QSAR

Căutarea relațiilor cantitative structură-proprietate  este o procedură de construire a modelelor care fac posibilă prezicerea diferitelor proprietăți ale acestora din structurile compușilor chimici. Modelele care fac posibilă prezicerea caracteristicilor cantitative ale activității biologice au primit, în mod istoric, numele în engleză Quantitative Structure-Activity Relationship (QSAR) . Abrevierea QSAR este adesea interpretată în sens larg pentru a se referi la orice model de structură-proprietate. Modelele care fac posibilă prezicerea proprietăților fizice și fizico-chimice ale compușilor organici au primit numele în limba engleză Quantitative Structure-Property Relationship (QSPR). Într-o descriere calitativă a relației dintre structurile compușilor chimici și activitatea lor biologică, se folosește termenul englezesc Structure-Activity Relationship (SAR) .

Căutarea relațiilor cantitative structură-proprietate se bazează pe utilizarea statisticii matematice și a metodelor de învățare automată pentru a construi modele care să permită prezicerea proprietăților acestora (activitate fizică, chimică, biologică) din descrierea structurilor compușilor chimici. Când se prezică proprietăți la nivel calitativ (de exemplu, dacă un anumit compus chimic va avea un anumit tip de activitate biologică), se vorbește despre rezolvarea unei probleme de clasificare , în timp ce atunci când se prezică valorile numerice ale proprietăților, se vorbește despre rezolvarea unei regresii . problemă. Descrierea structurilor compușilor chimici în aceste scopuri poate fi vectorială sau non-vectorală ( grafic ).

Modelarea proprietăților în descrierea vectorială a compușilor chimici

În descrierea vectorială a unei structuri chimice, este asociat un vector de descriptori moleculari, fiecare dintre care este un invariant al graficului molecular .

Descriptori moleculari

Seturile existente de descriptori moleculari pot fi împărțite aproximativ în următoarele categorii:

  1. Descriptorii de fragment [1] [2] [3] există în două variante principale - binar și întreg . Descriptorii de fragmente binari indică dacă un anumit fragment (substructură) este conținut într-o formulă structurală (adică dacă un anumit subgraf este conținut în graficul molecular care descrie un anumit compus chimic ), în timp ce descriptorii de fragment întreg indică de câte ori un fragment dat ( substructură) este conținută într-o formulă structurală (adică de câte ori un anumit subgraf este conținut într-un grafic molecular care descrie un anumit compus chimic ). Review [3] descrie 11 categorii principale de descriptori de fragmente. Rolul unic al descriptorilor de fragment este că, așa cum se arată în [4] [5] , ei formează baza spațiului de descriptor, adică orice descriptor molecular (și orice proprietate moleculară) care este un invariant al unui graf molecular poate fi descompuse în mod unic pe această bază. Pe lângă modelarea proprietăților compușilor organici, descriptori de fragmente binari sub formă de chei moleculare (ecrane) și amprente moleculare sunt utilizați atunci când se lucrează cu baze de date pentru a accelera căutarea substructurală și pentru a organiza căutarea prin similitudine [3] .
  2. Indici topologici .
  3. Descriptorii fizico -chimici [6]  sunt caracteristici numerice obținute ca urmare a modelării proprietăților fizico-chimice ale compușilor chimici, sau cantități care au o interpretare fizico-chimică clară. Cei mai des utilizați descriptori sunt: ​​lipofilitatea (LogP), refracția molară (MR), greutatea moleculară (MW), descriptorii legăturilor de hidrogen [7] , volumele moleculare și suprafețele.
  4. Descriptorii cuantico-chimici [8]  sunt valori numerice obținute ca urmare a calculelor cuantico-chimice. Cei mai des utilizați descriptori sunt: ​​energiile orbitalilor moleculari de frontieră (HOMO și LUMO), sarcinile parțiale ale atomilor și ordinele parțiale de legături, indicii de reactivitate Fukui (indicele de valență liberă, superdelocalizabilitatea nucleofilă și electrofilă), energiile de localizare cationică, anionica și radicală. , dipol și momente multipolare mai mari ale distribuției potențialului electrostatic.
  5. Descriptorii câmpurilor moleculare  sunt valori numerice care aproximează valorile câmpurilor moleculare prin calcularea energiei de interacțiune a unui atom de testare plasat într-un loc de rețea cu o moleculă curentă. Metodele 3D-QSAR se bazează pe construirea de corelații între valorile descriptorilor câmpului molecular și valoarea numerică a activității biologice folosind metoda Partial Least Squares (PLS ), dintre care cea mai cunoscută este CoMFA [9] .
  6. Constantele substituente [10] au fost introduse pentru prima dată de L.P. Gammet în cadrul ecuației care a primit numele, care relaționează constantele vitezei de reacție cu constantele de echilibru pentru unele clase de reacții organice. Constantele substituente au intrat în practica QSAR după apariția ecuației Hanch-Fujita, care leagă activitatea biologică cu constantele substituenților și valorile lipofilității. În prezent, sunt cunoscute câteva zeci de constante substituente.
  7. Descriptorii farmacofori arată dacă cei mai simpli farmacofori, constând din perechi sau tripleți de centri farmacofor cu o distanță specificată între ei, pot fi conținute în molecula analizată [11] .
  8. Descriptorii de similaritate moleculară indică o măsură a asemănării (asemănării moleculare) cu compușii din setul de antrenament.

