QSAR

Kvantitatiivisten rakenne-ominaisuussuhteiden etsintä  on menettely sellaisten mallien rakentamiseksi, jotka mahdollistavat niiden erilaisten ominaisuuksien ennustamisen kemiallisten yhdisteiden rakenteista. Malleille, jotka mahdollistavat biologisen aktiivisuuden kvantitatiivisten ominaisuuksien ennustamisen, on historiallisesti annettu englanninkielinen nimi Quantitative Structure-Activity Relationship (QSAR) . Lyhenne QSAR tulkitaan usein laajasti viittaamaan mihin tahansa rakenne-ominaisuusmalleihin. Malleille, jotka mahdollistavat orgaanisten yhdisteiden fysikaalisten ja fysikaalis-kemiallisten ominaisuuksien ennustamisen, on annettu englanninkielinen nimi Quantitative Structure-Property Relationship (QSPR) . Kemiallisten yhdisteiden rakenteiden ja niiden biologisen aktiivisuuden välisen suhteen kvalitatiivisessa kuvauksessa käytetään englanninkielistä termiä Structure-Activity Relationship (SAR) .

Kvantitatiivisten rakenne-ominaisuussuhteiden etsintä perustuu matemaattisten tilastojen ja koneoppimismenetelmien käyttöön sellaisten mallien rakentamiseen, jotka mahdollistavat niiden ominaisuuksien (fysikaalisen, kemiallisen, biologisen aktiivisuuden) ennustamisen kemiallisten yhdisteiden rakenteiden kuvauksen perusteella. Ennustettaessa ominaisuuksia kvalitatiivisella tasolla (esimerkiksi onko tietyllä kemiallisella yhdisteellä tietyn tyyppistä biologista aktiivisuutta) puhutaan luokitusongelman ratkaisemisesta, kun taas ominaisuuksien numeerisia arvoja ennustettaessa puhutaan regression ratkaisemisesta. ongelma. Kemiallisten yhdisteiden rakenteiden kuvaus näihin tarkoituksiin voi olla vektori tai ei-vektori ( kaavio ).

Ominaisuuksien mallintaminen kemiallisten yhdisteiden vektorikuvauksessa

Kemiallisen rakenteen vektorikuvauksessa yhdistetään molekyylikuvaajien vektori, joista jokainen on molekyylikaavion invariantti .

Molekyylikuvaajat

Nykyiset molekyylikuvaajat voidaan jakaa karkeasti seuraaviin luokkiin:

