QSAR

Sökandet efter kvantitativa struktur-egenskapssamband  är en procedur för att konstruera modeller som gör det möjligt att förutsäga deras olika egenskaper utifrån strukturerna hos kemiska föreningar. Modeller som gör det möjligt att förutsäga de kvantitativa egenskaperna hos biologisk aktivitet har historiskt fått det engelska namnet Quantitative Structure-Activity Relationship (QSAR) . Förkortningen QSAR tolkas ofta brett för att referera till alla struktur-egenskapsmodeller. Modeller som gör det möjligt att förutsäga de fysikaliska och fysikalisk-kemiska egenskaperna hos organiska föreningar har fått det engelska namnet Quantitative Structure-Property Relationship (QSPR) . I en kvalitativ beskrivning av sambandet mellan kemiska föreningars strukturer och deras biologiska aktivitet används den engelska termen Structure-Activity Relationship (SAR) .

Sökandet efter kvantitativa struktur-egenskapsrelationer baseras på användningen av matematisk statistik och maskininlärningsmetoder för att bygga modeller som gör det möjligt att förutsäga deras egenskaper (fysikalisk, kemisk, biologisk aktivitet) från beskrivningen av strukturerna hos kemiska föreningar. När man förutsäger egenskaper på en kvalitativ nivå (till exempel om en given kemisk förening kommer att ha en given typ av biologisk aktivitet) talar man om att lösa ett klassificeringsproblem , medan man vid förutsägelse av numeriska värden på egenskaper talar om att lösa en regression problem. Beskrivningen av strukturerna för kemiska föreningar för dessa ändamål kan vara vektor eller icke-vektor ( graf ).

Modellering av egenskaper i vektorbeskrivningen av kemiska föreningar

I vektorbeskrivningen av en kemisk struktur associeras en vektor av molekylära deskriptorer, som var och en är en invariant av den molekylära grafen .

Molekylära deskriptorer

De befintliga uppsättningarna av molekylära deskriptorer kan grovt delas in i följande kategorier:

  1. Fragmentdeskriptorer [1] [2] [3] finns i två huvudvarianter - binär och heltal . Binära fragmentdeskriptorer anger om ett givet fragment (substruktur) ingår i en strukturformel (det vill säga om en given subgraf ingår i molekyldiagrammet som beskriver en given kemisk förening ), medan heltalsfragmentdeskriptorer anger hur många gånger ett givet fragment ( substruktur) ingår i en strukturformel (det vill säga hur många gånger en given subgraf ingår i en molekylär graf som beskriver en given kemisk förening ). Granskning [3] beskriver 11 huvudkategorier av fragmentdeskriptorer. Den unika rollen för fragmentdeskriptorer är att, som visas i [4] [5] , de utgör grunden för deskriptorutrymmet, det vill säga vilken molekylär deskriptor som helst (och vilken molekylär egenskap som helst) som är en invariant av en molekylär graf kan vara unikt nedbruten enligt denna grund. Förutom att modellera egenskaperna hos organiska föreningar, används binära fragmentdeskriptorer i form av molekylära nycklar (skärmar) och molekylära fingeravtryck när man arbetar med databaser för att påskynda substrukturell sökning och organisera sökning efter likhet [3] .
  2. Topologiska index .
  3. Fysikalisk-kemiska deskriptorer [6]  är numeriska egenskaper som erhålls som ett resultat av modellering av de fysikalisk-kemiska egenskaperna hos kemiska föreningar, eller kvantiteter som har en tydlig fysikalisk-kemisk tolkning. De vanligaste deskriptorerna är: lipofilicitet (LogP), molär refraktion (MR), molekylvikt (MW), vätebindningsdeskriptorer [7] , molekylära volymer och ytareor.
  4. Kvantkemiska deskriptorer [8]  är numeriska värden som erhålls som ett resultat av kvantkemiska beräkningar. De vanligaste deskriptorerna är: energierna för gränsmolekylära orbitaler (HOMO och LUMO), partiella laddningar på atomer och partiella bindningsordningar, Fukui-reaktivitetsindex (fritt valensindex, nukleofil och elektrofil superdelokalisering), energier av katjonisk, anjonisk och radikal lokalisering , dipol och högre multipolmoment för den elektrostatiska potentialfördelningen.
  5. Molekylära fältdeskriptorer  är numeriska värden som approximerar värdena för molekylära fält genom att beräkna interaktionsenergin för en testatom placerad på ett gitterställe med en aktuell molekyl. 3D-QSAR-metoder är baserade på konstruktionen av korrelationer mellan värdena av molekylära fältdeskriptorer och det numeriska värdet av biologisk aktivitet med hjälp av Partial Least Squares (PLS )-metoden, varav den mest kända är CoMFA [9] .
  6. Substituentkonstanterna [10] introducerades först av L.P. Gammet inom ramen för ekvationen som fick hans namn, som relaterar reaktionshastighetskonstanterna till jämviktskonstanterna för vissa klasser av organiska reaktioner. Substituentkonstanter började använda QSAR efter tillkomsten av Hanch-Fujita-ekvationen, som relaterar biologisk aktivitet till substituentkonstanter och lipofilicitetsvärden. För närvarande är flera dussin substituentkonstanter kända.
  7. Farmakofordeskriptorer visar om de enklaste farmakoforerna, bestående av par eller tripletter av farmakoforcentra med ett specificerat avstånd mellan dem, kan finnas i den analyserade molekylen [11] .
  8. Molekylära likhetsdeskriptorer indikerar ett mått på likhet (molekylär likhet) med föreningar från träningsuppsättningen.

