QSAR

Hledání kvantitativních vztahů mezi strukturou a vlastnostmi  je postup pro konstrukci modelů, které umožňují předpovídat jejich různé vlastnosti ze struktur chemických sloučenin. Modely, které umožňují předpovídat kvantitativní charakteristiky biologické aktivity, dostaly historicky anglický název Quantitative Structure-Activity Relationship (QSAR) . Zkratka QSAR je často vykládána široce, aby odkazovala na jakýkoli model struktury a vlastností. Modely, které umožňují předpovídat fyzikální a fyzikálně chemické vlastnosti organických sloučenin, dostaly anglický název Quantitative Structure-Property Relationship (QSPR) . V kvalitativním popisu vztahu mezi strukturami chemických sloučenin a jejich biologickou aktivitou se používá anglický termín Structure-Activity Relationship (SAR) .

Hledání kvantitativních vztahů mezi strukturou a vlastnostmi je založeno na využití matematické statistiky a metod strojového učení k sestavení modelů, které umožňují předpovídat jejich vlastnosti (fyzikální, chemickou, biologickou aktivitu) z popisu struktur chemických sloučenin. Při predikci vlastností na kvalitativní úrovni (například zda daná chemická sloučenina bude mít daný typ biologické aktivity) se mluví o řešení klasifikačního problému, zatímco při predikci číselných hodnot vlastností se mluví o řešení regrese . problém. Popis struktur chemických sloučenin pro tyto účely může být vektorový nebo nevektorový ( graf ).

Modelování vlastností ve vektorovém popisu chemických sloučenin

Ve vektorovém popisu chemické struktury je spojen vektor molekulárních deskriptorů, z nichž každý je invariantem molekulárního grafu .

Molekulární deskriptory

Existující sady molekulárních deskriptorů lze zhruba rozdělit do následujících kategorií:

  1. Deskriptory fragmentů [1] [2] [3] existují ve dvou hlavních variantách – binární a celočíselné . Deskriptory binárních fragmentů udávají, zda je daný fragment (substruktura) obsažen ve strukturním vzorci (to znamená, zda je daný podgraf obsažen v molekulárním grafu popisujícím danou chemickou sloučeninu ), zatímco celočíselné deskriptory fragmentů udávají, kolikrát daný fragment ( substruktura) je obsažena ve strukturním vzorci (to znamená, kolikrát je daný podgraf obsažen v molekulárním grafu popisujícím danou chemickou sloučeninu ). Přehled [3] popisuje 11 hlavních kategorií deskriptorů fragmentů. Jedinečná role deskriptorů fragmentů spočívá v tom, že, jak je ukázáno v [4] [5] , tvoří základ deskriptorového prostoru, to znamená, že jakýkoli molekulární deskriptor (a jakákoli molekulární vlastnost), který je invariantem molekulárního grafu, může být jedinečně rozložené podle tohoto základu. Kromě modelování vlastností organických sloučenin se při práci s databázemi používají deskriptory binárních fragmentů v podobě molekulárních klíčů (screenů) a molekulárních otisků prstů pro urychlení substrukturálního vyhledávání a organizování vyhledávání podle podobnosti [3] .
  2. Topologické indexy .
  3. Fyzikálně-chemické deskriptory [6]  jsou numerické charakteristiky získané jako výsledek modelování fyzikálně-chemických vlastností chemických sloučenin nebo veličin, které mají jasnou fyzikálně-chemickou interpretaci. Nejčastěji používané deskriptory jsou: lipofilita (LogP), molární refrakce (MR), molekulová hmotnost (MW), deskriptory vodíkových vazeb [7] , molekulární objemy a plochy povrchu.
  4. Kvantově-chemické deskriptory [8]  jsou číselné hodnoty získané jako výsledek kvantově-chemických výpočtů. Nejčastěji používané deskriptory jsou: energie hraničních molekulových orbitalů (HOMO a LUMO), parciální náboje na atomech a řády parciálních vazeb, Fukuiho indexy reaktivity (index volné valence, nukleofilní a elektrofilní superdelokalizovatelnost), energie kationtové, aniontové a radikálové lokalizace , dipólové a vyšší multipólové momenty rozložení elektrostatického potenciálu.
  5. Deskriptory molekulárního pole  jsou číselné hodnoty, které aproximují hodnoty molekulárních polí výpočtem interakční energie testovaného atomu umístěného v místě mřížky s aktuální molekulou. Metody 3D-QSAR jsou založeny na konstrukci korelací mezi hodnotami deskriptorů molekulárního pole a numerickou hodnotou biologické aktivity pomocí metody parciálních nejmenších čtverců (PLS ), z nichž nejznámější je CoMFA [9] .
  6. Substituční konstanty [10] poprvé zavedl L. P. Gammet v rámci rovnice, která dostala jeho jméno a která dává do vztahu konstanty reakční rychlosti a rovnovážné konstanty pro některé třídy organických reakcí. Substituční konstanty vstoupily do praxe QSAR po příchodu Hanch-Fujitovy rovnice, která dává do souvislosti biologickou aktivitu s substitučními konstantami a hodnotami lipofility. V současné době je známo několik desítek substitučních konstant.
  7. Deskriptory farmakoforů ukazují, zda mohou být v analyzované molekule obsaženy nejjednodušší farmakofory, skládající se z párů nebo tripletů center farmakoforů se specifikovanou vzdáleností mezi nimi [11] .
  8. Deskriptory molekulární podobnosti označují míru podobnosti (molekulární podobnost) se sloučeninami z trénovací sady.

