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.
Значения констант ионизации для различных соединений были взяты из<br />
работ [430, 431]. Построение моделей “структура-свойство” было осуществлено<br />
с помощью нейросетевого программного комплекса NASAWIN [194] (см. раздел<br />
8.2). Для моделирования локальных свойств нами была использованы<br />
фрагментные дескрипторы с выделенными атомами.<br />
Известно, что константа ионизации достаточно хорошо коррелирует с<br />
квантово-химическими дескрипторами [430-432]. В данной работе нами были<br />
при помощи специальной утилиты, входящей в программный комплекс<br />
NASAWIN, рассчитаны значения двенадцати дескрипторов, описывающих<br />
внутримолекулярные электронные свойства молекул, такие как: энергия высшей<br />
занятой и низшей незанятой молекулярных орбиталей, заряд на меченом<br />
атоме, максимальный отрицательный заряд на атоме, максимальный заряд на<br />
атоме водорода, дипольный момент молекулы, электрофильная и нуклеофильная<br />
граничная электронная плотность, электрофильная, нуклеофильная и радикальная<br />
суперделокализация, атомная самополяризуемость. При этом, с помощью<br />
метода БПМЛР (см. подраздел 4.1.5) проводился отбор наиболее значимых<br />
дескрипторов для каждой QSPR-модели. Прогнозирующая способность<br />
полученных моделей для каждой БД была проверена предсказанием значений<br />
pK a соединений контрольной выборки.<br />
На первом этапе методами БПМЛР и ИНС были построены частные<br />
QSPR-модели для фенолов, карбоновых кислот и азотсодержащих соединений с<br />
использованием как фрагментных дескрипторов рассчитанных для соединений<br />
с метками, а так же с использованием фрагментных и квантово-химических дескрипторов.<br />
Статистические параметры для этих моделей представлены в Табл.<br />
23. Анализируя полученные QSPR-модели, можно сделать вывод, что во всех<br />
случаях модели “структура-свойство”, построенные методом ИНС, характеризуются<br />
несколько более высокими значениями коэффициента корреляции и<br />
дают меньшую ошибку как на обучающих, так и на контрольных выборках, по<br />
сравнению с моделями, построенными с использованием статистического аппарата<br />
множественной линейной регрессии. Следует так же отметить, что использование<br />
квантово-химических дескрипторов также способствует улучшению<br />
235
Change language