Количественные модели взаимосвязи структура – активность (модели QSAR ) - это модели регрессии или классификации, используемые в химических и биологических науках и технике. Как и другие модели регрессии, модели регрессии QSAR связывают набор переменных-предикторов (X) с эффективностью переменной отклика (Y), в то время как модели QSAR классификации связывают переменные-предикторы с категориальным значением переменной отклика.
В моделировании QSAR предикторы состоят из физико-химических свойств или теоретических молекулярных дескрипторов [1] [2] химических веществ; переменная ответа QSAR может быть биологической активностью химических веществ. Модели QSAR сначала суммируют предполагаемую взаимосвязь между химическими структурами и биологической активностью в наборе данных химических веществ. Во-вторых, модели QSAR предсказывают активность новых химических веществ. [3] [4]
Связанные термины включают количественные отношения структура-свойство ( QSPR ), когда химическое свойство моделируется как переменная отклика. [5] [6] «Различные свойства или поведение химических молекул были исследованы в области QSPR. Некоторыми примерами являются количественные отношения структура-реакционная способность (QSRR), количественные отношения структура-хроматография (QSCR) и количественные отношения структура-токсичность (QSTR), количественные отношения структура-электрохимия (QSER) и количественные отношения структура-биоразлагаемость (QSBR) ». [7]
Например, биологическая активность может быть выражена количественно как концентрация вещества, необходимая для получения определенного биологического ответа. Кроме того, когда физико-химические свойства или структуры выражаются числами, можно найти математическое соотношение или количественное соотношение структура-активность между ними. Математическое выражение, если оно тщательно проверено [8] [9] [10], может быть использовано для предсказания смоделированного отклика других химических структур. [11]
QSAR имеет форму математической модели :
- Активность = f (физико-химические свойства и / или структурные свойства) + ошибка
Ошибка включает ошибку модели ( систематическую ошибку ) и изменчивость наблюдений, то есть изменчивость наблюдений даже на правильной модели.
Основные этапы исследований QSAR
Основные этапы QSAR / QSPR, включая (i) выбор набора данных и извлечение структурных / эмпирических дескрипторов (ii) выбор переменных, (iii) построение модели и (iv) валидационную оценку » [7].
SAR и парадокс SAR
Основное предположение для всех гипотез, основанных на молекулах, состоит в том, что подобные молекулы обладают сходной активностью. Этот принцип также называется взаимосвязью структуры и деятельности ( SAR ). Таким образом, основная проблема заключается в том, как определить небольшое различие на молекулярном уровне, поскольку каждый вид активности, например способность к реакции, способность к биотрансформации , растворимость , активность мишени и так далее, может зависеть от другого различия. Были приведены примеры в bioisosterism обзорах Patanie / Lavoie [12] и Брауна. [13]
В общем, больше интересует поиск сильных трендов . Создаваемые гипотезы обычно основываются на конечном числе химических веществ, поэтому следует проявлять осторожность, чтобы избежать переобучения : создание гипотез, которые очень точно соответствуют обучающим данным, но плохо работают при применении к новым данным.
Парадокс SAR относится к тому факту , что это не так , что все подобные молекулы имеют подобные действия.
