Знаймо

Додати знання

приховати рекламу

Цей текст може містити помилки.

Пошук кількісних співвідношень структура-властивість



План:


Введення

Пошук кількісних співвідношень структура-властивість - процедура побудови моделей, що дозволяють по структурам хімічних сполук передбачати їх різноманітні властивості. За моделями, що дозволяють прогнозувати кількісні характеристики біологічної активності, історично закріпилося англомовне назву Quantitative Structure-Activity Relationship (QSAR). Абревіатура QSAR часто трактується розширено для позначення будь-яких моделей структура-властивість. За моделями, що дозволяють прогнозувати фізичні і фізико-хімічні властивості органічних сполук, закріпилося англомовне назву Quantitative Structure-Property Relationship (QSPR). При якісному описі співвідношень між структурами хімічних сполук і їх біологічною активністю вживають англомовний термін Structure-Activity Relationship (SAR).

Пошук кількісних співвідношень структура-властивість заснований на застосуванні методів математичної статистики і машинного навчання для побудови моделей, що дозволяють за описом структур хімічних сполук передбачати їх властивості (фізичні, хімічні, біологічну активність). При прогнозуванні властивостей на якісному рівні (наприклад, чи буде дана хімічна сполука володіти даним видом біологічної активності) говорять про рішення класифікаційної задачі, тоді як при прогнозуванні числових значень властивостей говорять про рішення регресійної задачі. Опис структур хімічних сполук для цих цілей може бути векторним або невекторним (графовая).


1. Моделювання властивостей при векторному описі хімічних сполук

При векторному описі хімічній структурі ставиться у відповідність вектор молекулярних дескрипторів, кожен з яких представляє собою інваріант молекулярного графа.

1.1. Молекулярні дескриптори

Існуючі набори молекулярних дескрипторів можуть бути умовно розділені на наступні категорії:

  1. Фрагментного дескриптори [1] [2] [3] існують в двох основних варіантах - бінарному і целочисленном. Бінарні фрагментного дескриптори показують, чи міститься даний фрагмент (підструктура) в структурній формулі (тобто чи міститься даний підграф в молекулярному графі, що описує дане хімічна сполука), тоді як цілочисельні фрагментного дескриптори показують, скільки разів даний фрагмент (підструктура) міститься в структурній формулі (тобто скільки разів міститься даний підграф в молекулярному графі, що описує дане хімічна сполука). В огляді [3] описано 11 основних категорій фрагментного дескрипторів. Унікальна роль фрагментного дескрипторів полягає в тому, що, як показано в роботах [4] [5], вони утворюють базис дескрипторного простору, тобто будь молекулярний дескриптор (і будь молекулярне властивість), що є інваріантом молекулярного графа, може бути однозначно розкладений по цьому базису. Крім моделювання властивостей органічних сполук, бінарні фрагментного дескриптори у формі молекулярних ключів (скрінів) і молекулярних відбитків пальців застосовуються при роботі з базами даних для прискорення подструктурного пошуку і організації пошуку за подобою [3].
  2. Топологічні індекси.
  3. Фізико-хімічні дескриптори [6] - це числові характеристики, одержувані в результаті моделювання фізико-хімічних властивостей хімеческіх з'єднань, або величини, що мають чітку фізико-хімічну інтерпретацію. Найбільш часто використовуються в якості дескрипторів: ліпофільність (LogP), молярна рефракція (MR), молекулярна вага (MW), дескриптори водневого зв'язку [7], молекулярні об'єми і площі поверхонь.
  4. Квантово-хімічні дескриптори [8] - це числові величини, одержувані в результаті квантово-хімічних розрахунків. Найбільш часто в якості дескрипторів використовуються: енергії граничних молекулярних орбіталей (ВЗМО і НРМОУ), часткові заряди на атомах і часткові порядки зв'язків, індекси реакційної здатності Фукуї (індекс вільної валентності, Нуклеофільниє і електрофільні суперделокалізуемость), енергії катіонної, аніонної та радикальної локалізації, дипольний і вищі мультипольні моменти розподілу електростатичного потенціалу.
  5. Дескриптори молекулярних полів - це числові величини, аппроксимирующие значення молекулярних полів шляхом обчислення енергії взаємодії пробного атома, поміщеного в вузол решітки, з поточною молекулою. На побудові кореляцій між значеннями дескрипторів молекулярних полів і числовим значенням біологічної активності за допомогою методу часткових найменших квадратів (Partial Least Squares - PLS) засновані методи 3D-QSAR, найбільш відомим з яких є CoMFA [9].
  6. Константи заступників [10] вперше були введені Л. П. Гаммета в рамках рівняння, що отримав його ім'я, яке пов'язує константи швидкості реакції з константами рівноваги для деяких класів органічних реакцій. Константи заступників увійшли в практику QSAR після появи рівняння Ганча-Фуджіта, що зв'язує біологічну активність з константами заступників і значенням ліпофільності. В даний час відомо кілька десятків констант замісників.
  7. Фармакофорні дескриптори показують, чи можуть прості фармакофори, що складаються з пар або трійок фармакофорні центрів зі специфікувати відстанню між ними, містяться всередині аналізованої молекули [11].
  8. Дескриптори молекулярного подібності вказують на міру подібності (молекулярного подібності) з сполуками з навчальної вибірки.