  1. Fragmenttikuvaajat [1] [2] [3] ovat olemassa kahdessa päämuunnelmassa - binääri ja kokonaisluku . Binäärifragmenttikuvaajat osoittavat, sisältyykö tietty fragmentti (alarakenne) rakennekaavaan (eli sisältyykö tietty alagraafi tiettyä kemiallista yhdistettä kuvaavaan molekyylikaavioon ), kun taas kokonaislukufragmenttikuvaajat osoittavat, kuinka monta kertaa tietty fragmentti ( alirakenne) sisältyy rakennekaavaan (eli kuinka monta kertaa tietty osagraafi sisältyy tiettyä kemiallista yhdistettä kuvaavaan molekyylikaavioon ). Katsaus [3] kuvaa 11 pääluokkaa fragmenttikuvaajia. Fragmenttien kuvaajien ainutlaatuinen rooli on se, että kuten [4] [5] osoittaa , ne muodostavat deskriptoriavaruuden perustan, eli mikä tahansa molekyylikuvaaja (ja mikä tahansa molekyyliominaisuus), joka on molekyyligraafin invariantti, voi olla hajoaa yksilöllisesti tämän perusteella. Orgaanisten yhdisteiden ominaisuuksien mallintamisen lisäksi tietokantojen kanssa työskennellessä käytetään binaarisia fragmenttikuvaajia molekyyliavainten (näyttöjen) ja molekyylisormenjälkien muodossa nopeuttamaan rakennehakua ja järjestämään hakua samankaltaisuuden mukaan [3] .
  2. Topologiset indeksit .
  3. Fysikaaliskemialliset kuvaajat [6]  ovat numeerisia ominaisuuksia, jotka saadaan mallintamalla kemiallisten yhdisteiden fysikaalis-kemiallisia ominaisuuksia tai määriä, joilla on selkeä fysikaalis-kemiallinen tulkinta. Yleisimmin käytetyt kuvaajat ovat: lipofiilisyys (LogP), molaarinen refraktio (MR), molekyylipaino (MW), vetysidoskuvaajat [7] , molekyylitilavuudet ja pinta-alat.
  4. Kvanttikemialliset kuvaajat [8]  ovat kvanttikemiallisten laskelmien tuloksena saatuja numeerisia arvoja. Yleisimmin käytetyt kuvaajat ovat: rajamolekyylien kiertoradan energiat (HOMO ja LUMO), atomien osittaiset varaukset ja osittaiset sidosjärjestykset, Fukui-reaktiivisuusindeksit (vapaa valenssiindeksi, nukleofiilinen ja elektrofiilinen superdelokalisoituvuus), kationisen, anionisen ja radikaalin lokalisoinnin energiat sähköstaattisen potentiaalijakauman dipoli- ja korkeammat moninapumomentit.
  5. Molekyylikenttäkuvaajat  ovat numeerisia arvoja, jotka likimääräiset molekyylikenttien arvot laskemalla hilakohtaan sijoitetun testiatomin vuorovaikutusenergian nykyisen molekyylin kanssa. 3D-QSAR-menetelmät perustuvat korrelaatioiden rakentamiseen molekyylikenttäkuvaajien arvojen ja biologisen aktiivisuuden numeerisen arvon välillä käyttämällä Partial Least Squares (PLS ) -menetelmää, joista tunnetuin on CoMFA [9] .
  6. Substituenttivakiot [10] esitti ensimmäisenä L. P. Gammet hänen nimensä saaneen yhtälön puitteissa, joka yhdistää reaktionopeusvakiot joidenkin orgaanisten reaktioiden luokkien tasapainovakioihin . Substituenttivakiot tulivat QSAR :n käytäntöön Hanch-Fujita-yhtälön käyttöönoton jälkeen, joka yhdistää biologisen aktiivisuuden substituenttivakioihin ja lipofiilisyysarvoihin. Tällä hetkellä tunnetaan useita kymmeniä substituenttivakioita.
  7. Farmakoforikuvaajat osoittavat, voidaanko analysoitavaan molekyyliin sisältyä yksinkertaisimmat farmakoforit, jotka koostuvat farmakoforikeskusten pareista tai kolmioista, joiden välillä on tietty etäisyys [11] .
  8. Molekyylien samankaltaisuuden kuvaajat osoittavat samankaltaisuuden (molekyylien samankaltaisuuden) mittaa harjoitussarjan yhdisteiden kanssa.

Molekyylikuvaajat on kuvattu täydellisimmin monografiassa [12] , jota voidaan pitää molekyylikuvaajien tietosanakirjana, sekä oppikirjassa [13] .

Menetelmät rakenne-ominaisuusmallien rakentamiseen

Kemiallisten yhdisteiden rakenteiden vektorikuvauksen regressioongelmien ratkaisemiseksi kemoinformatiikassa käytetään useimmiten seuraavia matemaattisen tilaston ja koneoppimisen menetelmiä :

  1. Useita lineaarisia regressioita
  2. Osittainen pienin neliö (PLS )
  3. Keinotekoiset neuroverkot
  4. Tuki Vector Regression
  5. satunnainen metsä
  6. k lähimmän naapurin menetelmä

Kaksiluokkaisten (binääri-) tai moniluokkaisten luokitteluongelmien ratkaisemiseksi kemiallisten yhdisteiden rakenteiden vektorikuvauksessa käytetään kemoinformatiikassa yleisimmin seuraavia matemaattisten tilastojen ja koneoppimisen menetelmiä :

  1. Naiivi Bayesin luokitin
  2. Lineaarinen erotteluanalyysi ( LDA )
  3. Keinotekoiset neuroverkot
  4. Tuki vektorikonetta
  5. Päätöspuut
  6. satunnainen metsä
  7. k lähimmän naapurin menetelmä

Yksiluokkaisten luokitteluongelmien ratkaisemiseksi kemiallisten yhdisteiden rakenteiden vektorikuvauksessa käytetään kemoinformatiikassa yleisimmin seuraavia koneoppimismenetelmiä :

  1. Neuraaliverkkojen automaattinen koodaus
  2. Yhden luokan tukivektorikone (1-SVM)

Menetelmiä rakenne-ominaisuusmallien rakentamiseksi käsitellään yksityiskohtaisesti tutoriaaleissa [13] [14] .

Kemiallisten yhdisteiden ei-vektorikuvauksen mallinnusominaisuudet

Ominaisuuksien mallintaminen kemiallisten yhdisteiden ei-vektorikuvauksessa suoritetaan joko käyttämällä erityisten arkkitehtuurien hermoverkkoja, joiden avulla voit työskennellä suoraan molekyyligraafien vierekkäisyysmatriisien kanssa , tai käyttämällä ydinmenetelmiä käyttämällä erityisiä graafisia (tai kemiallisia, farmakoforisia) ytimiä.