Molekylära deskriptorer beskrivs mest fullständigt i monografin [12] , som kan betraktas som ett uppslagsverk över molekylära deskriptorer, samt i läroboken [13] .

Metoder för att konstruera struktur-egenskapsmodeller

För att lösa regressionsproblem i vektorbeskrivningen av strukturerna hos kemiska föreningar används följande metoder för matematisk statistik och maskininlärning oftast inom kemoinformatik :

  1. Multipel linjär regression
  2. Partiella minsta kvadrater (PLS )
  3. Artificiellt nervsystem
  4. Stöd vektorregression
  5. slumpmässig skog
  6. k närmaste granne metod

För att lösa tvåklassiga (binära) eller multiklassklassificeringsproblem i vektorbeskrivningen av strukturerna för kemiska föreningar , används följande metoder för matematisk statistik och maskininlärning oftast inom kemoinformatik :

  1. Naiv Bayes klassificerare
  2. Linjär diskrimineringsanalys ( LDA )
  3. Artificiellt nervsystem
  4. Stöd vektor maskin
  5. Beslutsträd
  6. slumpmässig skog
  7. k närmaste granne metod

För att lösa klassificeringsproblem i en klass i vektorbeskrivningen av strukturerna för kemiska föreningar , används följande maskininlärningsmetoder oftast inom kemoinformatik :

  1. Autokodning av neurala nätverk
  2. Enklas stödvektormaskin (1-SVM)

Metoder för att konstruera struktur-egenskapsmodeller diskuteras i detalj i handledningar [13] [14] .

Modelleringsegenskaper för icke-vektor (graf) beskrivning av kemiska föreningar

Modellering av egenskaper i icke-vektorbeskrivningen av kemiska föreningar utförs antingen med hjälp av neurala nätverk av speciella arkitekturer som låter dig arbeta direkt med närliggande matriser av molekylära grafer , eller med hjälp av kärnmetoder med hjälp av speciella grafiska (eller kemiska, farmakoforer) kärnor.

Exempel på neurala nätverk med en speciell arkitektur som tjänar detta syfte är:

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

Exempel på grafiska (eller kemiska, farmakoforer) kärnor som tjänar för detta ändamål är:

  1. Marginaliserad grafkärna [22]
  2. Optimal tilldelningskärna [23] [24] [25]
  3. Farmakoforkärna [26]

Konstruktionen av struktur-egenskapsmodeller för icke-vektorbeskrivningar av kemiska strukturer diskuteras i läroboken [14] .

Datorresurser fritt tillgängliga via Internet

Resurser för att bygga nya struktur-egenskapsmodeller

  1. Online Chemical Modeling (OCHEM)  är en informations- och beräkningsresurs som låter dig arbeta genom ett webbgränssnitt med en databas med organiska föreningar och deras egenskaper, fylla på den, söka i den och bilda prover, beräkna ett brett spektrum av molekylära deskriptorer, bygga kvantitativa modeller av strukturegenskapen och tillämpa dem för att förutsäga egenskaperna hos nya föreningar
  2. Chembench  är en resurs som låter dig bygga struktur-egenskapsmodeller och använda dem för prognoser

Exempel på prognoser

Exempel på att förutsäga de fysikalisk-kemiska egenskaperna hos organiska föreningar