Молекулярні дескриптори найбільш повно описані в монографії [12], яку можна вважати енциклопедією молекулярних дескрипторів.


1.2. Методи побудови моделей структура-властивість

Для вирішення регресійних задач при векторному описі структур хімічних сполук найчастіше в хемоінформатика застосовуються такі методи математичної статистики і машинного навчання :

  1. Множинна лінійна регресія
  2. Метод часткових найменших квадратів (Partial Least Squares - PLS)
  3. Штучні нейронні мережі
  4. Регресія на опорних векторах
  5. Випадковий ліс
  6. Метод k найближчих сусідів

Для вирішення двухклассових (бінарних) або многоклассових класифікаційних задач при векторному описі структур хімічних сполук найчастіше в хемоінформатика застосовуються такі методи математичної статистики і машинного навчання :

  1. Наївний байєсовський класифікатор
  2. Лінійний дискримінантний аналіз (Linear Discriminant Analysis - LDA)
  3. Штучні нейронні мережі
  4. Метод опорних векторів
  5. Дерева прийнять рішень
  6. Випадковий ліс
  7. Метод k найближчих сусідів

Для вирішення однокласових класифікаційних задач при векторному описі структур хімічних сполук найчастіше в хемоінформатика застосовуються такі методи машинного навчання :

  1. Автокодірующіе нейронні мережі
  2. Однокласовій машина опорних векторів (1-SVM)

2. Моделювання властивостей при невекторном (графовая) описі хімічних сполук

Моделювання властивостей при невекторном описі хімічних сполук здійснюється або за допомогою нейронних мереж спеціальних архітектур, що дозволяють працювати безпосередньо з матрицями суміжності молекулярних графів, або за допомогою ядерних (kernel) методів з використанням спеціальних графових (або хімічних, фармакофорні) ядер.

Прикладами служать для цієї мети нейронних мереж зі спеціальною архітектурою є:

  1. BPZ [13] [14]
  2. ChemNet [15]
  3. CCS [16] [17]
  4. MolNet [18]
  5. Graph machines [19]

Прикладами служать для цієї мети графових (або хімічних, фармакофорні) ядер є:

  1. Marginalized graph kernel [20]
  2. Optimal assignment kernel [21] [22] [23]
  3. Pharmacophore kernel [24]

3. Вільно доступні через Інтернет обчислювальні ресурси

3.1. Ресурси, що дозволяють будувати нові моделі структура-властивість

  1. Online CHemical Modeling (OCHEM) - інформаційний та обчислювальний ресурс, що дозволяє працювати через Web-інтерфейс з базою даних по органічним сполукам та їх властивостям, поповнювати її, здійснювати в ній пошук і формувати вибірки, розраховувати широкий набір молекулярних дескрипторів, будувати кількісні моделі структура- властивість і застосовувати їх для прогнозування властивостей нових сполук
  2. Chembench - ресурс, що дозволяє будувати моделі структура-властивість і їх використовувати для прогнозування

4. Приклади прогнозування

4.1. Приклади прогнозування фізико-хімічних властивостей органічних сполук

  1. Фізичні властивості індивідуальних низькомолекулярних сполук
    1. Температура кипіння (Тк) [25] [26]
    2. Критична температура (Tкр) [25]
    3. В'язкість [27] [26]
    4. Тиск насиченої пари [25] [26] [27]
    5. Щільність [25] [26] [27]
    6. Показник заломлення [25]
    7. Температура плавлення (Тпл) [25]
    8. Шкали полярності розчинників [25]
    9. Індекси утримання в газової хроматографії [25]
    10. Поляризованість [28]
    11. Магнітна сприйнятливість [29]
    12. Ентальпія сублімації [30]
  2. Фізичні властивості низькомолекулярних сполук в залежності від умов
    1. Температура кипіння вуглеводнів в залежності від тиску [31]
    2. Щільність вуглеводнів в залежності від температури [31]
    3. Динамічна в'язкість вуглеводнів в залежності від температури [31]
  3. Спектроскопічні властивості
    1. Положення довгохвильової смуги поглинання симетричних ціанінових барвників [32]
    2. Хімічні зрушення в спектрах 1 H ЯМР [33]
    3. Хімічні зрушення в спектрах 13 С ЯМР [34]
    4. Хімічні зрушення в спектрах 31 P ЯМР [35]
  4. Фізично-хімічні властивості низькомолекулярних сполук
    1. Температура спалаху і темпертура самозаймання [25] [36]
    2. Октанові числа вуглеводнів [37]
    3. Константи іонізації ( кислотності або основності) [38]
  5. Фізичні властивості, обумовлені міжмолекулярними взаємодіями молекул різного типу
    1. Розчинність у воді (LogSw) [39] [25]
    2. Коефіцієнт розподілу n-октанол/вода (LogP) [40]
    3. Коефіцієнт розподілу низькомолекулярних речовин між водою і мицеллами Pluronic P85 [41]
    4. Вільна енергія сольватації органічних молекул в різних розчинниках [42]
  6. Реакційна здатність органічних сполук
    1. Константа швидкості кислотного гідролізу складних ефірів [43]
  7. Супрамолекулярні властивості
    1. Стабільність комплексів включення органічних сполук з бета-циклодекстрином [44]
    2. Спорідненість барвників до Целюлозно волокну [45]
    3. Константи стійкості комплексів іонофоров з іонами металів [46]
  8. Фізичні властивості поверхнево-активних речовин (ПАР)
    1. Критична концентрація міцеллообразованія (ККМ) [25]
    2. Температура помутніння [25]
  9. Фізичні і фізико-хімічні властивості полімерів
    1. Температура склування [25]
    2. Показник заломлення полімерів [25]
    3. Прискорення вулканізації гум [25]
    4. Коефіцієнт проникності через поліетилен низької щільності [47]
  10. Фізичні властивості іонних рідин
    1. Температура плавлення [48]

4.2. Приклади прогнозування властивостей ADMET

  1. Фармакокінетичні властивості
    1. Проникнення через гематоенцефалічний бар'єр [49]
    2. Швидкість проникнення через шкіру [50]
  2. Метаболізм
    1. Сайти ароматичного гідроксилювання при метаболічної активації цитохромом P450 [51]
  3. Токсичність
    1. Канцерогенність [52]
    2. Ембріотоксичність [53]