Esimerkkejä neuroverkoista, joissa on erityinen arkkitehtuuri tätä tarkoitusta varten:

  1. BPZ [15] [16]
  2. Chemnet [17]
  3. CCS [18] [19]
  4. Molnet [20]
  5. graafiset koneet [21]

Esimerkkejä tähän tarkoitukseen tarkoitetuista graafisista (tai kemiallisista, farmakoforisista) ytimistä ovat:

  1. Marginalisoitu graafiydin [22]
  2. Optimaalinen määritysydin [23] [24] [25]
  3. Pharmacophore-ydin [26]

Rakenne-ominaisuusmallien rakentamista kemiallisten rakenteiden ei-vektorikuvauksille käsitellään oppikirjassa [14] .

Tietojenkäsittelyresurssit vapaasti saatavilla Internetin kautta

Resursseja uusien rakenne-kiinteistömallien rakentamiseen

  1. Online Chemical Modeling (OCHEM)  on tieto- ja laskennallinen resurssi, jonka avulla voit työskennellä verkkokäyttöliittymän kautta orgaanisten yhdisteiden ja niiden ominaisuuksien tietokannan kanssa, täydentää sitä, etsiä siitä ja muodostaa näytteitä, laskea laajan valikoiman molekyylikuvaajia, rakentaa kvantitatiivisia rakenteen ominaisuuksien malleja ja soveltaa niitä uusien yhdisteiden ominaisuuksien ennustamiseen
  2. Chembench  on resurssi, jonka avulla voit rakentaa rakenne-omaisuusmalleja ja käyttää niitä ennustamiseen

Esimerkkejä ennustamisesta

Esimerkkejä orgaanisten yhdisteiden fysikaalis-kemiallisten ominaisuuksien ennustamisesta

  1. Yksittäisten pienimolekyylisten yhdisteiden fysikaaliset ominaisuudet
    1. Kiehumispiste (Tk) [27] [28]
    2. Kriittinen lämpötila (Tcr) [27]
    3. Viskositeetti [28] [29]
    4. Tyydyttyneen höyryn paine [27] [28] [29]
    5. Tiheys [27] [28] [29]
    6. Taitekerroin [27]
    7. Sulamispiste (sula) [27]
    8. Liuottimen napaisuusasteikko [27]
    9. Retentioindeksit kaasukromatografiassa [27]
    10. Polarisoituvuus [30]
    11. Magneettinen herkkyys [31]
    12. Sublimaatioentalpia [ 32]
  2. Pienimolekyylisten yhdisteiden fysikaaliset ominaisuudet olosuhteista riippuen
    1. Hiilivetyjen kiehumispiste paineesta riippuen [33]
    2. Hiilivetyjen tiheys lämpötilasta riippuen [33]
    3. Hiilivetyjen dynaaminen viskositeetti lämpötilasta riippuen [33]
  3. Spektroskooppiset ominaisuudet
    1. Symmetristen syaniinivärien pitkän aallonpituuden absorptiokaistan sijainti [34]
    2. Kemialliset siirtymät1H NMR - spektreissä [35]
    3. Kemialliset siirtymät 13C NMR - spektreissä [ 36]
    4. Kemialliset siirtymät31P NMR-spektreissä [ 37 ]
  4. Pienimolekyylisten yhdisteiden fysikaaliset ja kemialliset ominaisuudet
    1. Leimahduspiste ja itsesyttymislämpötila [27] [38]
    2. Hiilivetyjen oktaaniluku [39]
    3. Ionisaatiovakiot ( happamuus tai emäksisyys ) [40]
  5. Fysikaaliset ominaisuudet, jotka johtuvat erityyppisten molekyylien molekyylien välisistä vuorovaikutuksista
    1. Liukoisuus veteen (LogSw) [ 27] [41]
    2. Jakautumiskerroin n-oktanoli/vesi (LogP) [42]
    3. Pienen molekyylipainon aineiden jakautumiskerroin veden ja Pluronic P85 -misellien välillä [43]
    4. Orgaanisten molekyylien vapaa solvataatioenergia erilaisissa liuottimissa [44]
  6. Orgaanisten yhdisteiden reaktiivisuus
    1. Estereiden happohydrolyysin nopeusvakio [45]
  7. Supramolekulaariset ominaisuudet
    1. Orgaanisten yhdisteiden inkluusiokompleksien stabiilisuus beeta-syklodekstriinin kanssa [46]
    2. Väriaineiden affiniteetti selluloosakuituun [ 47 ]
    3. Ionoforien ja metalli-ionien kompleksien stabiiliusvakiot [ 48]
  8. Pinta-aktiivisten aineiden (pinta-aktiivisten aineiden) fysikaaliset ominaisuudet
    1. Kriittinen misellipitoisuus ( CMC) [27]
    2. Pilvepiste [27]
  9. Polymeerien fysikaaliset ja fysikaalis-kemialliset ominaisuudet
    1. Lasittumislämpötila [ 27]
    2. Polymeerien taitekerroin [27]
    3. Kumin vulkanoinnin kiihtyvyys
    [27]
  10. Pienitiheyksisen polyeteenin läpäisevyyskerroin [49]
  • Ionisten nesteiden fysikaaliset ominaisuudet
    1. Sulamispiste [50]