Molekulární deskriptory jsou nejúplněji popsány v monografii [12] , kterou lze považovat za encyklopedii molekulárních deskriptorů, a také v učebnici [13] .

Metody pro konstrukci strukturně-vlastnostních modelů

K řešení regresních úloh ve vektorovém popisu struktur chemických sloučenin se v chemoinformatice nejčastěji používají následující metody matematické statistiky a strojového učení :

  1. Vícenásobná lineární regrese
  2. Částečné nejmenší čtverce (PLS )
  3. Umělé neuronové sítě
  4. Podpora vektorové regrese
  5. náhodný les
  6. k metoda nejbližšího souseda

K řešení dvoutřídních (binárních) nebo vícetřídních klasifikačních problémů ve vektorovém popisu struktur chemických sloučenin se v chemoinformatice nejčastěji používají následující metody matematické statistiky a strojového učení :

  1. Naivní Bayesův klasifikátor
  2. Lineární diskriminační analýza ( LDA )
  3. Umělé neuronové sítě
  4. Podpora vektorového stroje
  5. Rozhodovací stromy
  6. náhodný les
  7. k metoda nejbližšího souseda

Pro řešení jednotřídních klasifikačních problémů ve vektorovém popisu struktur chemických sloučenin se v chemoinformatice nejčastěji používají následující metody strojového učení :

  1. Autokódování neuronových sítí
  2. Jednotřídní podpůrný vektorový stroj (1-SVM)

Metody pro konstrukci strukturně-vlastnostních modelů jsou podrobně diskutovány v tutoriálech [13] [14] .

Vlastnosti modelování pro nevektorový (grafový) popis chemických sloučenin

Modelování vlastností v nevektorovém popisu chemických sloučenin se provádí buď pomocí neuronových sítí speciálních architektur, které umožňují přímo pracovat s maticemi sousednosti molekulárních grafů , nebo pomocí jaderných metod využívajících speciální grafová (nebo chemická, farmakoforová) jádra.

Příklady neuronových sítí se speciální architekturou sloužící tomuto účelu jsou:

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

Příklady grafových (nebo chemických, farmakoforových) jader sloužících k tomuto účelu jsou:

  1. Marginalizované jádro grafu [22]
  2. Optimální přiřazení jádra [23] [24] [25]
  3. jádro Pharmacophore [26]

Konstrukce strukturně-vlastnostních modelů pro nevektorové popisy chemických struktur je diskutována v učebnici [14] .

