QSAR

A kvantitatív szerkezet-tulajdonság összefüggések keresése olyan  modellek felépítésének eljárása, amelyek lehetővé teszik különböző tulajdonságaik előrejelzését a kémiai vegyületek szerkezetéből. Azok a modellek, amelyek lehetővé teszik a biológiai aktivitás mennyiségi jellemzőinek előrejelzését, a történelem során a Quantitative Structure-Activity Relationship (QSAR) angol elnevezést kapták . A QSAR rövidítést gyakran tágan értelmezik, és bármilyen szerkezet-tulajdonság-modellre utal. Azok a modellek, amelyek lehetővé teszik a szerves vegyületek fizikai és fizikai-kémiai tulajdonságainak előrejelzését, a Quantitative Structure-Property Relationship (QSPR) angol elnevezést kapták . A kémiai vegyületek szerkezete és biológiai aktivitása közötti kapcsolat kvalitatív leírásában az angol Structure-Activity Relationship (SAR) kifejezést használjuk .

A kvantitatív szerkezet-tulajdonság összefüggések keresése matematikai statisztika és gépi tanulási módszerek felhasználásán alapul olyan modellek felépítésére, amelyek lehetővé teszik tulajdonságaik (fizikai, kémiai, biológiai aktivitás) előrejelzését a kémiai vegyületek szerkezetének leírásából. A tulajdonságok minőségi szintű előrejelzésekor (például, hogy egy adott kémiai vegyületnek lesz-e adott típusú biológiai aktivitása) osztályozási probléma megoldásáról beszélünk, míg a tulajdonságok számértékeinek előrejelzésekor regresszió megoldásáról beszélünk. probléma. A kémiai vegyületek szerkezetének leírása erre a célra lehet vektor vagy nem vektor ( grafikon ).

Tulajdonságok modellezése a kémiai vegyületek vektoros leírásában

Egy kémiai szerkezet vektoros leírásában molekuláris leírók vektora van társítva, amelyek mindegyike a molekulagráf invariánsa .

Molekuláris leírók

A meglévő molekuláris leíró készletek nagyjából a következő kategóriákra oszthatók:

  1. A töredékleírók [1] [2] [3] két fő változatban léteznek - bináris és egész szám . A bináris fragmensleírók azt jelzik, hogy egy adott fragmentum (alstruktúra) szerepel-e egy szerkezeti képletben (vagyis hogy egy adott részgráf benne van-e az adott kémiai vegyületet leíró molekulagráfban ), míg az egész fragmensleírók azt jelzik, hogy egy adott fragmentum hányszor ( részstruktúra) egy szerkezeti képletben szerepel (vagyis azt, hogy egy adott részgráf hányszor szerepel egy adott kémiai vegyületet leíró molekulagráfban ). A [3] áttekintés a töredékleírók 11 fő kategóriáját írja le. A fragmensleírók egyedi szerepe, hogy a [4] [5] -ben látható módon ezek képezik a leírótér alapját, azaz bármely molekulaleíró (és bármely molekulatulajdonság), amely egy molekulagráf invariánsa, felvehető. ennek az alapnak megfelelően egyedileg lebontva. Az adatbázisokkal végzett munka során a szerves vegyületek tulajdonságainak modellezése mellett bináris fragmensleírókat használnak molekuláris kulcsok (képernyők) és molekuláris ujjlenyomatok formájában, hogy felgyorsítsák a szubstrukturális keresést és a keresést hasonlóság szerint szervezzék [3] .
  2. Topológiai indexek .
  3. A fizikai- kémiai leírók [6]  a kémiai vegyületek fizikai-kémiai tulajdonságainak modellezése eredményeként kapott numerikus jellemzők, vagy olyan mennyiségek, amelyeknek egyértelmű fizikai-kémiai értelmezése van. A leggyakrabban használt leírók a következők: lipofilitás (LogP), moláris fénytörés (MR), molekulatömeg (MW), hidrogénkötés leírók [7] , molekulatérfogatok és felületek.
  4. A kvantumkémiai leírók [8]  kvantumkémiai számítások eredményeként kapott számértékek. A leggyakrabban használt leírók: határmolekulapályák energiái (HOMO és LUMO), atomok részleges töltései és részleges kötésrendek, Fukui reaktivitási indexek (szabad vegyértékindex, nukleofil és elektrofil szuperdelokalizálhatóság), kationos, anionos és gyökös lokalizáció energiái. , dipólus és magasabb többpólusú momentumok az elektrosztatikus potenciáleloszlásban.
  5. A molekuláris mezőleírók  olyan számértékek, amelyek közelítik a molekuláris mezők értékeit egy rácshelyen elhelyezett tesztatom és az aktuális molekula kölcsönhatási energiájának kiszámításával. A 3D-QSAR módszerek a molekuláris térleírók értékei és a biológiai aktivitás numerikus értéke közötti összefüggések felépítésén alapulnak a Partial Least Squares (PLS ) módszerrel, amelyek közül a leghíresebb a CoMFA [9] .
  6. A szubsztituens állandókat [10] először L. P. Gammet vezette be a nevét kapott egyenlet keretein belül, amely a reakciósebesség- állandókat a szerves reakciók egyes osztályaira vonatkozó egyensúlyi állandókhoz viszonyítja. A szubsztituens állandók a QSAR gyakorlatába a Hanch-Fujita egyenlet megjelenése után kerültek be, amely a biológiai aktivitást a szubsztituens állandókhoz és a lipofilitási értékekhez kapcsolja. Jelenleg több tucat szubsztituens állandó ismert.
  7. A farmakofor leírók azt mutatják meg, hogy a legegyszerűbb farmakoforok, amelyek a farmakofor központok párjaiból vagy hármasaiból állnak, egymástól meghatározott távolsággal, beleférnek-e az elemzett molekulába [11] .
  8. A molekuláris hasonlósági leírók a hasonlóság (molekuláris hasonlóság) mértékét jelzik a tanítókészletből származó vegyületekkel.