    • ADMET Property Prediction Esimerkit

    1. Farmakokineettiset ominaisuudet
      1. Tunkeutuminen veri-aivoesteen läpi [51]
      2. Ihon tunkeutumisnopeus [52]
    2. Aineenvaihdunta
      1. Aromaattiset hydroksylaatiokohdat sytokromi P450:n metabolisen aktivaation jälkeen [53]
    3. Myrkyllisyys
      1. Karsinogeenisuus [54]
      2. Embryotoksisuus [55]

    Esimerkkejä orgaanisten yhdisteiden biologisen aktiivisuuden ennustamisesta

    1. Biologisen aktiivisuuden spektri [56]
    2. Farmakologisiin ryhmiin kuuluminen [57]

    Katso myös

    Kirjallisuus

    1. ↑ NS Zefirov, VA Paljulin. Fragmental Approach in QSPR  //  J. Chem. inf. Comput. sci.  : päiväkirja. - 2002. - Voi. 42 , nro. 5 . - s. 1112-1122 . doi : 10.1021 / ci020010e .
    2. ↑ I. Baskin, A. Varnek. Kemiallisen tilan rakentaminen fragmenttikuvaajien perusteella  // Combinatorial  Chemistry & High Throughput Screening : päiväkirja. - 2008. - Voi. 11 , ei. 8 . - s. 661-668 .
    3. ↑ 1 2 3 I. Baskin, A. Varnek. "Fragmenttikuvaajat SAR/QSAR/QSPR-tutkimuksissa, molekyylien samankaltaisuusanalyysissä ja virtuaalisessa seulonnassa". Julkaisussa: Chemoinformatic Approaches to Virtual Screening , A. Varnek, A. Tropsha, toim., RCS Publishing, 2008, ISBN 978-0-85404-144-2 , s. 1-43
    4. ↑ I. I. Baskin, M. I. Skvortsova, I. V. Stankevitš, N. S. Zefirov . Leimattujen molekyylikaavioiden invarianttien perusteella  // Dokl. RAS: päiväkirja. - 1994. - T. 339 , nro 3 . - S. 346-350 .
    5. ↑ II Baskin, MI Skvortsova, IV Stankevitš, NS Zefirov. Leimattujen molekyylikaavioiden invarianttien perusteella  //  J. Chem. inf. Comput. sci.  : päiväkirja. - 1995. - Voi. 35 , ei. 3 . - s. 527-531 . doi : 10.1021 / ci00025a021 .
    6. ↑ O. A. Raevski. Molekyylirakennekuvaajat biologisesti aktiivisten aineiden tietokonesuunnittelussa  // Uspekhi khimii  : zhurnal. - Venäjän tiedeakatemia , 1999. - T. 68 , nro 6 . - S. 555-575 .
    7. ↑ O. A. Raevski. Vetysidoskuvaajat tietokoneen molekyylisuunnittelussa  // Ros. chem. ja. (D.I. Mendelejevin mukaan nimetty J. Russian Chemical Society): lehti. - 2006. - T. L , nro 2 . - S. 97-107 .
    8. ↑ M. Karelson, VS Lobanov, AR Katritzky. Quantum-Chemical Descriptors in QSAR/QSPR Studies  (englanniksi)  // Chem. Rev. : päiväkirja. - 1996. - Voi. 96 , no. 3 . - s. 1027-1044 . - doi : 10.1021/cr950202r .
    9. ↑ R.D. Cramer, D.E. Patterson, J.D. Bunce. Vertaileva molekyylikenttäanalyysi (CoMFA). 1. Muodon vaikutus steroidien sitoutumiseen kantajaproteiineihin  (englanniksi)  // J. Am. Chem. soc. : päiväkirja. - 1988. - Voi. 110 , ei. 18 . - P. 5959-5967 . doi : 10.1021 / ja00226a005 .
    10. ↑ Palm, V.A. Orgaanisten reaktioiden kvantitatiivisen teorian perusteet. — 2., käänn. ja muita .. - L . : Chemistry, 1977. - 360 s.
    11. ↑ F. Bonachera, B. Parent, F. Barbosa, N. Froloff, D. Horvath. Sumeat Tricentric Pharmacophore -sormenjäljet. 1. Topologiset sumeat farmakoforitripletit ja mukautetut molekylaarisen samankaltaisuuden pisteytyskaaviot  //  J. Chem. inf. Malli.  : päiväkirja. - 2006. - Voi. 46 , nro. 6 . - P. 2457-2477 . - doi : 10.1021/ci6002416 .