Типы
На основе фрагментов (групповой вклад)
Аналогичным образом, « коэффициент разделения » - измерение дифференциальной растворимости и сам по себе компонент прогнозов QSAR - можно предсказать либо атомарными методами (известными как «XLogP» или «ALogP»), либо методами химических фрагментов (известных как «CLogP»). и другие варианты). Было показано, что logP соединения можно определить по сумме его фрагментов; Методы, основанные на фрагментах, обычно считаются лучшими предсказателями, чем методы, основанные на атомах. [14] Фрагментарные значения были определены статистически на основе эмпирических данных для известных значений logP. Этот метод дает смешанные результаты и, как правило, не имеет точности более ± 0,1 единицы. [15]
QSAR на основе группы или фрагмента также известен как GQSAR. [16] GQSAR позволяет гибко изучать различные молекулярные фрагменты, представляющие интерес, в зависимости от вариации биологической реакции. Молекулярные фрагменты могут быть заместителями в различных сайтах замещения в родственном наборе молекул или могут быть на основе заранее определенных химических правил в случае неконгенерированных наборов. GQSAR также рассматривает перекрестные дескрипторы фрагментов, которые могут быть полезны при идентификации ключевых взаимодействий фрагментов при определении вариации активности. [16] Лидирование с использованием фрагномики - новая парадигма. В этом контексте FB-QSAR оказывается многообещающей стратегией для дизайна библиотеки фрагментов и в попытках идентификации от фрагмента к ведущему. [17]
Разработан продвинутый подход к QSAR на основе фрагментов или групп, основанный на концепции фармакофорного подобия. [18] В этом методе QSAR на основе сходства фармакофоров (PS-QSAR) используются топологические фармакофорные дескрипторы для разработки моделей QSAR. Этот прогноз активности может способствовать вкладу определенных характеристик фармакофоров, кодируемых соответствующими фрагментами, в улучшение активности и / или отрицательные эффекты. [18]
3D-QSAR
Аббревиатура 3D-QSAR или 3-D QSAR относится к применению расчетов силового поля, требующих трехмерных структур данного набора малых молекул с известной активностью (обучающий набор). Обучающий набор должен быть наложен (выровнен) либо экспериментальными данными (например, на основе кристаллографии лиганд-белок ), либо программным обеспечением наложения молекул . Он использует вычисленные потенциалы, например потенциал Леннарда-Джонса , а не экспериментальные константы, и касается всей молекулы, а не одного заместителя. Первый 3-D QSAR был назван Крамером и соавторами сравнительным анализом молекулярного поля (CoMFA). Он исследовал стерические поля (форму молекулы) и электростатические поля [19], которые коррелировали с помощью регрессии частичных наименьших квадратов (PLS).
Созданное пространство данных затем обычно сокращается путем последующего извлечения признаков (см. Также уменьшение размерности ). Следующим методом обучения может быть любой из уже упомянутых методов машинного обучения , например поддержка векторных машин . [20] Альтернативный подход использует множественное обучение путем кодирования молекул как наборов экземпляров данных, каждый из которых представляет возможную молекулярную конформацию. Метка или ответ присваивается каждому набору, соответствующему активности молекулы, которая, как предполагается, определяется по крайней мере одним экземпляром в наборе (то есть некоторой конформацией молекулы). [21]
18 июня 2011 г. патент на сравнительный анализ молекулярного поля (CoMFA) снял любые ограничения на использование технологий GRID и частичных наименьших квадратов (PLS). [ необходима цитата ]
На основе химического дескриптора
В этом подходе дескрипторы, количественно оценивающие различные электронные, геометрические или стерические свойства молекулы, вычисляются и используются для разработки QSAR. [22] Этот подход отличается от подхода фрагментов (или группового вклада) в том, что дескрипторы вычисляются для системы в целом, а не на основе свойств отдельных фрагментов. Этот подход отличается от подхода 3D-QSAR тем, что дескрипторы вычисляются из скалярных величин (например, энергии, геометрические параметры), а не из трехмерных полей.
Примером этого подхода являются QSAR, разработанные для полимеризации олефинов полусэндвич-соединениями . [23] [24]
Моделирование
В литературе часто можно найти, что химики отдают предпочтение методам частичных наименьших квадратов (PLS), [ цитата необходима ], поскольку они применяют извлечение признаков и индукцию за один этап.
Подход интеллектуального анализа данных
Компьютерные модели SAR обычно рассчитывают относительно большое количество функций. Поскольку им не хватает возможности структурной интерпретации, этапы предварительной обработки сталкиваются с проблемой выбора признаков (то есть, какие структурные особенности следует интерпретировать для определения взаимосвязи структура-активность). Выбор характеристик может быть осуществлен путем визуального осмотра (качественный отбор человеком); путем интеллектуального анализа данных; или молекулярным майнингом.
Типичное прогнозирование на основе интеллектуального анализа данных использует, например, вспомогательные векторные машины , деревья решений , искусственные нейронные сети для создания модели прогнозирующего обучения.