Výpočetní zdroje volně dostupné přes internet

Zdroje pro vytváření nových modelů struktur a vlastností

  1. Online Chemical Modeling (OCHEM)  je informační a výpočetní zdroj, který vám umožňuje pracovat prostřednictvím webového rozhraní s databází organických sloučenin a jejich vlastností, doplňovat ji, prohledávat a tvořit vzorky, vypočítat širokou škálu molekulárních deskriptorů, vytvářet kvantitativní modely vlastností struktury a aplikovat je k predikci vlastností nových sloučenin
  2. Chembench  je zdroj, který vám umožňuje vytvářet modely struktur a vlastností a používat je pro prognózování

Příklady prognóz

Příklady predikce fyzikálně-chemických vlastností organických sloučenin

  1. Fyzikální vlastnosti jednotlivých nízkomolekulárních sloučenin
    1. Bod varu (Tk) [27] [28]
    2. Kritická teplota (Tcr) [27]
    3. Viskozita [28] [29]
    4. Tlak nasycených par [27] [28] [29]
    5. Hustota [27] [28] [29]
    6. Index lomu [27]
    7. Bod tání (Tmelt) [27]
    8. Stupnice polarity rozpouštědla [27]
    9. Retenční indexy v plynové chromatografii [27]
    10. Polarizovatelnost [30]
    11. Magnetická susceptibilita [31]
    12. Entalpie sublimace [32]
  2. Fyzikální vlastnosti nízkomolekulárních sloučenin v závislosti na podmínkách
    1. Bod varu uhlovodíků v závislosti na tlaku [33]
    2. Hustota uhlovodíků v závislosti na teplotě [33]
    3. Dynamická viskozita uhlovodíků v závislosti na teplotě [33]
  3. Spektroskopické vlastnosti
    1. Poloha dlouhovlnného absorpčního pásu symetrických cyaninových barviv [34]
    2. Chemické posuny v1H NMR spektrech [35]
    3. Chemické posuny v 13C NMR spektrech [ 36]
    4. Chemické posuny v31P NMR spektrech [ 37]
  4. Fyzikální a chemické vlastnosti nízkomolekulárních sloučenin
    1. Bod vzplanutí a teplota samovznícení [27] [38]
    2. Oktanová čísla uhlovodíků [39]
    3. Ionizační konstanty ( kyselost nebo zásaditost ) [40]
  5. Fyzikální vlastnosti způsobené mezimolekulárními interakcemi molekul různých typů
    1. Rozpustnost ve vodě (LogSw) [27] [41]
    2. Rozdělovací koeficient n-oktanol/voda (LogP) [42]
    3. Distribuční koeficient nízkomolekulárních látek mezi vodu a micely Pluronic P85 [43]
    4. Volná energie solvatace organických molekul v různých rozpouštědlech [44]
  6. Reaktivita organických sloučenin
    1. Rychlostní konstanta kyselé hydrolýzy esterů [45]
  7. Supramolekulární vlastnosti
    1. Stabilita inkluzních komplexů organických sloučenin s beta-cyklodextrinem [46]
    2. Afinita barviv k celulózovému vláknu [47]
    3. Konstanty stability komplexů ionoforů s ionty kovů [ 48]
  8. Fyzikální vlastnosti povrchově aktivních látek (tenzidů)
    1. Kritická koncentrace micel (CMC) [27]
    2. Bod oblačnosti [27]
  9. Fyzikální a fyzikálně-chemické vlastnosti polymerů
    1. Teplota skelného přechodu [ 27]
    2. Index lomu polymerů [27]
    3. Urychlení vulkanizace pryže [27]
    4. Koeficient propustnosti prostřednictvím nízkohustotního polyethylenu [49]
  10. Fyzikální vlastnosti iontových kapalin
    1. Teplota tání [50]

Příklady predikce vlastností ADMET

  1. Farmakokinetické vlastnosti
    1. Průnik hematoencefalickou bariérou [51]
    2. Míra pronikání kůží [52]
  2. Metabolismus
    1. Aromatická hydroxylační místa po metabolické aktivaci cytochromem P450 [53]
  3. Toxicita
    1. Karcinogenita [54]
    2. Embryotoxicita [55]