    12. ↑ R. Todeschini, V. Consonni: Handbook of Molecular Descriptors . WILEY-WCH Publishers, Weinheim, 2000. ISBN 3-527-29913-0
    13. ↑ 1 2 Baskin I. I., Majidov T. I., Varnek A. A. Johdatus kemoinformatiikkaan: oppikirja. Osa 3. Modeling "structure-property" , Kazan: Kazan University, 2015, ISBN 978-5-00019-442-3
    14. ↑ 1 2 Baskin I. I., Majidov T. I., Varnek A. A. Johdatus kemoinformatiikkaan: oppikirja. Osa 4. Koneoppimismenetelmät , Kazan: Kazanin yliopisto, 2016, ISBN 978-5-00019-695-3
    15. ↑ I. I. Baskin, V. A. Paljulin, N. S. Zefirov. Metodologia suorien korrelaatioiden etsimiseen orgaanisten yhdisteiden rakenteiden ja ominaisuuksien välillä käyttämällä laskennallisia hermoverkkoja  // Dokl. RAS: päiväkirja. - 1993. - T. 333 , nro 2 . - S. 176-179 .
    16. ↑ II Baskin, V.A. Paljulin, N.S. Zefirov. Neuraalinen laite suorien korrelaatioiden etsimiseen orgaanisten yhdisteiden rakenteiden ja ominaisuuksien välillä  //  J. Chem. inf. Comput. sci.  : päiväkirja. - 1997. - Voi. 37 , no. 4 . - s. 715-721 . doi : 10.1021 / ci940128y .
    17. ↑ D.B. Kireev. ChemNet: Uusi hermoverkkoon perustuva menetelmä kuvaaja-/ominaisuuskartoitukseen   // J. Chem. inf. Comput. sci.  : päiväkirja. - 1995. - Voi. 35 , ei. 2 . - s. 175-180 . doi : 10.1021 / ci00024a001 .
    18. ↑ A. M. Bianucci. Application of Cascade Correlation Networks for Structures to Chemistry  (englanniksi)  // Applied Intelligence : Journal. - 2000. - Voi. 12 , ei. 1-2 . - s. 117-146 .
    19. ↑ A. Micheli, A. Sperduti, A. Starita, A. M. Bianucci. Bentsodiatsepiinien kvantitatiivisiin rakenne-aktiivisuussuhdetutkimuksiin sovellettujen rakenteiden hermoverkkojen kehittämien sisäisten esitysten analyysi  //  J. Chem. inf. Comput. sci.  : päiväkirja. - 2001. - Voi. 41 , no. 1 . - s. 202-218 . doi : 10.1021 / ci9903399 .
    20. ↑ O. Ivanciuc. Molecular Structure Encoding into Artificial Neural Networks Topology  //  Romanian Chemical Quarterly Reviews : Journal. - 2001. - Voi. 8 . - s. 197-220 .
    21. ↑ A. Goulon, T. Picot, A. Duprat, G. Dreyfus. Toimintojen ennustaminen ilman laskennallisia kuvauksia: QSAR:n graafiset koneet  //  SAR ja QSAR ympäristötutkimuksessa: päiväkirja. - 2007. - Voi. 18 , ei. 1-2 . - s. 141-153 . - doi : 10.1080/10629360601054313 .
    22. ↑ H. Kashima, K. Tsuda, A. Inokuchi, Marginalized Kernels Between Labeled Graphs, 20th International Conference on Machine Learning (ICML2003), 2003. PDF
    23. ↑ H. Fröhlich, JK Wegner, A. Zell, Optimal Assignment Kernels For Attributed Molecular Graphs , The 22nd International Conference on Machine Learning (ICML 2005), Omnipress, Madison, WI, USA, 2005 , 225-232. PDF
    24. ↑ H. Fröhlich, J.K. Wegner, A. Zell. Ydinfunktiot määritetyille molekyylikaavioille – uusi samankaltaisuuteen perustuva lähestymistapa ADME-ennustukseen luokituksessa ja regressiossa  //  QSAR Comb. sci. : päiväkirja. - 2006. - Voi. 25 , ei. 4 . - s. 317-326 . - doi : 10.1002/qsar.200510135 .