Descriptorii moleculari sunt descriși cel mai pe deplin în monografia [12] , care poate fi considerată o enciclopedie a descriptorilor moleculari, precum și în manualul [13] .

Metode de construire a modelelor structura-proprietate

Pentru a rezolva probleme de regresie în descrierea vectorială a structurilor compușilor chimici , următoarele metode de statistică matematică și învățare automată sunt cel mai des folosite în chimioinformatică :

  1. Regresia liniară multiplă
  2. Cele mai mici pătrate parțiale (PLS )
  3. Rețele neuronale artificiale
  4. Sprijină regresia vectorială
  5. pădure la întâmplare
  6. k metoda vecinului apropiat

Pentru a rezolva probleme de clasificare cu două clase (binare) sau multiclase în descrierea vectorială a structurilor compușilor chimici , următoarele metode de statistică matematică și învățarea automată sunt cel mai adesea utilizate în chimioinformatică :

  1. Clasificator naiv Bayes
  2. Analiză liniară discriminantă ( LDA )
  3. Rețele neuronale artificiale
  4. Suport mașină vectorială
  5. Arbori de decizie
  6. pădure la întâmplare
  7. k metoda vecinului apropiat

Pentru a rezolva probleme de clasificare cu o singură clasă în descrierea vectorială a structurilor compușilor chimici , următoarele metode de învățare automată sunt cel mai des utilizate în chimioinformatică :

  1. Autocodarea rețelelor neuronale
  2. Mașină vectorială de suport de o singură clasă (1-SVM)

Metodele de construire a modelelor de structură-proprietate sunt discutate în detaliu în tutoriale [13] [14] .

Proprietăți de modelare pentru descrierea non-vectorală (grafică) a compușilor chimici

Modelarea proprietăților în descrierea non-vectorală a compușilor chimici se realizează fie folosind rețele neuronale de arhitecturi speciale care vă permit să lucrați direct cu matrici de adiacență ale graficelor moleculare , fie utilizând metode de nucleu folosind nuclee de grafice speciale (sau chimice, farmacofore).

Exemple de rețele neuronale cu o arhitectură specială care servește acest scop sunt:

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

Exemple de nuclee grafice (sau chimice, farmacofore) care servesc în acest scop sunt:

  1. Nuezul de grafic marginalizat [22]
  2. Nucleu de alocare optimă [23] [24] [25]
  3. Miez farmacofor [26]

Construcția modelelor de structură-proprietate pentru descrierile non-vectorale ale structurilor chimice este discutată în manual [14] .