4.3. Приклади прогнозування біологічної активності органічних сполук

  1. Спектр біологічної активності [54]
  2. Належність до фармакологічним групам [55]

Література

  1. NS Zefirov, VA Palyulin (2002). "Fragmental Approach in QSPR". J. Chem. Inf. Comput. Sci. 42 (5): 1112-1122. DOI : 10.1021/ci020010e.
  2. I. Baskin, A. Varnek (2008). "Building a chemical space based on fragment descriptors". Combinatorial Chemistry & High Throughput Screening 11 (8): 661-668.
  3. 1 2 3 I. Baskin, A. Varnek. "Fragment Descriptors in SAR / QSAR / QSPR Studies, Molecular Similarity Analysis and in Virtual Screening". In: Chemoinformatic Approaches to Virtual Screening, A. Varnek, A. Tropsha, eds., RCS Publishing, 2008, ISBN 978-0-85404-144-2, P. 1-43
  4. І. І. Баскін, М. І. Скворцова, І. В. Станкевич, Н. С. Зефиров (1994). "Про базисі інваріантів помічених молекулярних графів". Докл. РАН 339 (3): 346-350.
  5. II Baskin, MI Skvortsova, IV Stankevich, NS Zefirov (1995). "On basis of invariants of labeled molecular graphs". J. Chem. Inf. Comput. Sci. 35 (3): 527-531. DOI : 10.1021/ci00025a021.
  6. О. А. Раєвський (1999). "Дескриптори молекулярної структури в комп'ютерному дизайні біологічно активних речовин". Успіхи хімії 68 (6): 555-575.
  7. О. А. Раєвський (2006). "Дескриптори водневого зв'язку в комп'ютерному молекулярному дизайні". Рос. хім. ж. (Ж. Рос. Хім. Об-ва ім. Д.І.Менделєєва) L (2): 97-107.
  8. M. Karelson, VS Lobanov, AR Katritzky (1996). "Quantum-Chemical Descriptors in QSAR / QSPR Studies". Chem. Rev. +96 (3): 1027-1044. DOI : 10.1021/cr950202r.
  9. RD Cramer, DE Patterson, JD Bunce (1988). "Comparative molecular field analysis (CoMFA). 1. Effect of shape on binding of steroids to carrier proteins". J. Am. Chem. Soc. 110 (18): 5959-5967. DOI : 10.1021/ja00226a005.
  10. Пальм, В. А. Основи кількісної теорії органічних реакцій. - 2-е, пров. і доп .. - Л. : Хімія, 1977. - 360 с.
  11. F. Bonachera, B. Parent, F. Barbosa, N. Froloff, D. Horvath (2006). "Fuzzy Tricentric Pharmacophore Fingerprints. 1. Topological Fuzzy Pharmacophore Triplets and Adapted Molecular Similarity Scoring Schemes". J. Chem. Inf. Model. 46 (6): 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. І. І. Баскін, В. А. Палюлін, Н. С. Зефиров (1993). "Методологія пошуку прямих кореляцій між структурами і властивостями органічних сполук за допомогою обчислювальних нейронних мереж". Докл. РАН 333 (2): 176-179.
  14. II Baskin, VA Palyulin, NS Zefirov (1997). "A Neural Device for Searching Direct Correlations between Structures and Properties of Organic Compounds". J. Chem. Inf. Comput. Sci. 37 (4): 715-721. DOI : 10.1021/ci940128y.
  15. DB Kireev (1995). "ChemNet: A Novel Neural Network Based Method for Graph / Property Mapping". J. Chem. Inf. Comput. Sci. 35 (2): 175-180. DOI : 10.1021/ci00024a001.
  16. AM Bianucci (2000). "Application of Cascade Correlation Networks for Structures to Chemistry". Applied Intelligence 12 (1-2): 117-146.
