Kvantitativní vztah mezi strukturou a aktivitou - Quantitative structure–activity relationship

Kvantitativní vztah mezi strukturou a aktivitou modely (QSAR modely) jsou regrese nebo klasifikační modely používané v chemických a biologických vědách a inženýrství. Stejně jako ostatní regresní modely, i regresní modely QSAR souvisejí s množinou „predikčních“ proměnných (X) s účinností proměnná odezvy (Y), zatímco modely QSAR klasifikace vztahují predikční proměnné ke kategorické hodnotě proměnné odpovědi.

V modelování QSAR se prediktory skládají z fyzikálně-chemických vlastností nebo teoretických molekulárních deskriptorů chemických látek; proměnná odpovědi QSAR může být a biologická aktivita chemikálií. Modely QSAR nejprve shrnují předpokládaný vztah mezi chemické struktury a biologická aktivita v souboru údajů o chemických látkách. Zadruhé, modely QSAR předpovědět činnosti nových chemických látek.[1][2]

Související pojmy zahrnují kvantitativní vztahy struktura – vlastnost (QSPR) když je chemická vlastnost modelována jako proměnná odezvy.[3][4]„V oblasti QSPR byly zkoumány různé vlastnosti nebo chování chemických molekul. Některé příklady jsou kvantitativní vztahy struktury a reaktivity (QSRR), vztahy kvantitativní struktury a chromatografie (QSCR) a vztahy kvantitativní struktury a toxicity (QSTRs), kvantitativní struktura –Elektrochemické vztahy (QSER) a kvantitativní struktura – vztahy biologické rozložitelnosti (QSBRs). “[5]

Jako příklad lze biologickou aktivitu vyjádřit kvantitativně jako koncentraci látky potřebnou k poskytnutí určité biologické odpovědi. Navíc, když jsou fyzikálně-chemické vlastnosti nebo struktury vyjádřeny čísly, lze mezi nimi najít matematický vztah nebo kvantitativní vztah mezi strukturou a aktivitou. Matematický výraz, pokud je pečlivě ověřen[6][7][8] pak lze použít k předpovědi modelované reakce jiných chemických struktur.[9]

QSAR má formu a matematický model:

  • Činnost = F(fyziochemické vlastnosti a / nebo strukturní vlastnosti) + chyba

Chyba zahrnuje chyba modelu (zaujatost ) a pozorovatelská variabilita, tj. Variabilita pozorování i na správném modelu.

Základní kroky ve studiích QSAR

Hlavní kroky QSAR / QSPR včetně (i) ​​výběru souboru dat a extrakce strukturních / empirických deskriptorů (ii) výběru proměnných, (iii) konstrukce modelu a (iv) vyhodnocení validace. "[5]

SAR a paradox SAR

Základní předpoklad pro všechny molekuly založené hypotézy je, že podobné molekuly mají podobné aktivity. Tento princip se také nazývá vztah struktura-aktivita (SAR ). Základním problémem tedy je, jak definovat a malý rozdíl na molekulární úrovni, protože každý druh aktivity, např. reakce schopnost, biotransformace schopnost, rozpustnost, cílová aktivita atd., může záviset na dalším rozdílu. Příklady byly uvedeny v bioisosterismus recenze od Patanie / LaVoie[10] a Brown.[11]

Obecně platí, že člověka více zajímá hledání síly trendy. Vytvořeno hypotézy obvykle se spoléhají na a konečný množství chemikálií, takže je třeba se vyvarovat nadměrné vybavení: generování hypotéz, které velmi dobře zapadají do tréninkových dat, ale při použití nových dat fungují špatně.

The Paradox SAR odkazuje na skutečnost, že neplatí, že všechny podobné molekuly mají podobné aktivity.