  1. Fysikaliska egenskaper hos enskilda lågmolekylära föreningar
    1. Kokpunkt (Tk) [27] [28]
    2. Kritisk temperatur (Tcr) [27]
    3. Viskositet [28] [29]
    4. Mättat ångtryck [ 27] [28] [29]
    5. Densitet [27] [28] [29]
    6. Brytningsindex [27]
    7. Smältpunkt (Tmelt) [27]
    8. Lösningsmedelspolaritetsskalor [ 27]
    9. Retentionsindex i gaskromatografi [27]
    10. Polariserbarhet [30]
    11. Magnetisk känslighet [31]
    12. Entalpi av sublimering [32]
  2. Fysikaliska egenskaper hos föreningar med låg molekylvikt beroende på förhållanden
    1. Kokpunkt för kolväten beroende på tryck [33]
    2. Densitet av kolväten beroende på temperatur [33]
    3. Dynamisk viskositet för kolväten beroende på temperatur [33]
  3. Spektroskopiska egenskaper
    1. Positionen för det långvågiga absorptionsbandet för symmetriska cyaninfärgämnen [ 34]
    2. Kemiska förändringar i ' H NMR-spektra [35]
    3. Kemiska förändringar i 13C NMR - spektra [ 36]
    4. Kemiska förändringar i 31P NMR - spektra [ 37]
  4. Fysikaliska och kemiska egenskaper hos föreningar med låg molekylvikt
    1. Flampunkt och självantändningstemperatur [27] [38]
    2. Oktantal för kolväten [39]
    3. Joniseringskonstanter ( surhet eller basicitet ) [40]
  5. Fysikaliska egenskaper på grund av intermolekylära interaktioner av molekyler av olika typer
    1. Löslighet i vatten (LogSw) [27] [41]
    2. Fördelningskoefficient n-oktanol/vatten (LogP) [42]
    3. Fördelningskoefficient för ämnen med låg molekylvikt mellan vatten och Pluronic P85- miceller [43]
    4. Fri energi för solvatisering av organiska molekyler i olika lösningsmedel [44]
  6. Reaktivitet av organiska föreningar
    1. Hastighetskonstant för syrahydrolys av estrar [45]
  7. Supramolekylära egenskaper
    1. Stabilitet av inklusionskomplex av organiska föreningar med beta-cyklodextrin [46]
    2. Färgämnenas affinitet för cellulosafibrer [ 47]
    3. Stabilitetskonstanter för komplex av jonoforer med metalljoner [ 48]
  8. Fysikaliska egenskaper hos ytaktiva ämnen (ytaktiva ämnen)
    1. Kritisk micellkoncentration ( CMC) [27]
    2. Molnpunkt [27]
  9. Fysikaliska och fysikalisk-kemiska egenskaper hos polymerer
    1. Glasövergångstemperatur [ 27]
    2. Brytningsindex för polymerer [27]
    3. Acceleration av gummivulkanisering [ 27]
    4. Permeabilitetskoefficient genom lågdensitetspolyeten [49]
  10. Fysikaliska egenskaper hos joniska vätskor
    1. Smältpunkt [50]

ADMET Property Prediction Exempel

  1. Farmakokinetiska egenskaper
    1. Penetrering genom blod-hjärnbarriären [51]
    2. Hudpenetrationshastighet [52]
  2. Ämnesomsättning
    1. Aromatiska hydroxyleringsställen vid metabolisk aktivering av cytokrom P450 [53]
  3. Giftighet
    1. Cancerframkallande egenskaper [54]
    2. Embryotoxicitet [55]

