На Ð¿Ñ€Ð°Ð²Ð°Ñ Ñ€ÑƒÐºÐ¾Ð¿Ð¸ÑÐ¸

принципе гарантировать оптимального решения, поскольку при этом обедняется
описание химической структуры. Одним из наиболее перспективных направлений
в решении этой проблемы мы видим в том, чтобы вместо отбора дескрипторов
из заранее взятого их набора использовать процедуру извлечения
непосредственно из структур химических соединений наиболее ценных для моделирования
исследуемого свойства дескрипторов ∗ .
Это привело нас к разработке альтернативного подхода к проблеме
«структура-свойство», основанного на процедуре поиска зависимости исследуемого
свойства непосредственно от элементов матрицы смежности молекулярного
графа, однозначно идентифицирующей структуру органического соединения,
либо, в более общем случае, от элементов матрицы, описывающей
свойства атомов и их пар (например, характеристики связей). В качестве статистического
метода анализа зависимости свойств органических соединений от
их структуры нами выбран аппарат искусственных нейронных сетей, поскольку
с его помощью можно выявлять зависимости между переменными вне рамок
каких-либо заранее выбранных моделей. Универсальность аппроксимирующей
способности в этом случае обеспечивается промежуточным формированием
ФД либо псевдофрагментных дескрипторов в процессе анализа структуры.
Принципиальным же отличием от сочетания ИНС с ФД является то, что вместо
использования предварительно отобранных дескрипторов, набор которых скорее
всего является неоптимальным, происходит направленное «извлечение»
наиболее ценных для построения моделей «структура-свойство» дескрипторов
непосредственно из первичного описания молекул в виде графа.
Упомянем несколько подходов, связанных с анализом матрицы смежности
молекулярного графа при помощи ИНС. Эльрод, Маггиора и Тренари [486,
487] использовали BE-матрицу Уги-Дугуджи [306] для формального представления
химической структуры при нейросетевом прогнозировании реакционной
∗ В настоящее время вокруг решения подобных задач сформировалось специальное направление
в теории машинного обучения, называемое «интеллектуальным анализом структурных
данных» (structural data mining), и, как частный случай, «интеллектуальным анализом графов»
(graph mining). Рассматриваемая в данном разделе работа была нами опубликована
раньше появления первых публикаций в этом направлении в математической литературе.
275