A molekuláris leírók legteljesebb leírása a monográfiában [12] , amely a molekuláris leírók enciklopédiájának tekinthető, valamint a tankönyvben [13] .

Módszerek szerkezet-tulajdonság modellek létrehozására

A kémiai vegyületek szerkezetének vektoros leírásában regressziós problémák megoldására a kemoinformatikában leggyakrabban a következő matematikai statisztikai és gépi tanulási módszereket alkalmazzák :

  1. Többszörös lineáris regresszió
  2. Részleges legkisebb négyzetek (PLS )
  3. Mesterséges idegi hálózat
  4. A vektorregresszió támogatása
  5. véletlenszerű erdő
  6. k legközelebbi szomszéd módszer

A kétosztályos (bináris) vagy többosztályos osztályozási problémák megoldására a kémiai vegyületek szerkezetének vektoros leírásában a kemoinformatikában leggyakrabban a következő matematikai statisztikai és gépi tanulási módszereket alkalmazzák :

  1. Naiv Bayes osztályozó
  2. Lineáris diszkriminancia analízis ( LDA )
  3. Mesterséges idegi hálózat
  4. Támogatja a vektoros gépet
  5. Döntési fák
  6. véletlenszerű erdő
  7. k legközelebbi szomszéd módszer

A kémiai vegyületek szerkezetének vektoros leírásában az egyosztályos osztályozási problémák megoldására a következő gépi tanulási módszereket használják leggyakrabban a kemoinformatikában :

  1. Neurális hálózatok automatikus kódolása
  2. Egyosztályú támogatási vektoros gép (1-SVM)

A szerkezet-tulajdonság- modellek felépítésének módszereit az oktatóanyagok [13] [14] részletesen tárgyalják .

Kémiai vegyületek nem vektoros (gráf) leírásának modellezési tulajdonságai

A tulajdonságok modellezése a kémiai vegyületek nem vektoros leírásában vagy speciális architektúrák neurális hálózatai segítségével történik, amelyek lehetővé teszik a molekuláris gráfok szomszédsági mátrixaival való közvetlen munkát , vagy speciális gráf (vagy kémiai, farmakofor) magokat használó kernel módszerekkel.

Példák az erre a célra szolgáló speciális architektúrájú neurális hálózatokra:

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

Példák az erre a célra szolgáló gráf (vagy kémiai, farmakofor) magokra:

  1. Marginalizált gráfmag [22]
  2. Optimális hozzárendelési kernel [23] [24] [25]
  3. Pharmacophore kernel [26]

A kémiai szerkezetek nem vektoros leírására szolgáló szerkezet-tulajdonság modellek felépítését a tankönyv tárgyalja [14] .