  17. A. Micheli, A. Sperduti, A. Starita, AM Bianucci (2001). "Analysis of the Internal Representations Developed by Neural Networks for Structures Applied to Quantitative Structure-Activity Relationship Studies of Benzodiazepines". J. Chem. Inf. Comput. Sci. 41 (1): 202-218. DOI : 10.1021/ci9903399.
  18. O. Ivanciuc (2001). "Molecular Structure Encoding into Artificial Neural Networks Topology". Roumanian Chemical Quarterly Reviews 8 : 197-220.
  19. A. Goulon, T. Picot, A. Duprat, G. Dreyfus (2007). "Predicting activities without computing descriptors: Graph machines for QSAR". SAR and QSAR in Environmental Research 18 (1-2): 141-153. DOI : 10.1080/10629360601054313.
  20. H. Kashima, K. Tsuda, A. Inokuchi, Marginalized Kernels Between Labeled Graphs, The 20th International Conference on Machine Learning (ICML2003), 2003. PDF
  21. H. Frhlich, 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
  22. H. Frhlich, JK Wegner, A. Zell (2006). "Kernel Functions for Attributed Molecular Graphs - A New Similarity Based Approach To ADME Prediction in Classification and Regression". QSAR Comb. Sci. 25 (4): 317-326. DOI : 10.1002/qsar.200510135.
  23. H. Frhlich, JK Wegner, A. Zell, Assignment Kernels For Chemical Compounds, International Joint Conference on Neural Networks 2005 (IJCNN'05), 2005, 913-918. CiteSeer
  24. P. Mahe, L. Ralaivola, V. Stoven, J. Vert (2006). "The pharmacophore kernel for virtual screening with support vector machines". J. Chem. Inf. Model. 46 (5): 2003-2014. DOI : 10.1021/ci060138m.
  25. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 AR Katritzky, U. Maran, VS Lobanov, M. Karelson (2000). "Structurally Diverse Quantitative Structure-Property Relationship Correlations of Technologically Relevant Physical Properties". J. Chem. Inf. Comput. Sci. 40 (1): 1-18. DOI : 10.1021/ci9903206.
  26. 1 2 3 4 Н. В. Артеменко, И. И. Баскин, В. А. Палюлин, Н. С. Зефиров (2001). "Прогнозирование физических свойств органических соединений при помощи искусственных нейронных сетей в рамках подструктурного подхода". Докл. АН 381 (2): 203-206.
  27. 1 2 3 Н. В. Артеменко, И. И. Баскин, В. А. Палюлин, Н. С. Зефиров (2003). "Искусственные нейронные сети и фрагментный подход в прогнозировании физико-химических свойств органических соединений". Известия РАН, Серия химическая (1): 19-28.
  28. Н. И. Жохова, И. И. Баскин, В. А. Палюлин, А. Н. Зефиров, Н. С. Зефиров (2003). "Фрагментные дескрипторы в QSPR: применение для расчета поляризуемости молекул". Известия РАН, Серия химическая (5): 1005-1009.
  29. Н. И. Жохова, И. И. Баскин, В. А. Палюлин, А. Н. Зефиров, Н. С. Зефиров (2004). "Фрагментные дескрипторы в QSPR: применение для расчета магнитной восприимчивости". Журнал структурной химии 45 (4): 660-669.
  30. Н. И. Жохова, И. И. Баскин, В. А. Палюлин, А. Н. Зефиров, Н. С. Зефиров (2003). "Расчет энтальпии сублимации методом QSPR с применением фрагментного подхода". Журнал прикладной химии 76 (12): 1966-1970.