Resurse de calcul disponibile gratuit prin Internet

Resurse pentru construirea de noi modele structura-proprietate

  1. Online Chemical Modeling (OCHEM)  este o resursă informatică și computațională care vă permite să lucrați printr-o interfață web cu o bază de date de compuși organici și proprietățile acestora, să o completați, să o căutați și să formați mostre, să calculați o gamă largă de descriptori moleculari, să construiți cantitative. modele ale proprietății structurii și le aplică pentru a prezice proprietățile noilor compuși
  2. Chembench  este o resursă care vă permite să construiți modele de structură-proprietate și să le utilizați pentru prognoză

Exemple de prognoză

Exemple de predicție a proprietăților fizico-chimice ale compușilor organici

  1. Proprietățile fizice ale compușilor individuali cu greutate moleculară mică
    1. Punct de fierbere (Tk) [27] [28]
    2. Temperatura critică (Tcr) [27]
    3. Vâscozitate [28] [29]
    4. Presiunea vaporilor saturați [27] [28] [29]
    5. Densitate [27] [28] [29]
    6. Indicele de refracție [27]
    7. Punct de topire (Tmelt) [27]
    8. Scale de polaritate a solventului [27]
    9. Indici de retenție în cromatografia gazoasă [27]
    10. Polarizabilitate [30]
    11. Susceptibilitate magnetică [31]
    12. Entalpia de sublimare [32]
  2. Proprietățile fizice ale compușilor cu greutate moleculară mică în funcție de condiții
    1. Punctul de fierbere al hidrocarburilor în funcție de presiune [33]
    2. Densitatea hidrocarburilor în funcție de temperatură [33]
    3. Vâscozitatea dinamică a hidrocarburilor în funcție de temperatură [33]
  3. Proprietăți spectroscopice
    1. Poziția benzii de absorbție de lungimi de undă lungi a coloranților simetrici cu cianuri [34]
    2. Deplasări chimice în spectrele 1H RMN [35]
    3. Schimbări chimice în spectrele 13C RMN [ 36]
    4. Schimbări chimice în spectrele 31 P RMN [37]
  4. Proprietățile fizice și chimice ale compușilor cu greutate moleculară mică
    1. Punctul de aprindere și temperatura de autoaprindere [27] [38]
    2. Cifra octanică a hidrocarburilor [39]
    3. Constante de ionizare ( aciditate sau bazicitate ) [40]
  5. Proprietăți fizice datorate interacțiunilor intermoleculare ale moleculelor de diferite tipuri
    1. Solubilitate în apă (LogSw) [27] [41]
    2. Coeficientul de partiție n-octanol/apă (LogP) [42]
    3. Coeficientul de distribuție al substanțelor cu greutate moleculară mică între apă și miceliile Pluronic P85 [43]
    4. Energia liberă de solvatare a moleculelor organice în diverși solvenți [44]
  6. Reactivitatea compușilor organici
    1. Constanta de viteză a hidrolizei acide a esterilor [45]
  7. Proprietăți supramoleculare
    1. Stabilitatea complecșilor de incluziune ai compușilor organici cu beta-ciclodextrină [46]
    2. Afinitatea coloranților pentru fibra celulozică [47]
    3. Constantele de stabilitate ale complecșilor ionoforilor cu ioni metalici [ 48]
  8. Proprietățile fizice ale substanțelor tensioactive (surfactanți)
    1. Concentrația micelară critică (CMC) [27]
    2. Punct de nor [27]
  9. Proprietățile fizico-fizico-chimice ale polimerilor
    1. Temperatura de tranziție sticloasă [ 27]
    2. Indicele de refracție al polimerilor [27]
    3. Accelerarea vulcanizării cauciucului [27]
    4. Coeficient de permeabilitate prin polietilenă de joasă densitate [49]
  10. Proprietățile fizice ale lichidelor ionice
    1. Punct de topire [50]