Příklady predikce biologické aktivity organických sloučenin

  1. Spektrum biologické aktivity [56]
  2. Příslušnost k farmakologickým skupinám [57]

Viz také

Literatura

  1. ↑ NS Zefirov, VA Palyulin. Fragmentální přístup v QSPR  //  J. Chem. inf. Počítat. sci.  : deník. - 2002. - Sv. 42 , č. 5 . - S. 1112-1122 . doi : 10.1021 / ci020010e .
  2. ↑ I. Baskin, A. Varnek. Budování chemického prostoru založeného na deskriptorech fragmentů  // Kombinatorická  chemie a vysoce výkonný screening : deník. - 2008. - Sv. 11 , č. 8 . - str. 661-668 .
  3. ↑ 1 2 3 I. Baskin, A. Varnek. „Deskriptory fragmentů ve studiích SAR/QSAR/QSPR, analýze molekulární podobnosti a ve virtuálním screeningu“. In: Chemoinformatic Approaches to Virtual Screening , A. Varnek, A. Tropsha, eds., RCS Publishing, 2008, ISBN 978-0-85404-144-2 , S. 1-43
  4. ↑ I. I. Baskin, M. I. Skvortsová, I. V. Stankevič, N. S. Žefirov . Na základě invariantů značených molekulových grafů  // Dokl. RAS: deník. - 1994. - T. 339 , č. 3 . - S. 346-350 .
  5. ↑ II Baskin, MI Skvortsová, IV Stankevich, NS Žefirov. Na základě invariantů značených molekulárních grafů  //  J. Chem. inf. Počítat. sci.  : deník. - 1995. - Sv. 35 , č. 3 . - str. 527-531 . doi : 10.1021 / ci00025a021 .
  6. ↑ O. A. Raevskij. Deskriptory molekulární struktury v počítačovém návrhu biologicky aktivních látek  // Uspekhi khimii  : zhurnal. - Ruská akademie věd , 1999. - T. 68 , č. 6 . - S. 555-575 .
  7. ↑ O. A. Raevskij. Deskriptory vodíkové vazby v počítačovém molekulárním designu  // Ros. chem. a. (J. Russian Chemical Society pojmenovaná po D.I. Mendělejevovi): časopis. - 2006. - T. L , č. 2 . - S. 97-107 .
  8. ↑ M. Karelson, VS Lobanov, AR Katritzky. Kvantově-chemické deskriptory ve studiích QSAR/QSPR  (anglicky)  // Chem. Rev. : deník. - 1996. - Sv. 96 , č. 3 . - S. 1027-1044 . - doi : 10.1021/cr950202r .
  9. ↑ R.D. Cramer, D.E. Patterson, J.D. Bunce. Srovnávací analýza molekulárního pole (CoMFA). 1. Vliv tvaru na vazbu steroidů na nosné proteiny  (anglicky)  // J. Am. Chem. soc. : deník. - 1988. - Sv. 110 , č. 18 . - S. 5959-5967 . doi : 10.1021 / ja00226a005 .
  10. ↑ Palm, V.A. Základy kvantitativní teorie organických reakcí. — 2., přel. a další .. - L. : Chemistry, 1977. - 360 s.
  11. ↑ F. Bonachera, B. Parent, F. Barbosa, N. Froloff, D. Horvath. Fuzzy tricentrické farmakoforové otisky prstů. 1. Topologické fuzzy farmakoforové triplety a skórovací schémata adaptované molekulární podobnosti  //  J. Chem. inf. Modelka.  : deník. - 2006. - Sv. 46 , č. 6 . - str. 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. Úvod do chemoinformatiky: učebnice. Část 3. Modelování "struktura-vlastnost" , Kazan: Kazan University, 2015, ISBN 978-5-00019-442-3
  14. ↑ 1 2 Baskin I. I., Majidov T. I., Varnek A. A. Úvod do chemoinformatiky: učebnice. Část 4. Metody strojového učení , Kazaň: Kazan University, 2016, ISBN 978-5-00019-695-3
  15. ↑ I. I. Baskin, V. A. Paljulin, N. S. Žefirov. Metodika hledání přímých korelací mezi strukturami a vlastnostmi organických sloučenin pomocí výpočetních neuronových sítí  // Dokl. RAS: deník. - 1993. - T. 333 , č. 2 . - S. 176-179 .