  31. 1 2 3 Н. М. Гальберштам, И. И. Баскин, В. А. Палюлин, Н. С. Зефиров (2002). "Построение нейросетевых зависимостей структура-условия-свойство. Моделирование физико-химических свойств углеводородов". Докл. АН 384 (2): 202-205.
  32. И. И. Баскин, А. О. Айт, Н. М. Гальберштам, В. А. Палюлин, Н. С. Зефиров (1997). "Применение методологии искусственных нейронных сетей для прогнозирования свойств сложных молекулярных систем. Предсказание положения длинноволновой полосы поглощения симметричных цианиновых красителей". Докл. АН 357 (1): 57-59.
  33. Y. Binev, J. Aires-de-Sousa (2004). "Structure-Based Predictions of 1 H NMR Chemical Shifts Using Feed-Forward Neural Networks". J. Chem. Inf. Comput. Sci. 44 (3): 940-945. DOI : 10.1021/ci034228s.
  34. JP Doucet, A. Panaye, E. Feuilleaubois, P. Ladd (1993). "Neural Networks and 13 C NMR Shift Prediction". J. Chem. Inf. Comput. Sci. 33 (3): 320-324. DOI : 10.1021/ci00013a007.
  35. GMJ West (1993). "Predicting Phosphorus NMR Shifts Using Neural Networks". J. Chem. Inf. Comput. Sci. 33 (4): 577-589. DOI : 10.1021/ci00014a009.
  36. Н. И. Жохова, И. И. Баскин, В. А. Палюлин, А. Н. Зефиров, Н. С. Зефиров (2003). "Фрагментные дескрипторы в QSAR: применение для расчета температуры вспышки". Известия РАН, Серия химическая (9): 1787-1793.
  37. А. В. Сидорова, И. И. Баскин, В. А. Палюлин, Д. Е. Петелин, Н. С. Зефиров (1996). "Исследование зависимостей между структурой и октановыми числами углеводородов". Докл. АН 350 (5): 642-646.
  38. А. А. Иванова, И. И. Баскин, В. А. Палюлин, Н. С. Зефиров (2007). "Оценка значений констант ионизации для различных классов органических соединений с использованием фрагментного подхода к поиску зависимостей "структура-свойство"". Докл. АН 413 (6): 766-770.
  39. D. Butina, JMR Gola (2003). "Modeling Aqueous Solubility". J. Chem. Inf. Comput. Sci. 43 (3): 837-841. DOI : 10.1021/ci020279y.
  40. IV Tetko, V. Yu. Tanchuk, AEP Villa (2001). "Prediction of n-Octanol/Water Partition Coefficients from PHYSPROP Database Using Artificial Neural Networks and E-State Indices". J. Chem. Inf. Comput. Sci. 41 (5): 1407-1421. DOI : 10.1021/ci010368v.
  41. В. С. Бугрин, М. Ю. Козлов, И. И. Баскин, Н. С. Мелик-Нубаров (2007). "Межмолекулярные взаимодействия, определяющие солюбилизацию в мицеллах полиалкиленоксидных поверхностно активных веществ". Высокомолекулярные соединения, Серия А 49 (4): 701-712.
  42. А. А. Кравцов, П. В. Карпов, И. И. Баскин, В. А. Палюлин, Н. С. Зефиров (2007). ""Бимолекулярный" QSPR: Оценка свободной энергии сольватации органических молекул в различных растворителях". Докл. АН 414 (3): ???.
  43. NM Halberstam, II Baskin, VA Palyulin, NS Zefirov (2002). "Quantitative Structure Conditions Property Relationships Studies. Neural Network Modelling of the Acid Hydrolysis of Esters" 12 (6): 185-186.
  44. Н. И. Жохова, Е. В. Бобков, И. И. Баскин, В. А. Палюлин, А. Н. Зефиров, Н. С. Зефиров (2007). "Расчет стабильности комплексов органических соединений с β-циклодекстрином с помощью метода QSPR". Вестник МГУ, сер. 2, Химия 48 (5): 329-332.