Exempel på att förutsäga den biologiska aktiviteten hos organiska föreningar

  1. Spektrum av biologisk aktivitet [56]
  2. Tillhör farmakologiska grupper [57]

Se även

Litteratur

  1. ↑ NS Zefirov, VA Palyulin. Fragmental Approach i QSPR  //  J. Chem. inf. Comput. sci.  : journal. - 2002. - Vol. 42 , nr. 5 . - P. 1112-1122 . doi : 10.1021 / ci020010e .
  2. ↑ I. Baskin, A. Varnek. Bygga ett kemiskt utrymme baserat på fragmentdeskriptorer  // Combinatorial  Chemistry & High Throughput Screening : journal. - 2008. - Vol. 11 , nr. 8 . - s. 661-668 .
  3. ↑ 1 2 3 I. Baskin, A. Varnek. "Fragment Descriptors in SAR/QSAR/QSPR Studies, Molecular Similarity Analysis and in Virtual Screening". I: Chemoinformatic Approaches to Virtual Screening , A. Varnek, A. Tropsha, red., RCS Publishing, 2008, ISBN 978-0-85404-144-2 , P. 1-43
  4. ↑ I. I. Baskin, M. I. Skvortsova, I. V. Stankevich, N. S. Zefirov . På basis av invarianter av märkta molekylära grafer  // Dokl. RAS: journal. - 1994. - T. 339 , nr 3 . - S. 346-350 .
  5. ↑ II Baskin, MI Skvortsova, IV Stankevich, NS Zefirov. På basis av invarianter av märkta molekylära grafer  //  J. Chem. inf. Comput. sci.  : journal. - 1995. - Vol. 35 , nr. 3 . - s. 527-531 . doi : 10.1021 / ci00025a021 .
  6. ↑ O. A. Raevsky. Molekylära strukturdeskriptorer i datordesign av biologiskt aktiva substanser  // Uspekhi khimii  : zhurnal. - Ryska vetenskapsakademin , 1999. - T. 68 , nr 6 . - S. 555-575 .
  7. ↑ O. A. Raevsky. Vätebindningsdeskriptorer i datormolekylär design  // Ros. chem. och. (J. Russian Chemical Society uppkallad efter D.I. Mendeleev): tidskrift. - 2006. - T. L , nr 2 . - S. 97-107 .
  8. ↑ M. Karelson, VS Lobanov, AR Katritzky. Quantum-Chemical Descriptors in QSAR/QSPR Studies  (engelska)  // Chem. Varv. : journal. - 1996. - Vol. 96 , nr. 3 . - P. 1027-1044 . - doi : 10.1021/cr950202r .
  9. ↑ R.D. Cramer, D.E. Patterson, J.D. Bunce. Jämförande molekylär fältanalys (CoMFA). 1. Effekt av form på bindning av steroider till bärarproteiner  (engelska)  // J. Am. Chem. soc. : journal. - 1988. - Vol. 110 , nr. 18 . - P. 5959-5967 . doi : 10.1021 / ja00226a005 .
  10. ↑ Palm, V.A. Grunderna i den kvantitativa teorin om organiska reaktioner. — 2:a, övers. och ytterligare .. - L . : Chemistry, 1977. - 360 sid.
  11. ↑ F. Bonachera, B. Parent, F. Barbosa, N. Froloff, D. Horvath. Fuzzy Tricentric Pharmacophore Fingerprints. 1. Topologiska Fuzzy Pharmacophore-tripletter och anpassade molekylära likhetspoängscheman  //  J. Chem. inf. Modell.  : journal. - 2006. - Vol. 46 , nr. 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. Introduktion till kemoinformatik: lärobok. Del 3. Modellering av "struktur-egenskap" , Kazan: Kazan University, 2015, ISBN 978-5-00019-442-3
  14. ↑ 1 2 Baskin I. I., Majidov T. I., Varnek A. A. Introduktion till kemoinformatik: lärobok. Del 4. Maskininlärningsmetoder , Kazan: Kazan University, 2016, ISBN 978-5-00019-695-3
  15. ↑ I. I. Baskin, V. A. Palyulin, N. S. Zefirov. Metodik för att söka efter direkta korrelationer mellan strukturer och egenskaper hos organiska föreningar med hjälp av beräkningsneurala nätverk  // Dokl. RAS: journal. - 1993. - T. 333 , nr 2 . - S. 176-179 .
  16. ↑ II Baskin, V.A. Palyulin, N.S. Zefirov. En neural anordning för att söka direkta korrelationer mellan strukturer och egenskaper hos organiska föreningar  //  J. Chem. inf. Comput. sci.  : journal. - 1997. - Vol. 37 , nr. 4 . - s. 715-721 . doi : 10.1021 / ci940128y .