Подходы молекулярного анализа , частный случай подходов к интеллектуальному анализу структурированных данных , применяют прогнозирование на основе матрицы сходства или схему автоматической фрагментации в молекулярные субструктуры. Кроме того, существуют также подходы, использующие максимально распространенные поиски подграфов или ядра графа . [25] [26]
Анализ согласованных молекулярных пар
Обычно модели QSAR, полученные на основе нелинейного машинного обучения , рассматриваются как «черный ящик», который не может служить ориентиром для медицинских химиков. В последнее время появилась относительно новая концепция анализа согласованных молекулярных пар [27] или MMPA, основанного на прогнозировании, которая сочетается с моделью QSAR для выявления границ активности. [28]
Оценка качества моделей QSAR
Моделирование QSAR создает прогностические модели, основанные на применении статистических инструментов, коррелирующих биологическую активность (включая желаемый терапевтический эффект и нежелательные побочные эффекты) или физико-химические свойства в моделях QSPR химических веществ (лекарства / токсиканты / загрязнители окружающей среды) с дескрипторами, репрезентативными для молекулярной структуры или свойств. . QSAR применяются во многих дисциплинах, например: оценка риска , прогноз токсичности и нормативные решения [29] в дополнение к открытию лекарств и оптимизации потенциальных клиентов . [30] Получение качественной модели QSAR зависит от многих факторов, таких как качество входных данных, выбор дескрипторов и статистических методов для моделирования и проверки. Любое QSAR-моделирование должно в конечном итоге привести к появлению статистически надежных и прогнозных моделей, способных делать точные и надежные прогнозы смоделированного отклика новых соединений.
Для проверки моделей QSAR обычно используются различные стратегии: [31]
- внутренняя проверка или перекрестная проверка (фактически, при извлечении данных перекрестная проверка является мерой надежности модели, чем более надежна модель (выше q2), тем меньше извлечение данных нарушает исходную модель);
- внешняя проверка путем разделения доступного набора данных на обучающий набор для разработки модели и набор прогнозирования для проверки прогнозируемости модели;
- слепая внешняя проверка путем применения модели на новых внешних данных и
- рандомизация данных или Y-скремблирование для проверки отсутствия случайной корреляции между ответом и дескрипторами моделирования.
Успех любой модели QSAR зависит от точности входных данных, выбора соответствующих дескрипторов и статистических инструментов и, что наиболее важно, валидации разработанной модели. Валидация - это процесс, с помощью которого устанавливаются надежность и актуальность процедуры для конкретной цели; для моделей QSAR валидация должна быть в основном связана с надежностью, характеристиками прогнозирования и областью применимости (AD) моделей. [8] [9] [10] [32] [33]
Некоторые методики проверки могут быть проблематичными. Например, перекрестная проверка по одному выбору обычно приводит к переоценке прогнозирующей способности. Даже при внешней проверке трудно определить, использовались ли выбор обучающих и тестовых наборов для максимизации прогностической способности публикуемой модели.
К различным аспектам проверки моделей QSAR, которые требуют внимания, относятся методы выбора соединений обучающего набора [34], установка размера обучающего набора [35] и влияние выбора переменных [36] для моделей обучающего набора для определения качества предсказания. Также важна разработка новых параметров валидации для оценки качества моделей QSAR. [10] [37] [38]
Заявление
Химическая
Одним из первых исторических приложений QSAR было предсказание точек кипения . [39]
Хорошо известно, например , что в пределах конкретного семейства из химических соединений , особенно органической химии , что существует сильные корреляции между структурой и наблюдаемыми свойствами. Простым примером является зависимость между количеством атомов углерода в алканах и их температурами кипения . Существует четкая тенденция к увеличению точки кипения с увеличением количества атомов углерода, и это служит средством для прогнозирования точек кипения высших алканов .
Еще очень интересное приложение является уравнением Хэммета , уравнение Тафта и предсказание рКа методы. [40]
Биологические
Биологическая активность молекул обычно измеряется в анализах, чтобы установить уровень ингибирования конкретной передачи сигнала или метаболических путей . Открытие лекарств часто включает использование QSAR для выявления химических структур, которые могут иметь хорошее ингибирующее действие на конкретные мишени и иметь низкую токсичность (неспецифическую активность). Особый интерес представляет прогноз коэффициента распределения log P , который является важной мерой, используемой для определения « схожести с наркотиками » в соответствии с Правилом пяти Липински .