  45. Н. І. Жохова, І. І. Баскін, В. А. Палюлін, А. Н. Зефиров, Н. С. Зефиров (2005). "Дослідження спорідненості барвників до целюлозного волокна в рамках фрагментарного підходу в QSPR". Журнал прикладної хімії 78 (6): 1034-1037.
  46. IV Tetko, VP Solov'ev, AV Antonov, X. Yao, JP Doucet, B. Fan, F. Hoonakker, D. Fourches, P. Jost, N. Lachiche, A. Varnek (2006). "Benchmarking of Linear and Nonlinear Approaches for Quantitative Structure-Property Relationship Studies of Metal Complexation with Ionophores". J. Chem. Inf. Model. 46 (2): 808-819. DOI : 10.1021/ci0504216.
  47. MP Gonzalez, AM Helguera, HG Diaz (2004). "A TOPS-MODE approach to predict permeability coefficients". Polymer 45: 2073-2079.
  48. Varnek, A.; Kireeva, N.; Tetko, IV; Baskin, II; Solov'ev, VP (2007). "Exhaustive QSPR Studies of Large Diverse Set of Ionic Liquids: How Accurately Can We Predict Melting Points?". J. Chem. Inf. Model. 47: 1111-1122.
  49. AR Katritzky, M. Kuanar, S. Slavov, DA Dobchev, DC Fara, M. Karelson, WE Acree, Jr., VP Solov'ev, A. Varnek (2006). "Correlation of blood-brain penetration using structural descriptors". Bioorg. Med. Chem. 14: 4888-4917. DOI : 10.1016/j.bmc.2006.03.012.
  50. AR Katritzky, DA Dobchev, DC Fara, E. Hur, K. Tamm, L. Kurunczi, M. Karelson, A. Varnek, VP Solov'ev (2006). "Skin permeation rate as a function of chemical structure". J. Med. Chem. +49 (11): 3305-3314. DOI : 10.1021/jm051031d.
  51. Yu. Borodina, A, Rudik, D. Filimonov, N. Kharchevnikova, A. Dmitriev, V. Blinova, V. Poroikov (2004). "New Statistical Approach to Predicting Aromatic Hydroxylation Sites. Comparison with Model-Based Approaches". J. Chem. Inf. Comput. Sci. 44 (6): 1998-2009. DOI : 10.1021/ci049834h.
  52. AA Lagunin, JC Dearden, DA Filimonov, VV Poroikov (2005). "Computer-aided rodent carcinogenicity prediction". Mutat. Res. 586 (2): 138-146. PMID 16112600.
  53. І. І. Баскін, Г. А. Бузнік, А. С. Кабанкін, М. А. Ландау, Л. А. Лексина, А. А. Ордуханян, В.А.Палюлін, Н.С.Зефіров (1997) . "Комп'ютерне вивчення залежності між ембріотоксичності та структурами синтетичних аналогів біогенних амінів". Известия РАН, серія біологічна (4): 407-413.
  54. Д. А. Філімонов, В. В. Поройков (2006). "Прогноз спектру біологічної активності органічних сполук". Рос. хім. ж. (Ж. Рос. Хім. Об-ва ім. Д.І.Менделєєва) L (2): 66-75.
  55. Є. П. Кондратович, М. І. Жохова, І. І. Баскін, В. А. Палюлін, Н. С. Зефиров (2009). "Фрагментного дескриптори при дослідженні співвідношень структура-активність: застосування для прогнозування приналежності органічних сполук до фармакологічним групам з використанням методу опорних векторів". Известия Академії наук. Серія хімічна 4: 641-647.

Цей текст може містити помилки.

Схожі роботи | скачати

Схожі роботи:
Теорія визначальних співвідношень
Закон переходу кількісних змін у якісні
Властивість
Властивість
Теорема про властивість Дарбу для неперервної функції
Пошук
Двійковий пошук
Пошук шляху
Інформаційний пошук
© Усі права захищені
написати до нас
Рейтинг@Mail.ru