Typy

Na základě fragmentů (skupinový příspěvek)

Analogicky lze „rozdělovací koeficient“ - měření diferenciální rozpustnosti a sám o sobě součást predikcí QSAR - předpovědět atomovými metodami (známými jako „XLogP“ nebo „ALogP“) nebo metody chemických fragmentů (známé jako „CLogP“ a další varianty). Bylo prokázáno, že logP sloučeniny lze určit součtem jejích fragmentů; metody založené na fragmentech jsou obecně přijímány jako lepší prediktory než metody založené na atomech.[12] Fragmentární hodnoty byly stanoveny statisticky na základě empirických dat pro známé hodnoty logP. Tato metoda poskytuje smíšené výsledky a obecně se nedůvěřuje, že má přesnost více než ± 0,1 jednotek.[13]

Skupinový nebo fragmentovaný QSAR je také známý jako GQSAR.[14] GQSAR umožňuje flexibilitu studovat různé molekulární fragmenty, které nás zajímají, ve vztahu k variacím biologické odpovědi. Molekulární fragmenty mohou být substituenty na různých substitučních místech v kongenerické sadě molekul nebo mohou být na základě předem definovaných chemických pravidel v případě nekongenerních sad. GQSAR také bere v úvahu mezioborové deskriptory fragmentů, které by mohly být užitečné při identifikaci klíčových interakcí fragmentů při určování variace aktivity.[14]Objev olova pomocí Fragnomics je nově vznikající paradigma. V této souvislosti se FB-QSAR ukazuje jako slibná strategie pro návrh knihovny fragmentů a pro snahy o identifikaci fragmentu-k-olovu.[15]

Byl vyvinut pokročilý přístup k fragmentové nebo skupinové QSAR založené na konceptu podobnosti farmakoforů.[16] Tato metoda, na základě farmakoforů podobnosti založená na QSAR (PS-QSAR), využívá k vývoji modelů QSAR topologické deskriptory lékopisu. Tato predikce aktivity může pomoci přispět určitými vlastnostmi farmakoforů kódovaných příslušnými fragmenty ke zlepšení aktivity a / nebo škodlivým účinkům.[16]

3D-QSAR

Zkratka 3D-QSAR nebo 3-D QSAR odkazuje na použití silové pole výpočty vyžadující trojrozměrné struktury dané sady malých molekul se známými aktivitami (cvičná sada). Tréninkovou sadu je třeba překrýt (zarovnat) buď experimentálními daty (např. Na základě ligandového proteinu) krystalografie ) nebo molekula superpozice software. Využívá vypočítané potenciály, např. the Lennard-Jonesův potenciál spíše než experimentální konstanty a týká se spíše celkové molekuly než jediného substituentu. První 3-D QSAR pojmenovali Cramer et al. Srovnávací analýza molekulárního pole (CoMFA). Zkoumala sterická pole (tvar molekuly) a elektrostatická pole[17] které byly korelovány pomocí částečná regrese nejmenších čtverců (PLS).

Vytvořený datový prostor se pak obvykle zmenší o následující extrakce funkcí (viz také snížení rozměrů ). Následující metodou učení může být jakákoli z již zmíněných strojové učení metody, např. podporovat vektorové stroje.[18] Používá alternativní přístup učení více instancí kódováním molekul jako sady datových instancí, z nichž každá představuje možnou molekulární konformaci. Štítek nebo odpověď je přiřazena každé sadě odpovídající aktivitě molekuly, o které se předpokládá, že je určena alespoň jednou instancí v sadě (tj. Nějakou konformací molekuly).[19]

Dne 18. června 2011 upustila patentová komparativní analýza molekulárního pole (CoMFA) na omezení používání technologií GRID a částečných nejmenších čtverců (PLS).[Citace je zapotřebí ]

Na základě chemického deskriptoru

V tomto přístupu se počítají deskriptory kvantifikující různé elektronické, geometrické nebo sterické vlastnosti molekuly a používají se k vývoji QSAR.[20] Tento přístup se liší od přístupu fragmentů (nebo skupinových příspěvků) v tom, že deskriptory se počítají pro systém spíše jako celek než z vlastností jednotlivých fragmentů. Tento přístup se liší od přístupu 3D-QSAR v tom, že deskriptory se počítají spíše ze skalárních veličin (např. Energie, geometrické parametry) než z 3D polí.

Příkladem tohoto přístupu jsou QSAR vyvinuté pro polymeraci olefinů napůl sendvičové směsi.[21][22]

Modelování

V literatuře lze často zjistit, že chemici mají přednost částečné nejmenší čtverce (PLS) metody,[Citace je zapotřebí ] protože platí extrakce funkcí a indukce v jednom kroku.

Přístup k dolování dat

Počítačové modely SAR obvykle počítají relativně velké množství funkcí. Protože těm chybí schopnost strukturální interpretace, kroky předzpracování čelí a výběr funkcí problém (tj. které strukturální rysy by měly být interpretovány k určení vztahu struktura-aktivita). Výběr prvků lze provést vizuální kontrolou (kvalitativní výběr člověkem); dolování dat; nebo těžbou molekul.

