидов четвертичных аммониев (QUAT, VIII); (4) 717 соединений,
входящих во все вышеупомянутые наборы (FULL).
R 2
R 2
N + NR 1
R 1
R 2
R 3
N
N +
R 1
N +
R 1
N +
R 1
R 2
R 4 N+ R 2
R 3
R 3
Br-
Br-
Br-
Br-
Br-
IV V VI VII VIII
Рис. 48. Структуры ионных жидкостей
Оценка прогнозирующей способности построенных моделей проводилась
при помощи процедуры 5-кратного внешнего (т.е. при котором информация из
контрольных выборок никак не может участвовать в отборе лучших моделей)
скользящего контроля по трем показателям (Q 2 , RMSE, MAE) для четырех выборок.
В нашей части этой большой совместной работы в качестве методов машинного
обучения мы использовали реализованные в программном комплексе
224