Exemple de predicții de proprietate ADMET

  1. Proprietăți farmacocinetice
    1. Penetrarea prin bariera hematoencefalică [51]
    2. Rata de penetrare a pielii [52]
  2. Metabolism
    1. Locurile de hidroxilare aromatică la activarea metabolică de către citocromul P450 [53]
  3. Toxicitate
    1. Carcinogenitate [54]
    2. Embriotoxicitate [55]

Exemple de predicție a activității biologice a compușilor organici

  1. Spectrul activității biologice [56]
  2. Aparținând grupelor farmacologice [57]

Vezi și

Literatură

  1. ↑ NS Zefirov, VA Palyulin. Abordarea fragmentară în QSPR  //  J. Chem. inf. Calculator. sci.  : jurnal. - 2002. - Vol. 42 , nr. 5 . - P. 1112-1122 . doi : 10.1021 / ci020010e .
  2. ↑ I. Baskin, A. Varnek. Construirea unui spațiu chimic bazat pe descriptori de fragmente  // Combinatoria  Chemistry & High Throughput Screening : jurnal. - 2008. - Vol. 11 , nr. 8 . - P. 661-668 .
  3. ↑ 1 2 3 I. Baskin, A. Varnek. „Descriptori de fragmente în studiile SAR/QSAR/QSPR, analiza similitudinii moleculare și în screening-ul virtual”. În: Chemoinformatic Approaches to Virtual Screening , A. Varnek, A. Tropsha, eds., RCS Publishing, 2008, ISBN 978-0-85404-144-2 , P. 1-43
  4. ↑ I. I. Baskin, M. I. Skvortsova, I. V. Stankevici, N. S. Zefirov . Pe baza invarianților graficelor moleculare etichetate  // Dokl. RAS: jurnal. - 1994. - T. 339 , nr 3 . - S. 346-350 .
  5. ↑ II Baskin, MI Skvortsova, IV Stankevich, NS Zefirov. Pe baza invarianților graficelor moleculare marcate  //  J. Chem. inf. Calculator. sci.  : jurnal. - 1995. - Vol. 35 , nr. 3 . - P. 527-531 . doi : 10.1021 / ci00025a021 .
  6. ↑ O. A. Raevsky. Descriptori de structură moleculară în proiectarea computerizată a substanțelor biologic active  // ​​Uspekhi khimii  : zhurnal. - Academia Rusă de Științe , 1999. - T. 68 , Nr. 6 . - S. 555-575 .
  7. ↑ O. A. Raevsky. Descriptori de legături de hidrogen în proiectarea moleculară computerizată  // Ros. chimic. și. (J. Russian Chemical Society numit după D.I. Mendeleev): jurnal. - 2006. - T. L , nr 2 . - S. 97-107 .
  8. ↑ M. Karelson, VS Lobanov, AR Katritzky. Descriptori cuantici-chimici în studiile QSAR/QSPR  (engleză)  // Chim. Rev. : jurnal. - 1996. - Vol. 96 , nr. 3 . - P. 1027-1044 . - doi : 10.1021/cr950202r .
  9. ↑ R.D. Cramer, D.E. Patterson, J.D. Bunce. Analiza comparativă a câmpului molecular (CoMFA). 1. Efectul formei asupra legării steroizilor la proteinele purtătoare  (engleză)  // J. Am. Chim. soc. : jurnal. - 1988. - Vol. 110 , nr. 18 . - P. 5959-5967 . doi : 10.1021 / ja00226a005 .
  10. ↑ Palm, V.A. Fundamentele teoriei cantitative a reacțiilor organice. — al 2-lea, trad. şi suplimentare .. - L . : Chimie, 1977. - 360 p.
  11. ↑ F. Bonachera, B. Parent, F. Barbosa, N. Froloff, D. Horvath. Amprentele digitale ale farmacoforului tricentric fuzzy. 1. Tripleți topologici farmacofor fuzzy și scheme de notare a similarității moleculare adaptate  //  J. Chem. inf. Model.  : jurnal. - 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. Introduction to chemoinformatics: textbook. Partea 3. Modelarea „structurii-proprietății” , Kazan: Universitatea din Kazan, 2015, ISBN 978-5-00019-442-3