Typický dolování dat založená predikce používá např. podporovat vektorové stroje, rozhodovací stromy, umělé neuronové sítě pro vyvolávání model prediktivního učení.

Těžba molekul přístupy, zvláštní případ dolování strukturovaných dat přístupy, použít predikci založenou na matici podobnosti nebo automatické schéma fragmentace do molekulárních substruktur. Dále existují i ​​přístupy využívající maximální společný podgraf vyhledávání nebo grafická jádra.[23][24]

Protokol QSAR

Analýza spárovaných molekulárních párů

Hlavní článek: Analýza spárovaných molekulárních párů

Typicky QSAR modely odvozené od nelineárních strojové učení je považován za „černou skříňku“, která nedokáže vést léčivé chemiky. V poslední době existuje relativně nový koncept párová analýza molekulárních párů[25] nebo MMPA řízená predikcí, která je spojena s modelem QSAR za účelem identifikace aktivních útesů.[26]

Hodnocení kvality modelů QSAR

Modelování QSAR vytváří prediktivní modely odvozené z aplikace statistických nástrojů korelačních biologická aktivita (včetně požadovaného terapeutického účinku a nežádoucích vedlejších účinků) nebo fyzikálně-chemických vlastností v QSPR modelech chemických látek (léky / toxické látky / látky znečišťující životní prostředí) s deskriptory reprezentujícími molekulární struktura nebo vlastnosti. QSAR se používají v mnoha oborech, například: posouzení rizik, predikce toxicity a regulační rozhodnutí[27] navíc objev drog a optimalizace vedení.[28] Získání kvalitního modelu QSAR závisí na mnoha faktorech, jako je kvalita vstupních dat, výběr deskriptorů a statistické metody pro modelování a pro validaci. Jakékoli modelování QSAR by mělo v konečném důsledku vést ke statisticky robustním a prediktivním modelům schopným provádět přesné a spolehlivé předpovědi modelované odpovědi nových sloučenin.

Pro validaci modelů QSAR se obvykle používají různé strategie:[29]

  1. interní validace nebo křížová validace (ve skutečnosti, zatímco extrahování dat, křížová validace je měřítkem robustnosti modelu, čím více je model robustní (vyšší q2), tím méně extrakce dat narušuje původní model);
  2. externí validace rozdělením dostupné datové sady na tréninkovou sadu pro vývoj modelu a sadu predikcí pro kontrolu predikce modelu;
  3. slepá externí validace aplikací modelu na nová externí data a
  4. randomizace dat nebo kódování Y pro ověření absence korelace náhody mezi odpovědí a deskriptory modelování.

Úspěch jakéhokoli modelu QSAR závisí na přesnosti vstupních dat, výběru vhodných deskriptorů a statistických nástrojů a nejdůležitější validaci vyvinutého modelu. Validace je proces, kterým se stanoví spolehlivost a relevance postupu pro konkrétní účel; pro QSAR modely musí být validace hlavně pro robustnost, predikční výkony a doména použitelnosti (AD) modelů.[6][7][8][30]

Některé metodiky ověřování mohou být problematické. Například, vynechat jeden ven křížová validace obecně vede k nadhodnocení prediktivní kapacity. I při externí validaci je obtížné určit, zda byl výběr tréninkových a testovacích sad manipulován, aby se maximalizovala prediktivní kapacita publikovaného modelu.

Mezi různé aspekty validace modelů QSAR, které vyžadují pozornost, patří metody výběru sloučenin cvičných sad,[31] nastavení velikosti tréninkové sady[32] a dopad výběru proměnných[33] pro tréninkové modely pro stanovení kvality predikce. Důležitý je také vývoj nových ověřovacích parametrů pro posuzování kvality modelů QSAR.[8][34][35]

aplikace

Chemikálie

Jednou z prvních historických aplikací QSAR bylo předvídání body varu.[36]

Je dobře známo například, že v konkrétním rodina z chemické sloučeniny, zejména z organická chemie, že existují silné korelace mezi strukturou a pozorovanými vlastnostmi. Jednoduchým příkladem je vztah mezi počtem uhlíků v alkany a jejich body varu. Existuje jasný trend ve zvyšování bodu varu se zvyšováním počtu uhlíků, což slouží jako prostředek pro predikci bodů varu vyšší alkany.