  17. ↑ D.B. Kireev. ChemNet: A Novel Neural Network Based Method for Graph/Property Mapping   // J. Chem. inf. Comput. sci.  : journal. - 1995. - Vol. 35 , nr. 2 . - S. 175-180 . doi : 10.1021 / ci00024a001 .
  18. ↑ A. M. Bianucci. Tillämpning av kaskadkorrelationsnätverk för strukturer i kemi  (engelska)  // Applied Intelligence : journal. - 2000. - Vol. 12 , nr. 1-2 . - S. 117-146 .
  19. ↑ A. Micheli, A. Sperduti, A. Starita, A. M. Bianucci. Analys av de interna representationerna som utvecklats av neurala nätverk för strukturer som tillämpas på kvantitativa struktur-aktivitetsstudier av bensodiazepiner  //  J. Chem. inf. Comput. sci.  : journal. - 2001. - Vol. 41 , nr. 1 . - S. 202-218 . doi : 10.1021 / ci9903399 .
  20. ↑ O. Ivanciuc. Molecular Structure Encoding into Artificial Neural Networks Topology  //  Rumanian Chemical Quarterly Reviews : journal. - 2001. - Vol. 8 . - S. 197-220 .
  21. ↑ A. Goulon, T. Picot, A. Duprat, G. Dreyfus. Förutsäga aktiviteter utan datordeskriptorer: Grafmaskiner för QSAR  //  SAR och QSAR i Environmental Research: tidskrift. - 2007. - Vol. 18 , nr. 1-2 . - S. 141-153 . - doi : 10.1080/10629360601054313 .
  22. ↑ H. Kashima, K. Tsuda, A. Inokuchi, Marginalized Kernels Between Labeled Graphs, The 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. Kernel Functions for Attributed Molecular Graphs - A New Similarity Based Approach to ADME Prediction in Classification and Regression  //  QSAR Comb. sci. : journal. - 2006. - Vol. 25 , nr. 4 . - s. 317-326 . - doi : 10.1002/qsar.200510135 .
  25. ↑ H. Fröhlich, JK Wegner, A. Zell, Tilldelningskärnor för kemiska föreningar , Internationell gemensam konferens om neurala nätverk 2005 (IJCNN'05), 2005 , 913-918. CiteSeer
  26. ↑ P. Mahe, L. Ralaivola, V. Stoven, J. Vert. Farmakoforkärnan för virtuell screening med stödvektormaskiner  //  J. Chem. inf. Modell.  : journal. - 2006. - Vol. 46 , nr. 5 . - P. 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, VS Lobanov, M. Karelson. Strukturellt olika kvantitativa struktur-egenskapsrelationer Korrelationer av tekniskt relevanta fysiska egenskaper  //  J. Chem. inf. Comput. sci.  : journal. - 2000. - Vol. 40 , nej. 1 . - S. 1-18 . doi : 10.1021 / ci9903206 .
  28. ↑ 1 2 3 4 N. V. Artemenko, I. I. Baskin, V. A. Palyulin, N. S. Zefirov. Förutsägelse av de fysikaliska egenskaperna hos organiska föreningar med hjälp av artificiella neurala nätverk inom ramen för det substrukturella tillvägagångssättet  // Dokl. AN: dagbok. - 2001. - T. 381 , nr 2 . - S. 203-206 .
  29. ↑ 1 2 3 N. V. Artemenko, I. I. Baskin, V. A. Palyulin, N. S. Zefirov. Artificiella neurala nätverk och en fragmentarisk metod för att förutsäga de fysiska och kemiska egenskaperna hos organiska föreningar  Izvestiya RAN, Chemical Series: journal. - 2003. - Nr 1 . - S. 19-28 .
  30. ↑ N. I. Zhokhova, I. I. Baskin, V. A. Palyulin, A. N. Zefirov, N. S. Zefirov. Fragmentdeskriptorer i QSPR: applikation för beräkning av molekylers polariserbarhet  // Izvestiya RAN, Chemical Series: journal. - 2003. - Nr 5 . - S. 1005-1009 .
  31. ↑ N. I. Zhokhova, I. I. Baskin, V. A. Palyulin, A. N. Zefirov, N. S. Zefirov. Fragmentdeskriptorer i QSPR: applikation för beräkning av magnetisk susceptibilitet  // Journal of Structural Chemistry : journal. - 2004. - T. 45 , nr 4 . - S. 660-669 .