  16. ↑ II Baskin, V.A. Palyulin, N.S. Zefirov. Neural Device for Searching Direct Correlations between Structures and Properties of Organic Compounds  //  J. Chem. inf. Počítat. sci.  : deník. - 1997. - Sv. 37 , č. 4 . - str. 715-721 . doi : 10.1021 / ci940128y .
  17. ↑ D.B. Kireev. ChemNet: Nová metoda založená na neuronové síti pro graf/mapování vlastností   // J. Chem. inf. Počítat. sci.  : deník. - 1995. - Sv. 35 , č. 2 . - S. 175-180 . doi : 10.1021 / ci00024a001 .
  18. ↑ A. M. Bianucci. Application of Cascade Correlation Networks for Structures to Chemistry  (anglicky)  // Applied Intelligence: journal. - 2000. - Sv. 12 , č. 1-2 . - S. 117-146 .
  19. ↑ A. Micheli, A. Sperduti, A. Starita, A. M. Bianucci. Analýza vnitřních reprezentací vyvinutých neuronovými sítěmi pro struktury aplikované na kvantitativní studie vztahu mezi strukturou a aktivitou benzodiazepinů  //  J. Chem. inf. Počítat. sci.  : deník. - 2001. - Sv. 41 , č. 1 . - S. 202-218 . doi : 10.1021 / ci9903399 .
  20. ↑ O. Ivanciuc. Kódování molekulární struktury do topologie umělých neuronových sítí  //  Rumunské chemické čtvrtletní recenze : časopis. - 2001. - Sv. 8 . - S. 197-220 .
  21. ↑ A. Goulon, T. Picot, A. Duprat, G. Dreyfus. Předvídání aktivit bez výpočetních deskriptorů: Grafové stroje pro QSAR  //  SAR a QSAR v Environmental Research: journal. - 2007. - Sv. 18 , č. 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 , 22. mezinárodní konference o strojovém učení (ICML 2005), Omnipress, Madison, WI, USA, 2005 , 225-232. PDF
  24. ↑ H. Fröhlich, J. K. Wegner, A. Zell. Funkce jádra pro připsané molekulární grafy – nový přístup založený na podobnosti k predikci ADME v klasifikaci a regresi  //  QSAR Comb. sci. : deník. - 2006. - Sv. 25 , č. 4 . - str. 317-326 . - doi : 10.1002/qsar.200510135 .
  25. ↑ H. Fröhlich, JK Wegner, A. Zell, Assignment Kernels For Chemical Compounds , Mezinárodní společná konference o neuronových sítích 2005 (IJCNN'05), 2005 , 913-918. CiteSeer
  26. ↑ P. Mahe, L. Ralaivola, V. Stoven, J. Vert. Farmakoforové jádro pro virtuální screening s podpůrnými vektorovými stroji  //  J. Chem. inf. Modelka.  : deník. - 2006. - Sv. 46 , č. 5 . - S. 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. Strukturálně rozmanité kvantitativní vztahy mezi strukturou a vlastnostmi Korelace technologicky relevantních fyzikálních vlastností  //  J. Chem. inf. Počítat. sci.  : deník. - 2000. - Sv. 40 , č. 1 . - str. 1-18 . doi : 10.1021 / ci9903206 .
  28. ↑ 1 2 3 4 N. V. Artemenko, I. I. Baskin, V. A. Paljulin, N. S. Žefirov. Predikce fyzikálních vlastností organických sloučenin pomocí umělých neuronových sítí v rámci substrukturálního přístupu  // Dokl. AN: deník. - 2001. - T. 381 , č. 2 . - S. 203-206 .
  29. ↑ 1 2 3 N. V. Artemenko, I. I. Baskin, V. A. Palyulin, N. S. Žefirov. Umělé neuronové sítě a fragmentový přístup v predikci fyzikálních a chemických vlastností organických sloučenin  Izvestiya RAN, Chemical Series: journal. - 2003. - č. 1 . - S. 19-28 .
  30. ↑ N. I. Zhokhova, I. I. Baskin, V. A. Palyulin, A. N. Zefirov, N. S. Zefirov. Deskriptory fragmentů v QSPR: aplikace pro výpočet polarizovatelnosti molekul  // Izvestiya RAN, Chemical Series: journal. - 2003. - č. 5 . - S. 1005-1009 .