Stále velmi zajímavou aplikací je Hammettova rovnice, Taftova rovnice a predikce pKa metody.[37]

Biologický

Biologická aktivita molekul se obvykle měří v testy stanovit úroveň inhibice konkrétního signální transdukce nebo metabolické cesty. Objev drog často zahrnuje použití QSAR k identifikaci chemických struktur, které by mohly mít dobré inhibiční účinky na konkrétní cíle a mít nízké toxicita (nespecifická činnost). Zvláštní pozornost je věnována predikci rozdělovací koeficient log P, což je důležité opatření použité při identifikaci “drogová podoba " podle Lipinského pravidlo pěti.

Zatímco mnoho analýz vztahů mezi kvantitativní strukturní aktivitou zahrnuje interakce rodiny molekul s enzym nebo receptor vazebné místo, QSAR lze také použít ke studiu interakcí mezi strukturální domény bílkovin. Interakce protein-protein mohou být kvantitativně analyzovány z důvodu strukturálních variací místně zaměřená mutageneze.[38]

Je součástí strojové učení metoda ke snížení rizika paradoxu SAR, zejména s přihlédnutím k tomu, že je k dispozici pouze konečné množství dat (viz také MVUE ). Obecně lze všechny problémy QSAR rozdělit na kódování[39] a učení se.[40]

Aplikace

Byly použity modely (Q) SAR řízení rizik. QSARS navrhují regulační orgány; v Evropská unie, QSAR navrhuje DOSÁHNOUT nařízení, kde „REACH“ zkracuje „registrace, hodnocení, autorizace a omezování chemických látek“. Regulační aplikace metod QSAR zahrnuje in silico toxikologické hodnocení genotoxických nečistot. [41] Běžně používaný software pro hodnocení QSAR, jako je DEREK nebo MCASE, se používá ke genotoxicitě nečistot podle ICH M7.

Prostor chemického deskriptoru, jehož konvexní obal je generován konkrétní tréninkovou sadou chemikálií, která se nazývá tréninková množina doména použitelnosti. Predikce vlastností nových chemických látek, které se nacházejí mimo použití v doméně použitelnosti extrapolace, a je tedy méně spolehlivý (v průměru) než předpověď v doméně použitelnosti. Posouzení spolehlivosti předpovědí QSAR zůstává výzkumným tématem.

Rovnice QSAR lze použít k předpovědi biologických aktivit novějších molekul před jejich syntézou.

Mezi příklady nástrojů pro strojové učení pro modelování QSAR patří:[42]

Č.názevAlgoritmyExterní odkaz
1.RRF, SVM, Naivní Bayesian a ANN„R: Projekt R pro statistické výpočty“.
2.libSVMSVM„LIBSVM - knihovna pro podporu vektorových strojů“.
3.oranžovýRF, SVM a Naivní Bayesian„Orange Data Mining“.
4.RapidMinerSVM, RF, Naïve Bayes, DT, ANN a k-NN„RapidMiner | # 1 Open Source Predictive Analytics Platform“.
5.WekaRF, SVM a Naïve Bayes„Weka 3 - dolování dat pomocí softwaru s otevřeným zdrojovým kódem pro strojové učení v Javě“.
6.KnimeDT, Naivní Bayes a SVM"KNIME | Otevřeno pro inovace".
7.AZOrange[43]RT, SVM, ANN a RF„AZCompTox / AZOrange: doplňky AstraZeneca k Orange“. GitHub. 2018-09-19.
8.TanagraSVM, RF, Naïve Bayes a DT„TANAGRA - bezplatný software TĚŽBA DAT pro výuku a výzkum“.
9.Elkik-NN„Rámec pro dolování dat ELKI“. Archivovány od originál dne 19. 11. 2016.
10.Palička„Domovská stránka MALLET“.
11.MOA„MOA Massive Online Analysis | Real Time Analytics for Data Streams“. Archivovány od originál dne 2017-06-19.
12.Deep ChemLogistická regrese, Naive Bayes, RF, ANN a další"DeepChem". deepchem.io. Citováno 20. října 2017.