  32. ↑ N. I. Zhokhova, I. I. Baskin, V. A. Palyulin, A. N. Zefirov, N. S. Zefirov. Beräkning av sublimeringsentalpin med QSPR-metoden med fragmentmetoden  // Journal of Applied Chemistry: journal. - 2003. - T. 76 , nr 12 . - S. 1966-1970 .
  33. ↑ 1 2 3 N. M. Galbershtam, I. I. Baskin, V. A. Palyulin, N. S. Zefirov. Konstruktion av neurala nätverksberoenden struktur-villkor-egenskap. Modellering av fysikaliska och kemiska egenskaper hos kolväten  // Dokl. AN: dagbok. - 2002. - T. 384 , nr 2 . - S. 202-205 .
  34. ↑ I. I. Baskin, A. O. Ait, N. M. Galbershtam, V. A. Palyulin, N. S. Zefirov. Tillämpning av metodiken för artificiella neurala nätverk för att förutsäga egenskaperna hos komplexa molekylära system. Förutsägelse av positionen för absorptionsbandet med lång våglängd för symmetriska cyaninfärgämnen  , Dokl. AN: dagbok. - 1997. - T. 357 , nr 1 . - S. 57-59 .
  35. ↑ Y. Binev, J. Aires-de-Sousa. Strukturbaserade förutsägelser av 1H NMR kemiska förändringar med användning av feed-forward neurala nätverk  //  J. Chem. inf. Comput. sci.  : journal. - 2004. - Vol. 44 , nr. 3 . - P. 940-945 . doi : 10.1021 / ci034228s .
  36. ↑ JP Doucet, A. Panaye, E. Feuilleaubois, P. Ladd. Neurala nätverk och 13C NMR Shift Prediction  //  J. Chem. inf. Comput. sci.  : journal. - 1993. - Vol. 33 , nr. 3 . - s. 320-324 . doi : 10.1021 / ci00013a007 .
  37. ↑ GMJ West. Förutsäga fosfor-NMR-förskjutningar med hjälp av neurala nätverk  //  J. Chem. inf. Comput. sci.  : journal. - 1993. - Vol. 33 , nr. 4 . - s. 577-589 . - doi : 10.1021/ci00014a009 .
  38. ↑ N. I. Zhokhova, I. I. Baskin, V. A. Palyulin, A. N. Zefirov, N. S. Zefirov. Fragmentdeskriptorer i QSAR: applikation för beräkning av flampunkt  // Izvestiya RAN, Chemical Series: Journal. - 2003. - Nr 9 . - S. 1787-1793 .
  39. ↑ A. V. Sidorova, I. I. Baskin, V. A. Palyulin, D. E. Petelin, N. S. Zefirov. Undersökning av samband mellan kolvätens struktur och oktantal  // Dokl. AN: dagbok. - 1996. - T. 350 , nr 5 . - S. 642-646 .
  40. ↑ A. A. Ivanova, I. I. Baskin, V. A. Palyulin, N. S. Zefirov. Uppskattning av värdena för joniseringskonstanter för olika klasser av organiska föreningar med hjälp av ett fragmentariskt tillvägagångssätt för sökandet efter "struktur-egenskap" beroenden  // Dokl. AN: dagbok. - 2007. - T. 413 , nr 6 . - S. 766-770 .
  41. ↑ D. Butina, J.M.R. Gola. Modellering av vattenlöslighet  //  J. Chem. inf. Comput. sci.  : journal. - 2003. - Vol. 43 , nr. 3 . - s. 837-841 . doi : 10.1021 / ci020279y .
  42. ↑ IV Tetko, V. Yu. Tanchuk, AEP Villa. Förutsägelse av n-oktanol/vattenfördelningskoefficienter från PHYSPROP-databasen med hjälp av artificiella neurala nätverk och E-tillståndsindex  //  J. Chem. inf. Comput. sci.  : journal. - 2001. - Vol. 41 , nr. 5 . - P. 1407-1421 . doi : 10.1021 / ci010368v .
  43. ↑ V. S. Bugrin, M. Yu. Kozlov, I. I. Baskin, N. S. Melik-Nubarov. Intermolekylära interaktioner som bestämmer solubilisering i miceller av polyalkylenoxidtensider  // Högmolekylära föreningar, Serie A : journal. - 2007. - T. 49 , nr 4 . - S. 701-712 .
  44. ↑ A. A. Kravtsov, P. V. Karpov, I. I. Baskin, V. A. Palyulin, N. S. Zefirov. "Bimolecular" QSPR: Estimation of the Free Energy of Solvation of Organic Molecules in Various Solvents  // Dokl. AN: dagbok. - 2007. - T. 414 , nr 3 . — S. ??? .