    25. ↑ H. Fröhlich, JK Wegner, A. Zell, Assignment Kernels For Chemical Compounds , International Joint Conference on Neural Networks 2005 (IJCNN'05), 2005 , 913-918. CiteSeer
    26. ↑ P. Mahe, L. Ralaivola, V. Stoven, J. Vert. Farmakoforinen ydin virtuaaliseen seulomiseen tukivektorikoneilla  //  J. Chem. inf. Malli.  : päiväkirja. - 2006. - Voi. 46 , nro. 5 . - s. 2003-2014 . - doi : 10.1021/ci060138m .
    27. ↑ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 A. R. Katritzky, U. Maran, V. S. Lobanov, M. Karelson. Rakenteellisesti monimuotoinen kvantitatiivinen rakenne-ominaisuussuhde Teknologisesti merkityksellisten fyysisten ominaisuuksien korrelaatiot  //  J. Chem. inf. Comput. sci.  : päiväkirja. - 2000. - Voi. 40 , ei. 1 . - s. 1-18 . doi : 10.1021 / ci9903206 .
    28. ↑ 1 2 3 4 N. V. Artemenko, I. I. Baskin, V. A. Paljulin, N. S. Zefirov. Orgaanisten yhdisteiden fysikaalisten ominaisuuksien ennustaminen keinotekoisten hermoverkkojen avulla osarakenteellisen lähestymistavan puitteissa  // Dokl. AN: päiväkirja. - 2001. - T. 381 , nro 2 . - S. 203-206 .
    29. ↑ 1 2 3 N. V. Artemenko, I. I. Baskin, V. A. Paljulin, N. S. Zefirov. Keinotekoiset hermoverkot ja fragmenttilähestymistapa orgaanisten yhdisteiden fysikaalisten ja kemiallisten ominaisuuksien ennustamisessa  Izvestiya RAN, Chemical Series: Journal. - 2003. - Nro 1 . - S. 19-28 .
    30. ↑ N. I. Zhokhova, I. I. Baskin, V. A. Paljulin, A. N. Zefirov, N. S. Zefirov. Fragmenttikuvaajat QSPR:ssä: sovellus molekyylien polarisoituvuuden laskemiseen  // Izvestiya RAN, Chemical Series: Journal. - 2003. - Nro 5 . - S. 1005-1009 .
    31. ↑ N. I. Zhokhova, I. I. Baskin, V. A. Paljulin, A. N. Zefirov, N. S. Zefirov. Fragmenttikuvaajat QSPR:ssä: sovellus magneettisen susceptibiliteettien laskemiseen  // Journal of Structural Chemistry : Journal. - 2004. - T. 45 , nro 4 . - S. 660-669 .
    32. ↑ N. I. Zhokhova, I. I. Baskin, V. A. Paljulin, A. N. Zefirov, N. S. Zefirov. Sublimaatioentalpian laskenta QSPR-menetelmällä fragmenttilähestymistapaa käyttäen  // Journal of Applied Chemistry: Journal. - 2003. - T. 76 , nro 12 . - S. 1966-1970 .
    33. ↑ 1 2 3 N. M. Galbershtam, I. I. Baskin, V. A. Paljulin, N. S. Zefirov. Neuraaliverkkoriippuvuuksien rakentaminen rakenne-ehdot-ominaisuus. Hiilivetyjen fysikaalisten ja kemiallisten ominaisuuksien mallintaminen  // Dokl. AN: päiväkirja. - 2002. - T. 384 , nro 2 . - S. 202-205 .
    34. ↑ I. I. Baskin, A. O. Ait, N. M. Galbershtam, V. A. Paljulin, N. S. Zefirov. Keinotekoisten hermoverkkojen metodologian soveltaminen monimutkaisten molekyylijärjestelmien ominaisuuksien ennustamiseen. Symmetristen syaniinivärien pitkän aallonpituuden absorptiokaistan sijainnin ennustaminen  , Dokl. AN: päiväkirja. - 1997. - T. 357 , nro 1 . - S. 57-59 .
    35. ↑ Y. Binev, J. Aires-de-Sousa. Rakenteeseen perustuvat ennusteet1H NMR:n kemiallisista siirtymistä käyttämällä eteenpäinsyöttöhermoverkkoja  // J.  Chem . inf. Comput. sci.  : päiväkirja. - 2004. - Voi. 44 , no. 3 . - s. 940-945 . doi : 10.1021 / ci034228s .