Хотя многие количественные анализы взаимосвязи структурной активности включают взаимодействия семейства молекул с ферментом или сайтом связывания рецептора , QSAR также можно использовать для изучения взаимодействий между структурными доменами белков. Взаимодействия белок-белок можно количественно проанализировать на предмет структурных изменений, возникающих в результате сайт-направленного мутагенеза . [41]
Это часть метода машинного обучения для снижения риска парадокса SAR, особенно с учетом того, что доступен только ограниченный объем данных (см. Также MVUE ). В общем, все задачи QSAR можно разделить на кодирование [42] и обучение . [43]
Приложения
(Q) Для управления рисками использовались модели SAR . QSARS предлагаются регулирующими органами; в Европейском Союзе QSAR предлагаются регламентом REACH , где «REACH» означает «Регистрация, оценка, авторизация и ограничение химических веществ». Нормативное применение методов QSAR включает in silico токсикологическую оценку генотоксических примесей. [44] Обычно используемое программное обеспечение для оценки QSAR, такое как DEREK или CASE Ultra (MultiCASE), используется для определения генотоксичности примесей в соответствии с ICH M7 .
Пространство химических дескрипторов, выпуклая оболочка которого генерируется определенным обучающим набором химических веществ, называется областью применимости обучающего набора . Для прогнозирования свойств новых химических веществ, находящихся за пределами области применимости, используется экстраполяция , поэтому он менее надежен (в среднем), чем прогноз в области применимости. Оценка надежности прогнозов QSAR остается темой исследования.
Уравнения QSAR можно использовать для прогнозирования биологической активности новых молекул до их синтеза.
Примеры инструментов машинного обучения для моделирования QSAR включают: [45]
S.No. | Имя | Алгоритмы | Внешняя ссылка |
---|---|---|---|
1. | р | RF, SVM, наивный байесовский и ИНС | «R: Проект R для статистических вычислений» . |
2. | libSVM | SVM | «LIBSVM - библиотека для машин опорных векторов» . |
3. | апельсин | RF, SVM и наивный байесовский | «Orange Data Mining» . |
4. | RapidMiner | SVM, RF, Naïve Bayes, DT, ANN и k-NN | «RapidMiner | Платформа прогнозной аналитики с открытым исходным кодом № 1» . |
5. | Weka | RF, SVM и наивный Байес | «Weka 3 - интеллектуальный анализ данных с помощью программного обеспечения для машинного обучения с открытым исходным кодом на Java» . |
6. | Knime | DT, Наивный Байес и SVM | «KNIME | Открытость для инноваций» . |
7. | AZOrange [46] | RT, SVM, ANN и RF | «AZCompTox / AZOrange: дополнения AstraZeneca к Orange» . GitHub . 2018-09-19. |
8. | Танагра | SVM, RF, наивный Байес и DT | «TANAGRA - Бесплатное ПО для ПОИСКА ДАННЫХ для обучения и исследований» . |
9. | Елки | k-NN | «Инфраструктура интеллектуального анализа данных ELKI» . Архивировано из оригинала на 2016-11-19. |
10. | МОЛОТОК | "Домашняя страница МОЛЛЕТА" . | |
11. | MOA | «MOA Massive Online Analysis | Аналитика в реальном времени для потоков данных» . Архивировано из оригинала на 2017-06-19. | |
12. | Deep Chem | Логистическая регрессия, Наивный Байес, РФ, ИНС и другие | «ДипХим» . deepchem.io . Проверено 20 октября 2017 года . |
13. | alvaModel | МЛС , к-НН | «alvaModel: программный инструмент для создания моделей QSAR / QSPR» . alvascience.com . |
Смотрите также
- ADME
- Хеминформатика
- Компьютерный дизайн лекарств (CADD)
- Связь конформация-деятельность
- Дифференциальная растворимость
- Анализ согласованных молекулярных пар
- Молекулярный дескриптор
- Программное обеспечение для молекулярного дизайна
- Коэффициент распределения
- Фармакокинетика.