Viz také

Reference

  1. ^ Roy K, Kar S, Das RN (2015). „Kapitola 1.2: Co je QSAR? Definice a formulismus“. Základní nátěr při modelování QSAR / QSPR: Základní koncepty. New York: Springer-Verlag Inc. str. 2–6. ISBN  978-3-319-17281-1.
  2. ^ Ghasemi, Pérez-Sánchez; Mehri, Pérez-Garrido (2018). "Algoritmy neuronové sítě a hlubokého učení používané ve studiích QSAR: výhody a nevýhody". Objev drog dnes. 23 (10): 1784–1790. doi:10.1016 / j.drudis.2018.06.016. PMID  29936244.
  3. ^ Nantasenamat C, Isarankura-Na-Ayudhya C, Naenna T, Prachayasittikul V (2009). "Praktický přehled vztahu kvantitativní struktury a aktivity". Excli J.. 8: 74–88. doi:10.17877 / DE290R-690.
  4. ^ Nantasenamat C, Isarankura-Na-Ayudhya C, Prachayasittikul V (červenec 2010). "Pokroky ve výpočetních metodách pro predikci biologické aktivity sloučenin". Znalecké stanovisko k objevu drog. 5 (7): 633–54. doi:10.1517/17460441.2010.492827. PMID  22823204. S2CID  17622541.
  5. ^ A b Yousefinejad S, Hemmateenejad B (2015). "Chemometrické nástroje ve studiích QSAR / QSPR: Historická perspektiva". Chemometrie a inteligentní laboratorní systémy. 149, část B: 177–204. doi:10.1016 / j.chemolab.2015.06.016.
  6. ^ A b Tropsha A Gramatica P, Gombar VJ (2003). „Důležitost osvojení: Validace je absolutním základem pro úspěšnou aplikaci a interpretaci modelů QSPR“. Hřeben QSAR. Sci. 22: 69–77. doi:10.1002 / qsar.200390007.
  7. ^ A b Gramatica P (2007). "Principy validace modelů QSAR: interní a externí". Hřeben QSAR. Sci. 26 (5): 694–701. doi:10.1002 / qsar.200610151. hdl:11383/1668881.
  8. ^ A b C Chirico N, Gramatica P (srpen 2012). „Skutečná externí predikce modelů QSAR. Část 2. Nové vzájemně srovnatelné prahové hodnoty pro různá kritéria validace a potřeba kontroly rozptýleného grafu“. Journal of Chemical Information and Modeling. 52 (8): 2044–58. doi:10.1021 / ci300084j. PMID  22721530.
  9. ^ Tropsha, Alexander (2010). „Osvědčené postupy pro vývoj, ověřování a využívání modelů QSAR“. Molekulární informatika. 29 (6–7): 476–488. doi:10,1002 / min. 201000061. ISSN  1868-1743. PMID  27463326. S2CID  23564249.
  10. ^ Patani GA, LaVoie EJ (prosinec 1996). „Bioisosterismus: racionální přístup v designu léčiv“. Chemické recenze. 96 (8): 3147–3176. doi:10.1021 / cr950066q. PMID  11848856.
  11. ^ Brown N (2012). Bioisosteres in Medicinal Chemistry. Weinheim: Wiley-VCH. ISBN  978-3-527-33015-7.
  12. ^ Thompson SJ, Hattotuwagama CK, Holliday JD, Flower DR (2006). „K hydrofobicitě peptidů: Porovnání empirických předpovědí hodnot log P peptidu“. Bioinformace. 1 (7): 237–41. doi:10.6026/97320630001237. PMC  1891704. PMID  17597897.
  13. ^ Wildman SA, Crippen GM (1999). Msgstr "Predikce fyzikálně-chemických parametrů atomovými příspěvky". J. Chem. Inf. Comput. Sci. 39 (5): 868–873. doi:10.1021 / ci990307l.
  14. ^ A b Ajmani S, Jadhav K, Kulkarni SA. "Skupinový QSAR (G-QSAR)". Citovat deník vyžaduje | deník = (Pomoc)
  15. ^ Manoharan P, Vijayan RS, Ghoshal N (říjen 2010). „Racionalizace objevu léčiv na základě fragmentů pro BACE1: poznatky z FB-QSAR, FB-QSSR, víceoborových (MO-QSPR) a MIF studií“. Journal of Computer-Aided Molecular Design. 24 (10): 843–64. Bibcode:2010JCAMD..24..843M. doi:10.1007 / s10822-010-9378-9. PMID  20740315. S2CID  1171860.