    36. ↑ JP Doucet, A. Panaye, E. Feuilleaubois, P. Ladd. Neuraaliverkot ja13C NMR -siirtymän ennustaminen  //  J. Chem. inf. Comput. sci.  : päiväkirja. - 1993. - Voi. 33 , ei. 3 . - s. 320-324 . doi : 10.1021 / ci00013a007 .
    37. ↑ GMJ West. Fosforin NMR-siirtymien ennustaminen hermoverkkoja käyttämällä  //  J. Chem. inf. Comput. sci.  : päiväkirja. - 1993. - Voi. 33 , ei. 4 . - s. 577-589 . - doi : 10.1021/ci00014a009 .
    38. ↑ N. I. Zhokhova, I. I. Baskin, V. A. Paljulin, A. N. Zefirov, N. S. Zefirov. Fragmenttikuvaajat QSAR:ssa: sovellus leimahduspisteen laskemiseen  // Izvestiya RAN, Chemical Series: Journal. - 2003. - Nro 9 . - S. 1787-1793 .
    39. ↑ A. V. Sidorova, I. I. Baskin, V. A. Paljulin, D. E. Petelin, N. S. Zefirov. Hiilivetyjen rakenteen ja oktaanilukujen välisten suhteiden tutkiminen  // Dokl. AN: päiväkirja. - 1996. - T. 350 , nro 5 . - S. 642-646 .
    40. ↑ A. A. Ivanova, I. I. Baskin, V. A. Paljulin, N. S. Zefirov. Eri orgaanisten yhdisteiden luokkien ionisaatiovakioiden arvojen arviointi käyttämällä fragmentaarista lähestymistapaa "rakenne-ominaisuus" -riippuvuuksien etsimiseen  // Dokl. AN: päiväkirja. - 2007. - T. 413 , nro 6 . - S. 766-770 .
    41. ↑ D. Butina, J.M.R. Gola. Vesiliukoisuuden mallintaminen  //  J. Chem. inf. Comput. sci.  : päiväkirja. - 2003. - Voi. 43 , no. 3 . - s. 837-841 . doi : 10.1021 / ci020279y .
    42. ↑ IV Tetko, V. Yu. Tanchuk, AEP Villa. n-oktanoli/vesi-osiokertoimien ennustaminen PHYSPROP-tietokannasta käyttäen keinotekoisia hermoverkkoja ja e-tilaindeksejä  //  J. Chem. inf. Comput. sci.  : päiväkirja. - 2001. - Voi. 41 , no. 5 . - s. 1407-1421 . doi : 10.1021 / ci010368v .
    43. ↑ V. S. Bugrin, M. Yu. Kozlov, I. I. Baskin, N. S. Melik-Nubarov. Molekyylien väliset vuorovaikutukset, jotka määrittävät polyalkyleenioksidipinta-aktiivisten aineiden liukenemisen miselleihin  // High-Molecular compounds, Serie A : Journal. - 2007. - T. 49 , nro 4 . - S. 701-712 .
    44. ↑ A. A. Kravtsov, P. V. Karpov, I. I. Baskin, V. A. Paljulin, N. S. Zefirov. "Bimolecular" QSPR: Arvio orgaanisten molekyylien liukenemisen vapaasta energiasta eri liuottimissa  // Dokl. AN: päiväkirja. - 2007. - T. 414 , nro 3 . - S. ??? .
    45. ↑ NM Halberstam, II Baskin, VA Paljulin, NS Zefirov. Kvantitatiivinen rakenne - Ehdot - Kiinteistösuhdetutkimukset. Neural Network Modeling of the Acid Hydrolysis of Esters  (englanniksi)  : aikakauslehti. - 2002. - Voi. 12 , ei. 6 . - s. 185-186 .
    46. ↑ N. I. Zhokhova, E. V. Bobkov, I. I. Baskin, V. A. Paljulin, A. N. Zefirov, N. S. Zefirov. Orgaanisten yhdisteiden ja β-syklodekstriinin kompleksien stabiilisuuden laskeminen QSPR-menetelmällä  // Moskovan valtionyliopiston tiedote, ser. 2, Kemia: lehti. - 2007. - T. 48 , nro 5 . - S. 329-332 .
    47. ↑ N. I. Zhokhova, I. I. Baskin, V. A. Paljulin, A. N. Zefirov, N. S. Zefirov. Tutkimus väriaineiden affiniteetista selluloosakuidun suhteen fragmentoidun lähestymistavan puitteissa QSPR :ssä  // Journal of Applied Chemistry: Journal. - 2005. - T. 78 , nro 6 . - S. 1034-1037 .