- Фармакофор
- QSAR & Combinatorial Science - Научный журнал
- Программное обеспечение для моделирования молекулярной механики
- Chemicalize.org : Список свойств на основе предсказанной структуры
Рекомендации
- ^ Тодескини, Роберто; Консонни, Вивиана. Молекулярные дескрипторы для химиоинформатики . Вайли. ISBN 978-3-527-31852-0.
- ^ Маури, Андреа; Консонни, Вивиана; Тодескини, Роберто. «Молекулярные дескрипторы». Справочник по вычислительной химии . Издательство Springer International. С. 2065–2093. ISBN 978-3-319-27282-5.
- ^ Рой К., Кар С., Дас Р. Н. (2015). «Глава 1.2: Что такое QSAR? Определения и формулировки» . Учебник по моделированию QSAR / QSPR: фундаментальные концепции . Нью-Йорк: Springer-Verlag Inc., стр. 2–6. ISBN 978-3-319-17281-1.
- ^ Гасеми, Перес-Санчес; Мери, Перес-Гарридо (2018). «Нейронные сети и алгоритмы глубокого обучения, используемые в исследованиях QSAR: достоинства и недостатки». Открытие наркотиков сегодня . 23 (10): 1784–1790. DOI : 10.1016 / j.drudis.2018.06.016 . PMID 29936244 .
- ^ Нантасенамат С, Исаранкура-На-Аюдхья С, Наэнна Т., Прачайяситтикул V (2009). «Практический обзор количественной взаимосвязи структура-деятельность». Excli Дж . 8 : 74–88. DOI : 10,17877 / DE290R-690 .
- ^ Nantasenamat C, Isarankura-Na-Ayudhya C, Prachayasittikul V (июль 2010 г.). «Достижения в вычислительных методах прогнозирования биологической активности соединений». Мнение эксперта об открытии лекарств . 5 (7): 633–54. DOI : 10.1517 / 17460441.2010.492827 . PMID 22823204 . S2CID 17622541 .
- ^ а б Yousefinejad S, Hemmateenejad B (2015). «Инструменты хемометрии в исследованиях QSAR / QSPR: историческая перспектива». Хемометрика и интеллектуальные лабораторные системы . 149, Часть B: 177–204. DOI : 10.1016 / j.chemolab.2015.06.016 .
- ^ а б Tropsha A , Gramatica P, Gombar VJ (2003). «Важность серьезности: проверка является абсолютно необходимым условием успешного применения и интерпретации моделей QSPR». QSAR Comb. Sci . 22 : 69–77. DOI : 10.1002 / qsar.200390007 .
- ^ а б Gramatica P (2007). «Принципы валидации моделей QSAR: внутренняя и внешняя». QSAR Comb. Sci . 26 (5): 694–701. DOI : 10.1002 / qsar.200610151 . hdl : 11383/1668881 .
- ^ а б в Кирико Н., Граматика П. (август 2012 г.). «Реальная внешняя предсказуемость моделей QSAR. Часть 2. Новые взаимосопоставимые пороги для различных критериев валидации и необходимость проверки диаграммы разброса». Журнал химической информации и моделирования . 52 (8): 2044–58. DOI : 10.1021 / ci300084j . PMID 22721530 .
- ^ Тропша, Александр (2010). «Лучшие практики для разработки, проверки и эксплуатации модели QSAR». Молекулярная информатика . 29 (6–7): 476–488. DOI : 10.1002 / minf.201000061 . ISSN 1868-1743 . PMID 27463326 . S2CID 23564249 .
- ^ Патани Г.А., ЛаВой Е.Дж. (декабрь 1996 г.). «Биоизостеризм: рациональный подход в разработке лекарств». Химические обзоры . 96 (8): 3147–3176. DOI : 10.1021 / cr950066q . PMID 11848856 .
- ^ Браун N (2012). Биоизостеры в медицинской химии . Вайнхайм: Wiley-VCH. ISBN 978-3-527-33015-7.