  14. ↑ 1 2 Baskin I. I., Majidov T. I., Varnek A. A. Introduction to chemoinformatics: textbook. Partea 4. Metode de învățare automată , Kazan: Universitatea din Kazan, 2016, ISBN 978-5-00019-695-3
  15. ↑ I. I. Baskin, V. A. Palyulin, N. S. Zefirov. Metodologie de căutare a corelațiilor directe între structurile și proprietățile compușilor organici utilizând rețele neuronale computaționale  // Dokl. RAS: jurnal. - 1993. - T. 333 , nr 2 . - S. 176-179 .
  16. ↑ II Baskin, V.A. Palyulin, N.S. Zefirov. Un dispozitiv neuronal pentru căutarea corelațiilor directe între structurile și proprietățile compușilor organici  //  J. Chem. inf. Calculator. sci.  : jurnal. - 1997. - Vol. 37 , nr. 4 . - P. 715-721 . doi : 10.1021 / ci940128y .
  17. ↑ D.B. Kireev. ChemNet: O nouă metodă bazată pe rețea neuronală pentru cartografierea graficelor/proprietăților   // J. Chem. inf. Calculator. sci.  : jurnal. - 1995. - Vol. 35 , nr. 2 . - P. 175-180 . doi : 10.1021 / ci00024a001 .
  18. ↑ A. M. Bianucci. Aplicarea rețelelor de corelație în cascadă pentru structuri la chimie  (engleză)  // Applied Intelligence : journal. - 2000. - Vol. 12 , nr. 1-2 . - P. 117-146 .
  19. ↑ A. Micheli, A. Sperduti, A. Starita, A. M. Bianucci. Analiza reprezentărilor interne dezvoltate de rețele neuronale pentru structuri aplicate studiilor de relație cantitative structură-activitate ale benzodiazepinelor  //  J. Chem. inf. Calculator. sci.  : jurnal. - 2001. - Vol. 41 , nr. 1 . - P. 202-218 . doi : 10.1021 / ci9903399 .
  20. ↑ O. Ivanciuc. Molecular Structure Encoding into Artificial Neural Networks Topology  //  Romanian Chemical Quarterly Reviews : jurnal. - 2001. - Vol. 8 . - P. 197-220 .
  21. ↑ A. Goulon, T. Picot, A. Duprat, G. Dreyfus. Predicția activităților fără calcularea descriptorilor: Mașini grafice pentru QSAR  //  SAR și QSAR în Cercetarea mediului: jurnal. - 2007. - Vol. 18 , nr. 1-2 . - P. 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, SUA, 2005 , 225-232. PDF
  24. ↑ H. Fröhlich, J.K. Wegner, A. Zell. Funcții nucleu pentru grafice moleculare atribuite - O nouă abordare bazată pe similitudine pentru predicția ADME în clasificare și regresie  //  QSAR Comb. sci. : jurnal. - 2006. - Vol. 25 , nr. 4 . - P. 317-326 . - doi : 10.1002/qsar.200510135 .
  25. ^ H. Fröhlich, JK Wegner, A. Zell, Assignment Kernels For Chemical Compounds , International Joint Conference on Neural Networks 2005 (IJCNN'05), 2005 , 913-918. CiteSeer
  26. ↑ P. Mahe, L. Ralaivola, V. Stoven, J. Vert. Nucleul farmacofor pentru screening virtual cu mașini vector suport  //  J. Chem. inf. Model.  : jurnal. - 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. Structural Diverse Cantitative Structura-Proprietate Relația Corelații ale proprietăților fizice relevante din punct de vedere tehnologic  //  J. Chem. inf. Calculator. sci.  : jurnal. - 2000. - Vol. 40 , nr. 1 . - P. 1-18 . doi : 10.1021 / ci9903206 .
  28. ↑ 1 2 3 4 N. V. Artemenko, I. I. Baskin, V. A. Palyulin, N. S. Zefirov. Predicția proprietăților fizice ale compușilor organici folosind rețele neuronale artificiale în cadrul abordării substructurale  // Dokl. AN: jurnal. - 2001. - T. 381 , nr 2 . - S. 203-206 .