  16. ^ A b Prasanth Kumar S, Jasrai YT, Pandya HA, Rawal RM (listopad 2013). „QSAR (PS-QSAR) na základě farmakoforové podobnosti pro předpovědi biologické aktivity specifické pro skupinu“. Journal of Biomolecular Structure & Dynamics. 33 (1): 56–69. doi:10.1080/07391102.2013.849618. PMID  24266725. S2CID  45364247.
  17. ^ Leach AR (2001). Molekulární modelování: principy a aplikace. Englewood Cliffs, NJ: Prentice Hall. ISBN  978-0-582-38210-7.
  18. ^ Vert JP, Schölkopf B, Tsuda K (2004). Jádrové metody ve výpočetní biologii. Cambridge, Massachusetts: MIT Press. ISBN  978-0-262-19509-6.
  19. ^ Dietterich TG, Lathrop RH, Lozano-Pérez T (1997). "Řešení problému s více instancemi pomocí osově paralelních obdélníků". Umělá inteligence. 89 (1–2): 31–71. doi:10.1016 / S0004-3702 (96) 00034-3.
  20. ^ Caruthers JM, Lauterbach JA, Thomson KT, Venkatasubramanian V, Snively CM, Bhan A, Katare S, Oskarsdottir G (2003). "Návrh katalyzátoru: extrakce znalostí z vysoce výkonných experimentů". J. Catal. 216 (1–2): 3776–3777. doi:10.1016 / S0021-9517 (02) 00036-2.
  21. ^ Manz TA, Phomphrai K, Medvedev G, Krishnamurthy BB, Sharma S, Haq J, Novstrup KA, Thomson KT, Delgass WN, Caruthers JM, Abu-Omar MM (duben 2007). „Korelace struktury a aktivity v titanových katalyzátorech polymerace olefinů s jedním místem obsahující směsnou ligaci cyklopentadienyl / aryloxidu“. Journal of the American Chemical Society. 129 (13): 3776–7. doi:10.1021 / ja0640849. PMID  17348648.
  22. ^ Manz TA, Caruthers JM, Sharma S, Phomphrai K, Thomson KT, Delgass WN, Abu-Omar MM (2012). „Korelace struktury a aktivity pro relativní zahájení řetězce na rychlost šíření v polymerační polymeraci olefinů na jednom místě“. Organometallics. 31 (2): 602–618. doi:10.1021 / om200884x.
  23. ^ Gusfield D (1997). Algoritmy na řetězcích, stromech a sekvencích: informatika a výpočetní biologie. Cambridge, Velká Británie: Cambridge University Press. ISBN  978-0-521-58519-4.
  24. ^ Helma C (2005). Prediktivní toxikologie. Washington, DC: Taylor & Francis. ISBN  978-0-8247-2397-2.
  25. ^ Dossetter AG, Griffen EJ, Leach AG (2013). "Spárovaná analýza molekulárních párů při objevování léků". Objev drog dnes. 18 (15–16): 724–31. doi:10.1016 / j.drudis.2013.03.003. PMID  23557664.
  26. ^ Sushko Y, Novotarskyi S, Körner R, Vogt J, Abdelaziz A, Tetko IV (2014). „Predikcí řízené spárované molekulární páry k interpretaci QSAR a podpoře procesu molekulární optimalizace“. Journal of Cheminformatics. 6 (1): 48. doi:10.1186 / s13321-014-0048-0. PMC  4272757. PMID  25544551.
  27. ^ Tong W, Hong H, Xie Q, Shi L, Fang H, Perkins R (duben 2005). „Posouzení omezení QSAR - regulační perspektiva“. Současný design léků podporovaný počítačem. 1 (2): 195–205. doi:10.2174/1573409053585663.
  28. ^ Dearden JC (2003). „In silico prediction of drug toxic“. Journal of Computer-Aided Molecular Design. 17 (2–4): 119–27. Bibcode:2003JCAMD..17..119D. doi:10.1023 / A: 1025361621494. PMID  13677480. S2CID  21518449.
  29. ^ Wold S, Eriksson L (1995). Msgstr "Statistická validace výsledků QSAR". V Waterbeemd, Han van de (ed.). Chemometrické metody v molekulárním designu. Weinheim: VCH. 309–318. ISBN  978-3-527-30044-0.