- ^ Томпсон SJ, Hattotuwagama CK, Holliday JD, Flower DR (2006). «О гидрофобности пептидов: сравнение эмпирических прогнозов значений log P пептидов» . Биоинформация . 1 (7): 237–41. DOI : 10.6026 / 97320630001237 . PMC 1891704 . PMID 17597897 .
- ^ Уайлдман С.А., Криппен Г.М. (1999). «Прогноз физико-химических параметров по атомным вкладам». J. Chem. Инф. Comput. Sci . 39 (5): 868–873. DOI : 10.1021 / ci990307l .
- ^ а б Аджмани С., Джадхав К., Кулкарни С.А. «Групповой QSAR (G-QSAR)». Цитировать журнал требует
|journal=
( помощь ) - ^ Манохаран П., Виджаян Р.С., Гошал Н. (октябрь 2010 г.). «Рационализация открытия лекарств на основе фрагментов для BACE1: выводы из исследований FB-QSAR, FB-QSSR, многоцелевых (MO-QSPR) и MIF». Журнал компьютерного молекулярного дизайна . 24 (10): 843–64. Bibcode : 2010JCAMD..24..843M . DOI : 10.1007 / s10822-010-9378-9 . PMID 20740315 . S2CID 1171860 .
- ^ а б Прасант Кумар С., Джасрай Ю.Т., Пандья А.А., Равал Р.М. (ноябрь 2013 г.). «QSAR на основе сходства фармакофоров (PS-QSAR) для прогнозов групповой биологической активности». Журнал биомолекулярной структуры и динамики . 33 (1): 56–69. DOI : 10.1080 / 07391102.2013.849618 . PMID 24266725 . S2CID 45364247 .
- ^ Выщелачивание AR (2001). Молекулярное моделирование: принципы и приложения . Энглвуд Клиффс, Нью-Джерси: Prentice Hall. ISBN 978-0-582-38210-7.
- ^ Vert JP, Schölkopf B, Tsuda K (2004). Ядерные методы в вычислительной биологии . Кембридж, Массачусетс: MIT Press. ISBN 978-0-262-19509-6.
- ^ Диттерих Т.Г., Латроп Р.Х., Лозано-Перес Т. (1997). «Решение проблемы нескольких экземпляров с помощью прямоугольников, параллельных оси». Искусственный интеллект . 89 (1–2): 31–71. DOI : 10.1016 / S0004-3702 (96) 00034-3 .
- ^ Карутерс Дж. М., Лаутербах Дж. А., Томсон К. Т., Венкатасубраманиан В., Снайвли К. М., Бхан А., Катаре С., Оскарсдоттир Г. (2003). «Дизайн катализатора: извлечение знаний из высокопроизводительных экспериментов». J. Catal . 216 (1-2): 3776–3777. DOI : 10.1016 / S0021-9517 (02) 00036-2 .
- ^ Манц Т.А., Фомфрай К., Медведев Г., Кришнамурти Б.Б., Шарма С., Хак Дж., Новструп К.А., Томсон К.Т., Делгасс В.Н., Карутерс Дж.М., Абу-Омар М.М. (апрель 2007 г.). «Корреляция структура-активность в титановых катализаторах одноцентровой полимеризации олефинов, содержащих смешанное лигирование циклопентадиенил / арилоксид». Журнал Американского химического общества . 129 (13): 3776–7. DOI : 10.1021 / ja0640849 . PMID 17348648 .
- ^ Манц Т.А., Карутерс Дж. М., Шарма С., Фомфрай К., Томсон К. Т., Делгасс В. Н., Абу-Омар М. М. (2012). «Корреляция между структурой и активностью для относительной инициации цепи для скорости распространения в одноцентровом катализе полимеризации олефинов». Металлоорганические соединения . 31 (2): 602–618. DOI : 10.1021 / om200884x .
- ^ Гусфилд Д. (1997). Алгоритмы на строках, деревьях и последовательностях: информатика и вычислительная биология . Кембридж, Великобритания: Издательство Кембриджского университета. ISBN 978-0-521-58519-4.
- ^ Хельма С (2005). Прогнозирующая токсикология . Вашингтон, округ Колумбия: Тейлор и Фрэнсис. ISBN 978-0-8247-2397-2.