  31. ↑ N. I. Zhokhova, I. I. Baskin, V. A. Palyulin, A. N. Zefirov, N. S. Zefirov. Deskriptory fragmentů v QSPR: aplikace pro výpočet magnetické susceptibility  // Journal of Structural Chemistry : journal. - 2004. - T. 45 , č. 4 . - S. 660-669 .
  32. ↑ N. I. Zhokhova, I. I. Baskin, V. A. Palyulin, A. N. Zefirov, N. S. Zefirov. Výpočet entalpie sublimace metodou QSPR pomocí fragmentového přístupu  // Journal of Applied Chemistry: journal. - 2003. - T. 76 , č. 12 . - S. 1966-1970 .
  33. ↑ 1 2 3 N. M. Galbershtam, I. I. Baskin, V. A. Palyulin, N. S. Zefirov. Konstrukce závislostí neuronové sítě struktura-podmínky-vlastnost. Modelování fyzikálních a chemických vlastností uhlovodíků  // Dokl. AN: deník. - 2002. - T. 384 , č. 2 . - S. 202-205 .
  34. ↑ I. I. Baskin, A. O. Ait, N. M. Galbershtam, V. A. Palyulin, N. S. Zefirov. Aplikace metodologie umělých neuronových sítí pro predikci vlastností komplexních molekulárních systémů. Predikce polohy dlouhovlnného absorpčního pásma symetrických cyaninových barviv  , Dokl. AN: deník. - 1997. - T. 357 , č. 1 . - S. 57-59 .
  35. ↑ Y. Binev, J. Aires-de-Sousa. Předpovědi chemických posunů1H NMR založené na struktuře pomocí dopředných neuronových sítí  //  J. Chem. inf. Počítat. sci.  : deník. - 2004. - Sv. 44 , č. 3 . - S. 940-945 . doi : 10.1021 / ci034228s .
  36. ↑ JP Doucet, A. Panaye, E. Feuilleaubois, P. Ladd. Neuronové sítě a13C NMR Shift Prediction  //  J. Chem. inf. Počítat. sci.  : deník. - 1993. - Sv. 33 , č. 3 . - str. 320-324 . doi : 10.1021 / ci00013a007 .
  37. ↑ GMJ West. Predikce posunů fosforové NMR pomocí neuronových sítí  //  J. Chem. inf. Počítat. sci.  : deník. - 1993. - Sv. 33 , č. 4 . - str. 577-589 . - doi : 10.1021/ci00014a009 .
  38. ↑ N. I. Zhokhova, I. I. Baskin, V. A. Palyulin, A. N. Zefirov, N. S. Zefirov. Deskriptory fragmentů v QSAR: aplikace pro výpočet bodu vzplanutí  // Izvestiya RAN, Chemical Series: journal. - 2003. - č. 9 . - S. 1787-1793 .
  39. ↑ A. V. Sidorová, I. I. Baskin, V. A. Paljulin, D. E. Petelin, N. S. Žefirov. Zkoumání vztahů mezi strukturou a oktanovými čísly uhlovodíků  // Dokl. AN: deník. - 1996. - T. 350 , č. 5 . - S. 642-646 .
  40. ↑ A. A. Ivanova, I. I. Baskin, V. A. Palyulin, N. S. Žefirov. Odhad hodnot ionizačních konstant pro různé třídy organických sloučenin pomocí fragmentárního přístupu k hledání závislostí "struktura-vlastnost"  // Dokl. AN: deník. - 2007. - T. 413 , č. 6 . - S. 766-770 .
  41. ↑ D. Butina, J.M.R. Gola. Modelování rozpustnosti ve vodě  //  J. Chem. inf. Počítat. sci.  : deník. - 2003. - Sv. 43 , č. 3 . - S. 837-841 . doi : 10.1021 / ci020279y .
  42. ↑ IV Tetko, V. Yu. Tanchuk, vila AEP. Predikce rozdělovacích koeficientů n-oktanol/voda z databáze PHYSPROP pomocí umělých neuronových sítí a indexů E-stavu  //  J. Chem. inf. Počítat. sci.  : deník. - 2001. - Sv. 41 , č. 5 . - S. 1407-1421 . doi : 10.1021 / ci010368v .
  43. ↑ V. S. Bugrin, M. Yu. Kozlov, I. I. Baskin, N. S. Melik-Nubarov. Intermolekulární interakce, které určují solubilizaci polyalkylenoxidových povrchově aktivních látek v micelách  // High-molekulární sloučeniny, Serie A: journal. - 2007. - T. 49 , č. 4 . - S. 701-712 .
  44. ↑ A. A. Kravcov, P. V. Karpov, I. I. Baskin, V. A. Paljulin, N. S. Žefirov. "Bimolekulární" QSPR: Odhad volné energie rozpouštění organických molekul v různých rozpouštědlech  // Dokl. AN: deník. - 2007. - T. 414 , č. 3 . — S. ??? .