  45. ↑ NM Halberstam, II Baskin, VA Palyulin, NS Zefirov. Kvantitativ struktur - Villkor - Studier av egendomsförhållanden. Neural Network Modeling of the Acid Hydrolysis of Esters  (engelska)  : tidskrift. - 2002. - Vol. 12 , nr. 6 . - S. 185-186 .
  46. ↑ N. I. Zhokhova, E. V. Bobkov, I. I. Baskin, V. A. Palyulin, A. N. Zefirov, N. S. Zefirov. Beräkning av stabiliteten hos komplex av organiska föreningar med β-cyklodextrin med QSPR-metoden  // Bulletin of Moscow State University, ser. 2, Kemi: tidskrift. - 2007. - T. 48 , nr 5 . - S. 329-332 .
  47. ↑ N. I. Zhokhova, I. I. Baskin, V. A. Palyulin, A. N. Zefirov, N. S. Zefirov. Studie av färgämnenas affinitet för cellulosafiber inom ramen för ett fragmenterat tillvägagångssätt i QSPR  // Journal of Applied Chemistry: Journal. - 2005. - T. 78 , nr 6 . - S. 1034-1037 .
  48. ↑ IV Tetko, V. P. Solov'ev, A. V. Antonov, X. Yao, J. P. Doucet, B. Fan, F. Hoonakker, D. Fourches, P. Jost, N. Lachiche, A. Varnek. Benchmarking av linjära och icke-linjära tillvägagångssätt för kvantitativa struktur-egenskapsstudier av metallkomplexbildning med jonoforer  //  J. Chem. inf. Modell.  : journal. - 2006. - Vol. 46 , nr. 2 . - P. 808-819 . - doi : 10.1021/ci0504216 .
  49. ↑ MP Gonzalez, AM Helguera, HG Diaz. A TOPS-MODE approach to predict permeability coefficients  (engelska)  // Polymer : journal. - 2004. - Vol. 45 . - P. 2073-2079 .
  50. ↑ Varnek, A.; Kireeva, N.; Tetko, IV; Baskin, II; Solov'ev, VP Uttömmande QSPR-studier av stora olika uppsättningar joniska vätskor: Hur exakt kan vi förutsäga smältpunkter? (engelska)  // J. Chem. inf. Modell.  : journal. - 2007. - Vol. 47 . - P. 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. Korrelation av blod-hjärnpenetration med hjälp av strukturella deskriptorer   // Bioorg . Med. Chem. : journal. - 2006. - Vol. 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. Hudpermeationshastighet som funktion av kemisk struktur  (engelska)  // J. Med. Chem. : journal. - 2006. - Vol. 49 , nr. 11 . - P. 3305-3314 . - doi : 10.1021/jm051031d .
  53. ↑ Yu. Borodina, A., Rudik, D. Filimonov, N. Kharchevnikova, A. Dmitriev, V. Blinova, V. Poroikov. Ny statistisk metod för att förutsäga aromatiska hydroxyleringsplatser. Jämförelse med modellbaserade tillvägagångssätt  //  J. Chem. inf. Comput. sci.  : journal. - 2004. - Vol. 44 , nr. 6 . - P. 1998-2009 . doi : 10.1021 / ci049834h .
  54. ↑ A.A. Lagunin, J.C. Dearden, D.A. Filimonov, V.V. Poroikov. Datorstödd karcinogenicitetsförutsägelse för gnagare  (neopr.)  // Mutationsforskning. - Elsevier , 2005. - T. 586 , nr 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. Palyulin, N. S. Zefirov. Datorstudie av sambandet mellan embryotoxicitet och strukturer hos syntetiska analoger av biogena aminer  // Izvestiya RAN, biologisk serie: tidskrift. - 1997. - Nr 4 . - S. 407-413 .
  56. ↑ D. A. Filimonov, V. V. Poroikov. Förutsägelse av spektrum av biologisk aktivitet hos organiska föreningar  // Ros. chem. och. (J. Russian Chemical Society uppkallad efter D.I. Mendeleev): tidskrift. - 2006. - T. L , nr 2 . - S. 66-75 .
  57. ↑ E. P. Kondratovich, N. I. Zhokhova, I. I. Baskin, V. A. Palyulin, N. S. Zefirov. Fragmentdeskriptorer i studien av struktur-aktivitetsförhållanden: applikation för att förutsäga organiska föreningars tillhörighet till farmakologiska grupper med hjälp av stödvektormaskinen  // Izvestiya Akademii Nauk. Kemisk serie: tidskrift. - 2009. - T. 4 . - S. 641-647 .

Länkar