  29. ↑ 1 2 3 N. V. Artemenko, I. I. Baskin, V. A. Palyulin, N. S. Zefirov. Rețele neuronale artificiale și o abordare fragmentară în prezicerea proprietăților fizice și chimice ale compușilor organici  Izvestiya RAN, Chemical Series: jurnal. - 2003. - Nr. 1 . - S. 19-28 .
  30. ↑ N. I. Zhokhova, I. I. Baskin, V. A. Palyulin, A. N. Zefirov, N. S. Zefirov. Descriptori de fragment în QSPR: aplicație pentru calcularea polarizabilității moleculelor  // 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. Descriptori de fragment în QSPR: aplicație pentru calculul susceptibilității magnetice  // 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. Calculul entalpiei de sublimare prin metoda QSPR folosind abordarea fragmentului  // 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. Construirea dependențelor rețelelor neuronale structură-condiții-proprietate. Modelarea proprietăților fizice și chimice ale hidrocarburilor  // Dokl. AN: jurnal. - 2002. - T. 384 , nr 2 . - S. 202-205 .
  34. ↑ I. I. Baskin, A. O. Ait, N. M. Galbershtam, V. A. Palyulin, N. S. Zefirov. Aplicarea metodologiei rețelelor neuronale artificiale pentru prezicerea proprietăților sistemelor moleculare complexe. Predicția poziției benzii de absorbție cu lungime de undă lungă a coloranților simetrici cu  cianuri, Dokl. AN: jurnal. - 1997. - T. 357 , nr 1 . - S. 57-59 .
  35. ↑ Y. Binev, J. Aires-de-Sousa. Predicții bazate pe structură ale schimbărilor chimice 1H RMN utilizând rețelele neuronale feed-forward  // J.  Chem . inf. Calculator. sci.  : jurnal. - 2004. - Vol. 44 , nr. 3 . - P. 940-945 . doi : 10.1021 / ci034228s .
  36. ↑ JP Doucet, A. Panaye, E. Feuilleaubois, P. Ladd. Rețele neuronale și predicția deplasării 13C RMN  // J.  Chem . inf. Calculator. sci.  : jurnal. - 1993. - Vol. 33 , nr. 3 . - P. 320-324 . doi : 10.1021 / ci00013a007 .
  37. ↑ GMJ West. Prezicerea schimbărilor RMN al fosforului utilizând rețele neuronale  //  J. Chem. inf. Calculator. sci.  : jurnal. - 1993. - Vol. 33 , nr. 4 . - P. 577-589 . - doi : 10.1021/ci00014a009 .
  38. ↑ N. I. Zhokhova, I. I. Baskin, V. A. Palyulin, A. N. Zefirov, N. S. Zefirov. Descriptori de fragment în QSAR: aplicație pentru calculul punctului de aprindere  // 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. Investigarea relațiilor dintre structura și cifrele octanice ale hidrocarburilor  // Dokl. AN: jurnal. - 1996. - T. 350 , nr 5 . - S. 642-646 .
  40. ↑ A. A. Ivanova, I. I. Baskin, V. A. Palyulin, N. S. Zefirov. Estimarea valorilor constantelor de ionizare pentru diferite clase de compuși organici folosind o abordare fragmentară a căutării dependențelor „structură-proprietate”  // Dokl. AN: jurnal. - 2007. - T. 413 , nr 6 . - S. 766-770 .
  41. ↑ D. Butina, J.M.R. Gola. Modelarea solubilității apoase  //  J. Chem. inf. Calculator. sci.  : jurnal. - 2003. - Vol. 43 , nr. 3 . - P. 837-841 . doi : 10.1021 / ci020279y .
  42. ↑ IV Tetko, V. Yu. Tanchuk, Vila AEP. Predicția coeficienților de partiție n-octanol/apă din baza de date PHYSPROP utilizând rețele neuronale artificiale și indici E-State  //  J. Chem. inf. Calculator. sci.  : jurnal. - 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. Interacțiuni intermoleculare care determină solubilizarea în micelii a agenților tensioactivi de polialchilen oxid  // High-molecular compounds, 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. QSPR „Bimolecular”: Estimarea energiei libere de solvație a moleculelor organice în diverși solvenți  // Dokl. AN: jurnal. - 2007. - T. 414 , nr 3 . — S. ??? .