- ^ Доссеттер АГ, Гриффен Э.Дж., Лич АГ (2013). «Анализ пар молекулярных пар в открытии лекарств». Открытие наркотиков сегодня . 18 (15–16): 724–31. DOI : 10.1016 / j.drudis.2013.03.003 . PMID 23557664 .
- ^ Сушко Ю., Новотарский С., Кёрнер Р., Фогт Дж, Абдельазиз А., Тетько И.В. (2014). «Подходящие молекулярные пары на основе прогнозов для интерпретации QSAR и помощи в процессе молекулярной оптимизации» . Журнал химинформатики . 6 (1): 48. DOI : 10,1186 / s13321-014-0048-0 . PMC 4272757 . PMID 25544551 .
- ^ Тонг В., Хун Х, Се Кью, Ши Л., Фанг Х, Перкинс Р. (апрель 2005 г.). «Оценка ограничений QSAR - регуляторная перспектива» . Текущий компьютерный дизайн лекарств . 1 (2): 195–205. DOI : 10.2174 / 1573409053585663 .
- ^ Дирден JC (2003). «Прогнозирование токсичности лекарств in silico». Журнал компьютерного молекулярного дизайна . 17 (2–4): 119–27. Bibcode : 2003JCAMD..17..119D . DOI : 10,1023 / A: 1025361621494 . PMID 13677480 . S2CID 21518449 .
- ^ Волд С., Эрикссон Л. (1995). «Статистическая проверка результатов QSAR». В Waterbeemd, Хан ван де (ред.). Хемометрические методы в молекулярном дизайне . Вайнхайм: ВЧ. С. 309–318. ISBN 978-3-527-30044-0.
- ^ Рой К. (декабрь 2007 г.). «О некоторых аспектах валидации прогнозных количественных моделей взаимосвязи структуры и деятельности». Мнение эксперта об открытии лекарств . 2 (12): 1567–77. DOI : 10.1517 / 17460441.2.12.1567 . PMID 23488901 . S2CID 21305783 .
- ^ Сахигара, Файзан; Мансури, Камель; Баллабио, Давиде; Маури, Андреа; Консонни, Вивиана; Тодескини, Роберто (2012). «Сравнение различных подходов к определению области применимости моделей QSAR» . Молекулы . 17 (5): 4791–4810. DOI : 10,3390 / молекулы17054791 .
- ^ Леонард Дж. Т., Рой К. (2006). «О выборе обучающих и тестовых наборов для разработки прогнозных моделей QSAR». QSAR и комбинаторная наука . 25 (3): 235–251. DOI : 10.1002 / qsar.200510161 .
- ^ Рой П.П., Леонард Дж. Т., Рой К. (2008). «Изучение влияния размера обучающих наборов на разработку прогнозных моделей QSAR». Хемометрика и интеллектуальные лабораторные системы . 90 (1): 31–42. DOI : 10.1016 / j.chemolab.2007.07.004 .
- ^ Put R, Вандер Хейден Y (октябрь 2007 г.). «Обзор аспектов моделирования в обращенно-фазовых жидкостных хроматографических количественных отношениях удерживания структуры». Analytica Chimica Acta . 602 (2): 164–72. DOI : 10.1016 / j.aca.2007.09.014 . PMID 17933600 .
- ^ Пратим Рой П., Пол С., Митра I, Рой К. (2009). «О двух новых параметрах для проверки прогнозных моделей QSAR» . Молекулы . 14 (5): 1660–701. DOI : 10,3390 / молекулы14051660 . PMC 6254296 . PMID 19471190 .
- ^ Chirico N, Gramatica P (сентябрь 2011 г.). «Реальная внешняя предсказуемость моделей QSAR: как ее оценить? Сравнение различных критериев валидации и предложение использования коэффициента корреляции конкордантности». Журнал химической информации и моделирования . 51 (9): 2320–35. DOI : 10.1021 / ci200211n . PMID 21800825 .
- ^ Rouvray DH, Бончев D (1991). Химическая теория графов: введение и основы . Танбридж-Уэллс, Кент, Англия: Abacus Press. ISBN 978-0-85626-454-2.