  45. ↑ NM Halberstam, II Baskin, VA Palyulin, NS Zefirov. Kvantitativní struktura - Podmínky - Studie majetkových vztahů. Neural Network Modeling of the Acid Hydrolysis of Esters  (anglicky)  : journal. - 2002. - Sv. 12 , č. 6 . - S. 185-186 .
  46. ↑ N. I. Zhokhova, E. V. Bobkov, I. I. Baskin, V. A. Palyulin, A. N. Zefirov, N. S. Zefirov. Výpočet stability komplexů organických sloučenin s β-cyklodextrinem metodou QSPR  // Bulletin Moskevské státní univerzity, seř. 2, Chemie: časopis. - 2007. - T. 48 , č. 5 . - S. 329-332 .
  47. ↑ N. I. Zhokhova, I. I. Baskin, V. A. Palyulin, A. N. Zefirov, N. S. Zefirov. Studium afinity barviv k celulózovému vláknu v rámci fragmentovaného přístupu v QSPR  // Journal of Applied Chemistry: Journal. - 2005. - T. 78 , č. 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 lineárních a nelineárních přístupů pro kvantitativní studie vztahů mezi strukturou a vlastnostmi u komplexace kovů s ionofory  //  J. Chem. inf. Modelka.  : deník. - 2006. - Sv. 46 , č. 2 . - S. 808-819 . - doi : 10.1021/ci0504216 .
  49. ↑ Poslanec Gonzalez, AM Helguera, HG Diaz. A TOPS-MODE přístup k predikci koeficientů permeability  (anglicky)  // Polymer: journal. - 2004. - Sv. 45 . - S. 2073-2079 .
  50. ↑ Varnek, A.; Kireeva, N.; Tetko, IV; Baskin, II; Solov'ev, VP Vyčerpávající QSPR studie velké rozmanité sady iontových kapalin: Jak přesně můžeme předpovědět body tání? (anglicky)  // J. Chem. inf. Modelka.  : deník. - 2007. - Sv. 47 . - S. 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. Korelace penetrace krev-mozek pomocí strukturních deskriptorů   // Bioorg . Med. Chem. : deník. - 2006. - Sv. 14 . - S. 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. Rychlost pronikání kůží jako funkce chemické struktury  (anglicky)  // J. Med. Chem. : deník. - 2006. - Sv. 49 , č. 11 . - S. 3305-3314 . - doi : 10.1021/jm051031d .
  53. ↑ Yu. Borodina, A., Rudik, D. Filimonov, N. Charčevniková, A. Dmitriev, V. Blinová, V. Poroikov. Nový statistický přístup k předpovídání míst aromatické hydroxylace. Srovnání s přístupy založenými na modelu  //  J. Chem. inf. Počítat. sci.  : deník. - 2004. - Sv. 44 , č. 6 . - S. 1998-2009 . doi : 10.1021 / ci049834h .
  54. ↑ A. A. Lagunin, J. C. Dearden, D. A. Filimonov, V. V. Poroikov. Počítačem podporovaná předpověď karcinogenity hlodavců  (neopr.)  // Výzkum mutací. - Elsevier , 2005. - T. 586 , č. 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. Žefirov. Počítačová studie vztahu mezi embryotoxicitou a strukturami syntetických analogů biogenních aminů  // Izvestiya RAN, biologická řada: časopis. - 1997. - č. 4 . - S. 407-413 .
  56. ↑ D. A. Filimonov, V. V. Poroikov. Predikce spektra biologické aktivity organických sloučenin  // Ros. chem. a. (J. Russian Chemical Society pojmenovaná po D.I. Mendělejevovi): časopis. - 2006. - T. L , č. 2 . - S. 66-75 .
  57. ↑ E. P. Kondratovich, N. I. Zhokhova, I. I. Baskin, V. A. Palyulin, N. S. Zefirov. Deskriptory fragmentů ve studiu vztahů mezi strukturou a aktivitou: aplikace pro predikci příslušnosti organických sloučenin k farmakologickým skupinám pomocí podpůrného vektorového stroje  // Izvestiya Akademii Nauk. Chemická řada: časopis. - 2009. - T. 4 . - S. 641-647 .

Odkazy