Az interneten keresztül ingyenesen elérhető számítástechnikai erőforrások

Források új szerkezet-tulajdon modellek felépítéséhez

  1. Az online kémiai modellezés (OCHEM)  egy információs és számítási erőforrás, amely lehetővé teszi, hogy webes felületen dolgozzon a szerves vegyületek és tulajdonságaik adatbázisával, feltöltse azt, keressen benne és mintákat képezzen, molekuláris leírók széles skáláját számítsa ki, kvantitatív adatokat készítsen. a szerkezeti tulajdonságok modelljeit, és alkalmazza őket új vegyületek tulajdonságainak előrejelzésére
  2. A Chembench  egy olyan erőforrás, amely lehetővé teszi szerkezet-tulajdonság-modellek felépítését és előrejelzésre történő felhasználását

Példák előrejelzésre

Példák a szerves vegyületek fizikai-kémiai tulajdonságainak előrejelzésére

  1. Az egyes kis molekulatömegű vegyületek fizikai tulajdonságai
    1. Forráspont (Tk) [27] [28]
    2. Kritikus hőmérséklet (Tcr) [27]
    3. Viszkozitás [28] [29]
    4. Telített gőznyomás [ 27] [28] [29]
    5. Sűrűség [27] [28] [29]
    6. Törésmutató [27]
    7. Olvadáspont (olvadáspont) [27]
    8. Oldószer polaritás skálák [27]
    9. Retenciós indexek gázkromatográfiában [27]
    10. Polarizálhatóság [30]
    11. Mágneses érzékenység [31]
    12. A szublimációs entalpia [32]
  2. Kis molekulatömegű vegyületek fizikai tulajdonságai a körülményektől függően
    1. A szénhidrogének forráspontja a nyomástól függően [33]
    2. A szénhidrogének sűrűsége a hőmérséklettől függően [33]
    3. A szénhidrogének dinamikus viszkozitása a hőmérséklettől függően [33]
  3. Spektroszkópiai tulajdonságok
    1. A szimmetrikus cianinfestékek hosszú hullámhosszú abszorpciós sávjának helyzete [ 34]
    2. Kémiai eltolódások az 1H NMR spektrumokban [35]
    3. Kémiai eltolódások 13C NMR spektrumokban [ 36]
    4. Kémiai eltolódások 31 P NMR spektrumokban [37]
  4. Kis molekulatömegű vegyületek fizikai és kémiai tulajdonságai
    1. Lobbanáspont és öngyulladási hőmérséklet [27] [38]
    2. A szénhidrogének oktánszáma [39]
    3. Ionizációs állandók ( savasság vagy bázikusság ) [40]
  5. Különböző típusú molekulák intermolekuláris kölcsönhatásaiból adódó fizikai tulajdonságok
    1. Vízben való oldhatóság ( LogSw ) [27] [41]
    2. Megoszlási hányados n-oktanol/víz (LogP) [42]
    3. Kis molekulatömegű anyagok eloszlási együtthatója a víz és a Pluronic P85 micellák között [43]
    4. Szerves molekulák szolvatációjának szabad energiája különböző oldószerekben [44]
  6. Szerves vegyületek reakciókészsége
    1. Az észterek savas hidrolízisének sebességi állandója [45]
  7. Szupramolekuláris tulajdonságok
    1. Szerves vegyületek zárványkomplexeinek stabilitása béta-ciklodextrinnel [46]
    2. A festékek affinitása a cellulózszálhoz [ 47 ]
    3. Ionofórok fémionokkal alkotott komplexeinek stabilitási állandói [ 48]
  8. A felületaktív anyagok (felületaktív anyagok) fizikai tulajdonságai
    1. Kritikus micellakoncentráció ( CMC) [27]
    2. Felhőpont [27]
  9. A polimerek fizikai és fizikai-kémiai tulajdonságai
    1. Üvegesedési hőmérséklet [ 27]
    2. A polimerek törésmutatója [27]
    3. A gumi vulkanizálásának felgyorsítása
    [27]
  10. Permeabilitási együttható kis sűrűségű polietilén révén [49]
  • Az ionos folyadékok fizikai tulajdonságai
    1. Olvadáspont [50]

    • ADMET tulajdonság-előrejelzési példák

    1. Farmakokinetikai tulajdonságok
      1. Áthatolás a vér-agy gáton [51]
      2. A bőr behatolási aránya [52]
    2. Anyagcsere
      1. Aromás hidroxilációs helyek a citokróm P450 általi metabolikus aktiváláskor [53]
    3. Toxicitás
      1. Rákkeltő hatás [54]
      2. Embriotoxicitás [55]