- ^ Fraczkiewicz, R (2013). «In Silico Предсказание ионизации». В Reedijk, J (ред.). Справочный модуль по химии, молекулярным наукам и химической инженерии . Справочный модуль по химии, молекулярным наукам и химической инженерии [Интернет] . т. 5. Амстердам, Нидерланды: Эльзевир. DOI : 10.1016 / B978-0-12-409547-2.02610-X . ISBN 9780124095472.
|volume=
есть дополнительный текст ( справка ) - ^ Фрейхульт Е.К., Андерссон К., Густафссон М.Г. (апрель 2003 г.). «Структурное моделирование расширяет QSAR-анализ взаимодействий антитело-лизоцим до 3D-QSAR» . Биофизический журнал . 84 (4): 2264–72. Bibcode : 2003BpJ .... 84.2264F . DOI : 10.1016 / S0006-3495 (03) 75032-2 . PMC 1302793 . PMID 12668435 .
- ^ Тиммерман Х., Тодескини Р., Консонни В., Маннхолд Р., Кубиньи Х (2002). Справочник молекулярных дескрипторов . Вайнхайм: Wiley-VCH. ISBN 978-3-527-29913-3.
- ^ Дуда Р.О., Харт П.В., Аист Д.Г. (2001). Классификация паттернов . Чичестер: Джон Уайли и сыновья. ISBN 978-0-471-05669-0.
- ^ Fioravanzo, E .; Бассан, А .; Паван, М .; Mostrag-Szlichtyng, A .; Уорт, AP (2012-04-01). «Роль инструментов in silico генотоксичности в нормативной оценке фармацевтических примесей». SAR и QSAR в исследованиях окружающей среды . 23 (3–4): 257–277. DOI : 10.1080 / 1062936X.2012.657236 . ISSN 1062-936X . PMID 22369620 . S2CID 2714861 .
- ^ Lavecchia A (март 2015 г.). «Подходы машинного обучения в открытии лекарств: методы и приложения». Открытие наркотиков сегодня . 20 (3): 318–31. DOI : 10.1016 / j.drudis.2014.10.012 . PMID 25448759 .
- ^ Столринг Дж. К., Карлссон Л. А., Алмейда П., Бойер С. (2011). «AZOrange - Высокопроизводительное машинное обучение с открытым исходным кодом для моделирования QSAR в графической среде программирования» . Журнал химинформатики . 3 : 28. DOI : 10,1186 / 1758-2946-3-28 . PMC 3158423 . PMID 21798025 .
дальнейшее чтение
- Селассие CD (2003). "История количественных взаимосвязей структура-деятельность" (PDF) . В Abraham DJ (ред.). Лечебная химия Бургера и открытие лекарств . 1 (6-е изд.). Нью-Йорк: Вили. С. 1–48. ISBN 978-0-471-27401-8.
- Шитяков С., Пушкаш И., Ровер Н., Фёрстер С., Broscheit J (2014). «Трехмерное количественное соотношение структура-активность и исследования стыковки в серии производных антоцианов в качестве ингибиторов цитохрома P450 3A4» . Достижения и применения в биоинформатике и химии . 7 : 11–21. DOI : 10,2147 / AABC.S56478 . PMC 3970920 . PMID 24741320 .
Внешние ссылки
- "Общество химинформатики и QSAR" . Проверено 11 мая 2009 .
- «Сервер 3D QSAR» . Проверено 18 июня 2011 .
- Verma, Rajeshwar P .; Хэнш, Корвин (2007). «Протоколы природы: разработка моделей QSAR с использованием программы C-QSAR» . Обмен протоколами . DOI : 10.1038 / nprot.2007.125 . Архивировано из оригинала на 2007-05-01 . Проверено 11 мая 2009 .
Программа регрессии с двумя базами данных более 21000 моделей QSAR.
- «QSAR World» . Архивировано из оригинала на 2009-04-25 . Проверено 11 мая 2009 .
Исчерпывающий веб-ресурс для разработчиков моделей QSAR
- Хемоинформатика Инструменты , Drug теоретики и хемоинформатика лабораторная
- Мультимасштабные рисунки концептуальных моделей для QSAR в биологии и науке об окружающей среде