    48. ↑ IV Tetko, V. P. Solovjev, A. V. Antonov, X. Yao, J. P. Doucet, B. Fan, F. Hoonakker, D. Fourches, P. Jost, N. Lachiche, A. Varnek. Lineaaristen ja epälineaaristen lähestymistapojen benchmarking kvantitatiivisille rakenne-ominaisuussuhdetutkimuksille metallikompleksaatiosta ionoforien kanssa  //  J. Chem. inf. Malli.  : päiväkirja. - 2006. - Voi. 46 , nro. 2 . - s. 808-819 . - doi : 10.1021/ci0504216 .
    49. ↑ MP Gonzalez, AM Helguera, HG Diaz. TOPS-MODE-lähestymistapa permeabiliteettikertoimien ennustamiseen  (englanniksi)  // Polymer : Journal. - 2004. - Voi. 45 . - s. 2073-2079 .
    50. ↑ Varnek, A.; Kireeva, N.; Tetko, IV; Baskin, II; Solov'ev, VP Kattavat QSPR-tutkimukset suurista ja erilaisista ioninestejoukoista: Kuinka tarkasti voimme ennustaa sulamispisteitä? (englanniksi)  // J. Chem. inf. Malli.  : päiväkirja. - 2007. - Voi. 47 . - s. 1111-1122 .
    51. ↑ A. R. Katritzky, M. Kuanar, S. Slavov, D. A. Dobchev, D. C. Fara, M. Karelson, W. E. Acree, Jr., V. P. Solov'ev, A. Varnek. Veri-aivo-penetraation korrelaatio rakennekuvaustekijöiden avulla   // Bioorg . Med. Chem. : päiväkirja. - 2006. - Voi. 14 . - P. 4888-4917 . - doi : 10.1016/j.bmc.2006.03.012 .
    52. ↑ A. R. Katritzky, D. A. Dobchev, D. C. Fara, E. Hur, K. Tamm, L. Kurunczi, M. Karelson, A. Varnek, V. P. Solov'ev. Ihon läpäisynopeus kemiallisen rakenteen funktiona  (englanniksi)  // J. Med. Chem. : päiväkirja. - 2006. - Voi. 49 , ei. 11 . - P. 3305-3314 . - doi : 10.1021/jm051031d .
    53. ↑ Yu. Borodina, A., Rudik, D. Filimonov, N. Kharchevnikova, A. Dmitriev, V. Blinova, V. Poroikov. Uusi tilastollinen lähestymistapa aromaattisten hydroksylaatiokohtien ennustamiseen. Vertailu mallipohjaisiin lähestymistapoihin  //  J. Chem. inf. Comput. sci.  : päiväkirja. - 2004. - Voi. 44 , no. 6 . - P. 1998-2009 . doi : 10.1021 / ci049834h .
    54. ↑ A.A. Lagunin, J.C. Dearden, D.A. Filimonov, V.V. Poroikov. Tietokoneavusteinen jyrsijöiden karsinogeenisuuden ennuste  (neopr.)  // Mutaatiotutkimus. - Elsevier , 2005. - T. 586 , nro 2 . - S. 138-146 . — PMID 16112600 .
    55. ↑ I. I. Baskin, G. A. Buznikov, A. S. Kabankin, M. A. Landau, L. A. Leksina, A. A. Ordukhanyan, V. A. Paljulin, N. S. Zefirov. Tietokonetutkimus alkiotoksisuuden ja biogeenisten amiinien synteettisten analogien rakenteiden välisestä suhteesta  // Izvestiya RAN, biologinen sarja: lehti. - 1997. - Nro 4 . - S. 407-413 .
    56. ↑ D. A. Filimonov, V. V. Poroikov. Orgaanisten yhdisteiden biologisen aktiivisuuden spektrin ennustaminen  // Ros. chem. ja. (D.I. Mendelejevin mukaan nimetty J. Russian Chemical Society): lehti. - 2006. - T. L , nro 2 . - S. 66-75 .
    57. ↑ E. P. Kondratovitš, N. I. Zhokhova, I. I. Baskin, V. A. Paljulin, N. S. Zefirov. Fragmenttikuvaajat rakenne-aktiivisuussuhteiden tutkimuksessa: sovellus orgaanisten yhdisteiden kuulumisen ennustamiseen farmakologisiin ryhmiin tukivektorikoneella  // Izvestiya Akademii Nauk. Kemiallinen sarja: lehti. - 2009. - T. 4 . - S. 641-647 .

    Linkit