На правах рукописи
Share Embed Flag
Download ePaper

На правах рукописи

На правах рукописи На правах рукописи

cdn.scipeople.com
from cdn.scipeople.com More from this publisher
19.11.2014 Views

рамках одноуровневого подхода для описания химических соединений были использованы наборы фрагментных дескрипторов [481] размером до шести неводородных атомов. Предварительный отбор дескрипторов проводился по методу быстрой пошаговой множественной линейной регрессии (БПМЛР) [482]. Отобранные наборы дескрипторов использовались для построения нейросетевых моделей «структура-свойство» при помощи многослойных персептронов [39]. При построении моделей в рамках двухуровнего подхода были точно таким же образом с применением фрагментных дескрипторов и комбинации БПМЛР и многослойных персептронов модели первого уровня, позволяющие прогнозировать значения липофильности log P и четырех констант Абрахама A, B, E и S, характеризующих, соответственно, кислотность и основность по отношению к образованию водородной связи, избыточную молярную рефракцию и диполярность/поляризуемость. Для построения модели для липофильности была использована выборка 3, включающая 7805 соединений [483], а для констант Абрахама – выборка 4, состоящая из 457 соединений и приведенная в работе [484]. В Табл. 30 представлены статистические характеристики моделей первого уровня. На втором этапе результаты прогноза, полученные с помощью моделей первого уровня для соответствующих выборок органических соединений по логарифму коэффициента сорбции в почве и логарифма растворимости фуллерена С 60, были использованы в качестве дескрипторов при построении нейросетевых моделей второго уровня для расчета этих свойств. В всех случаях для оценки прогнозирующей способности моделей была применена процедура двойного 5x4-кратного скользящего контроля [482]. Построение QSPRмоделей осуществляли с помощью программного комплекса NASAWIN [194]. Значения параметра Q 2 DCV и среднеквадратичной ошибки прогноза RMSE DCV для моделей, полученных с использованием одноуровневого и многоуровневого подходов для расчета логарифма коэффициента сорбции органических соединений в почве и логарифма растворимости фуллерена С 60 , приведены в Табл. 31 на стр. 270. Как видно из представленного материала, прогнозирующая способность QSPR моделей, полученных в рамках многоуровневого подхода, значительно превышает прогнозирующую способность одноуровневых моде- 268

лей, хотя все модели построены на основе одинаковых наборов фрагментных дескрипторов при помощи одного и того же метода машинного обучения. Диаграммы экспериментальных и рассчитанных значений log K oc и log S, полученных на основе нейросетевых моделей, построенных с использованием многоуровневого подхода, представлены на Рис. 60 на стр. 270. Табл. 30. Статистические характеристики моделей “структура/свойство’ первого уровня для расчета липофильности и констант Абрахама для органических соединений, соответственно включенных в выборки 3 и 4 Свойство Число соединений в выборке Коэффициент корреляции RMSE на обучающей выборке RMSE на контрольной выборке (1/10 выборки) Log P 7805 0.980 0.345 0.395 Абрахам A 457 0.983 0.051 0.058 Абрахам B 457 0.971 0.066 0.081 Абрахам E 457 0.997 0.040 0.074 Абрахам S 457 0.987 0.072 0.137 Преимущество использования многоуровневого подхода продемонстрировано нами также на примере прогнозирования констант устойчивости комплексов циклодекстрина с органическими молекулами [400]. Таким образом, объединение в сеть всего лишь нескольких моделей может привести к заметному улучшению прогнозирующей способности моделей более высокого уровня за счет использования информации, содержащейся в дополнительных базах данных, использованных при построении моделей более низкого уровня. Есть основания считать, что многоуровневый подход может дать значительный эффект не только при прогнозировании физико-химических свойств, как было показано на двух примерах в рамках данного подраздела, но и биологической активности. 269

лей, хотя все модели построены на основе одинаковых наборов фрагментных<br />

дескрипторов при помощи одного и того же метода машинного обучения. Диаграммы<br />

экспериментальных и рассчитанных значений log K oc и log S, полученных<br />

на основе нейросетевых моделей, построенных с использованием многоуровневого<br />

подхода, представлены на Рис. 60 на стр. 270.<br />

Табл. 30. Статистические характеристики моделей “структура/свойство’ первого<br />

уровня для расчета липофильности и констант Абрахама для органических<br />

соединений, соответственно включенных в выборки 3 и 4<br />

Свойство<br />

Число соединений<br />

в выборке<br />

Коэффициент<br />

корреляции<br />

RMSE на обучающей<br />

выборке<br />

RMSE на контрольной<br />

выборке<br />

(1/10<br />

выборки)<br />

Log P 7805 0.980 0.345 0.395<br />

Абрахам A 457 0.983 0.051 0.058<br />

Абрахам B 457 0.971 0.066 0.081<br />

Абрахам E 457 0.997 0.040 0.074<br />

Абрахам S 457 0.987 0.072 0.137<br />

Преимущество использования многоуровневого подхода продемонстрировано<br />

нами также на примере прогнозирования констант устойчивости комплексов<br />

циклодекстрина с органическими молекулами [400]. Таким образом,<br />

объединение в сеть всего лишь нескольких моделей может привести к заметному<br />

улучшению прогнозирующей способности моделей более высокого уровня<br />

за счет использования информации, содержащейся в дополнительных базах<br />

данных, использованных при построении моделей более низкого уровня. Есть<br />

основания считать, что многоуровневый подход может дать значительный эффект<br />

не только при прогнозировании физико-химических свойств, как было показано<br />

на двух примерах в рамках данного подраздела, но и биологической активности.<br />

269

logo

products

Resources

Company

Terms of service
Privacy policy
Cookie policy
Cookie settings
Imprint
Change language
Made with love in Switzerland
© 2024 Yumpu.com all rights reserved

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!