  30. ^ Roy K (prosinec 2007). "K některým aspektům validace prediktivních kvantitativních modelů vztahů mezi strukturou a aktivitou". Znalecké stanovisko k objevu drog. 2 (12): 1567–77. doi:10.1517/17460441.2.12.1567. PMID  23488901. S2CID  21305783.
  31. ^ Leonard JT, Roy K (2006). "O výběru tréninkových a testovacích sad pro vývoj prediktivních modelů QSAR". QSAR a kombinatorická věda. 25 (3): 235–251. doi:10.1002 / qsar.200510161.
  32. ^ Roy PP, Leonard JT, Roy K (2008). „Zkoumání dopadu velikosti tréninkových sad na vývoj prediktivních modelů QSAR“. Chemometrie a inteligentní laboratorní systémy. 90 (1): 31–42. doi:10.1016 / j.chemolab.2007.07.004.
  33. ^ Put R, Vander Heyden Y (říjen 2007). "Přehled aspektů modelování v reverzní fázi kapalinové chromatografie kvantitativní vztahy mezi strukturou a retencí". Analytica Chimica Acta. 602 (2): 164–72. doi:10.1016 / j.aca.2007.09.014. PMID  17933600.
  34. ^ Pratim Roy P, Paul S, Mitra I, Roy K (2009). „O dvou nových parametrech pro validaci prediktivních modelů QSAR“. Molekuly. 14 (5): 1660–701. doi:10,3390 / molekuly 14051660. PMC  6254296. PMID  19471190.
  35. ^ Chirico N, Gramatica P (září 2011). „Skutečná externí predikce modelů QSAR: jak ji vyhodnotit? Porovnání různých validačních kritérií a návrh použití korelačního korelačního koeficientu“. Journal of Chemical Information and Modeling. 51 (9): 2320–35. doi:10.1021 / ci200211n. PMID  21800825.
  36. ^ Rouvray DH, Bonchev D (1991). Teorie chemických grafů: úvod a základy. Tunbridge Wells, Kent, Anglie: Abacus Press. ISBN  978-0-85626-454-2.
  37. ^ Fraczkiewicz, R (2013). „In Silico Predikce ionizace“. In Reedijk, J (ed.). Referenční modul v chemii, molekulárních vědách a chemickém inženýrství. Referenční modul v chemii, molekulárních vědách a chemickém inženýrství [online]. sv. 5. Amsterdam, Nizozemsko: Elsevier. doi:10.1016 / B978-0-12-409547-2.02610-X. ISBN  9780124095472.
  38. ^ Freyhult EK, Andersson K, Gustafsson MG (duben 2003). „Strukturální modelování rozšiřuje QSAR analýzu interakcí protilátka-lysozym na 3D-QSAR“. Biofyzikální deník. 84 (4): 2264–72. Bibcode:2003BpJ .... 84.2264F. doi:10.1016 / S0006-3495 (03) 75032-2. PMC  1302793. PMID  12668435.
  39. ^ Timmerman H, Todeschini R, Consonni V, Mannhold R, Kubinyi H (2002). Příručka molekulárních deskriptorů. Weinheim: Wiley-VCH. ISBN  978-3-527-29913-3.
  40. ^ Duda RO, Hart PW, Stork DG (2001). Klasifikace vzorů. Chichester: John Wiley & Sons. ISBN  978-0-471-05669-0.
  41. ^ Fioravanzo, E .; Bassan, A .; Pavan, M .; Mostrag-Szlichtyng, A .; Worth, A. P. (01.04.2012). "Role in silico nástrojů pro genotoxicitu při regulačním hodnocení farmaceutických nečistot". SAR a QSAR ve výzkumu životního prostředí. 23 (3–4): 257–277. doi:10.1080 / 1062936X.2012.657236. ISSN  1062-936X. PMID  22369620. S2CID  2714861.
  42. ^ Lavecchia A (březen 2015). „Přístupy strojového učení při objevování drog: metody a aplikace“. Objev drog dnes. 20 (3): 318–31. doi:10.1016 / j.drudis.2014.10.012. PMID  25448759.
  43. ^ Stålring JC, Carlsson LA, Almeida P, Boyer S (2011). „AZOrange - vysoce výkonné strojové učení s otevřeným zdrojovým kódem pro modelování QSAR v prostředí grafického programování“. Journal of Cheminformatics. 3: 28. doi:10.1186/1758-2946-3-28. PMC  3158423. PMID  21798025.

Další čtení

externí odkazy