  45. ↑ NM Halberstam, II Baskin, VA Palyulin, NS Zefirov. Studii Structura Cantitativa - Conditii - Relatii Proprietate. Modelarea rețelei neuronale a hidrolizei acide a esterilor  (engleză)  : jurnal. - 2002. - Vol. 12 , nr. 6 . - P. 185-186 .
  46. ↑ N. I. Zhokhova, E. V. Bobkov, I. I. Baskin, V. A. Palyulin, A. N. Zefirov, N. S. Zefirov. Calculul stabilității complecșilor de compuși organici cu β-ciclodextrină folosind metoda QSPR  // Buletinul Universității de Stat din Moscova, ser. 2, Chimie: jurnal. - 2007. - T. 48 , nr 5 . - S. 329-332 .
  47. ↑ N. I. Zhokhova, I. I. Baskin, V. A. Palyulin, A. N. Zefirov, N. S. Zefirov. Studiul afinității coloranților pentru fibra de celuloză în cadrul unei abordări fragmentate în 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 of Linear and Nelinear Approaches for Cantitative Structure-Property Relation Studies of Metal Complexation with Ionophores  //  J. Chem. inf. Model.  : jurnal. - 2006. - Vol. 46 , nr. 2 . - P. 808-819 . - doi : 10.1021/ci0504216 .
  49. ↑ MP Gonzalez, AM Helguera, HG Diaz. O abordare TOPS-MODE pentru a prezice coeficienții de permeabilitate  (engleză)  // Polymer : journal. - 2004. - Vol. 45 . - P. 2073-2079 .
  50. ↑ Varnek, A.; Kireeva, N.; Tetko, IV; Baskin, II; Solov'ev, VP Studii QSPR exhaustive ale unui set mare și divers de lichide ionice: cât de exact putem prezice punctele de topire? (engleză)  // J. Chem. inf. Model.  : jurnal. - 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. Corelația penetrării sânge-creier folosind descriptori structurali   // Bioorg . Med. Chim. : jurnal. - 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. Rata de penetrare a pielii în funcție de structura chimică  (engleză)  // J. Med. Chim. : jurnal. - 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. Nouă abordare statistică pentru prezicerea siturilor de hidroxilare aromatică. Comparație cu abordări bazate pe model  //  J. Chem. inf. Calculator. sci.  : jurnal. - 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. Predicția carcinogenității rozătoarelor asistată de computer  (neopr.)  // Mutation Research. - 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. Studiu computerizat al relației dintre embriotoxicitate și structurile analogilor sintetici ai aminelor biogene  // Izvestiya RAN, serie biologică: jurnal. - 1997. - Nr. 4 . - S. 407-413 .
  56. ↑ D. A. Filimonov, V. V. Poroikov. Predicția spectrului activității biologice a compușilor organici  // Ros. chimic. și. (J. Russian Chemical Society numit după D.I. Mendeleev): jurnal. - 2006. - T. L , nr 2 . - S. 66-75 .
  57. ↑ E. P. Kondratovich, N. I. Zhokhova, I. I. Baskin, V. A. Palyulin, N. S. Zefirov. Descriptori de fragmente în studiul relațiilor structură-activitate: aplicație pentru prezicerea apartenenței compușilor organici la grupe farmacologice folosind mașina vector suport  // Izvestiya Akademii Nauk. Seria chimică: jurnal. - 2009. - T. 4 . - S. 641-647 .

Link -uri