    Példák a szerves vegyületek biológiai aktivitásának előrejelzésére

    1. A biológiai aktivitás spektruma [56]
    2. A farmakológiai csoportokhoz tartozó [57]

    Lásd még

    Irodalom

    1. ↑ NS Zefirov, VA Paljulin. Fragmental Approach in QSPR  //  J. Chem. inf. Comput. sci.  : folyóirat. - 2002. - 20. évf. 42 , sz. 5 . - P. 1112-1122 . doi : 10.1021 / ci020010e .
    2. ↑ I. Baskin, A. Varnek. Kémiai tér építése fragmensleírók alapján  // Kombinatorial  Chemistry & High Throughput Screening : folyóirat. - 2008. - Vol. 11 , sz. 8 . - P. 661-668 .
    3. ↑ 1 2 3 I. Baskin, A. Varnek. "Fragment leírók a SAR/QSAR/QSPR tanulmányokban, a molekuláris hasonlóság elemzésében és a virtuális szűrésben". In: Chemoinformatic Approaches to Virtual Screening , A. Varnek, A. Tropsha, szerk., RCS Publishing, 2008, ISBN 978-0-85404-144-2 , 1-43.
    4. ↑ I. I. Baskin, M. I. Skvorcova, I. V. Stankevich, N. S. Zefirov . Jelzett molekulagráfok invariánsai alapján  // Dokl. RAS: folyóirat. - 1994. - T. 339 , 3. sz . - S. 346-350 .
    5. ↑ II Baskin, MI Skvorcova, IV Stankevich, NS Zefirov. Jelzett molekulagráfok invariánsai alapján  //  J. Chem. inf. Comput. sci.  : folyóirat. - 1995. - 1. évf. 35 , sz. 3 . - P. 527-531 . doi : 10.1021 / ci00025a021 .
    6. ↑ O. A. Raevszkij. Molekuláris szerkezetleírók a biológiailag aktív anyagok számítógépes tervezésében  // Uspekhi khimii  : zhurnal. - Orosz Tudományos Akadémia , 1999. - T. 68 , 6. sz . - S. 555-575 .
    7. ↑ O. A. Raevszkij. Hidrogénkötés-leírók a számítógépes molekuláris tervezésben  // Ros. chem. és. (D.I. Mengyelejevről elnevezett J. Russian Chemical Society): folyóirat. - 2006. - T. L , 2. sz . - S. 97-107 .
    8. ↑ M. Karelson, VS Lobanov, AR Katritzky. Quantum-Chemical Descriptors in QSAR/QSPR Studies  (angol)  // Chem. Fordulat. : folyóirat. - 1996. - 1. évf. 96 , sz. 3 . - P. 1027-1044 . - doi : 10.1021/cr950202r .
    9. ↑ R. D. Cramer, D. E. Patterson, J. D. Bunce. Összehasonlító molekuláris térelemzés (CoMFA). 1. Az alak hatása a szteroidok hordozófehérjékhez való kötésére  (angol)  // J. Am. Chem. szoc. : folyóirat. - 1988. - 1. évf. 110 , sz. 18 . - P. 5959-5967 . doi : 10.1021 / ja00226a005 .
    10. ↑ Palm, V.A. A szerves reakciók kvantitatív elméletének alapjai. — 2., ford. és további .. - L . : Kémia, 1977. - 360 p.
    11. ↑ F. Bonachera, B. Parent, F. Barbosa, N. Froloff, D. Horváth. Fuzzy Tricentric Pharmacophore ujjlenyomatok. 1. Topológiai fuzzy farmakofor hármasok és adaptált molekuláris hasonlósági pontozási sémák  //  J. Chem. inf. Modell.  : folyóirat. - 2006. - Vol. 46 , sz. 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. Bevezetés a kemoinformatikába: tankönyv. 3. rész. „Struktúra-tulajdonság” modellezése , Kazan: Kazan University, 2015, ISBN 978-5-00019-442-3
    14. ↑ 1 2 Baskin I. I., Majidov T. I., Varnek A. A. Bevezetés a kemoinformatikába: tankönyv. 4. rész. Gépi tanulási módszerek , Kazan: Kazan University, 2016, ISBN 978-5-00019-695-3
    15. ↑ I. I. Baskin, V. A. Paljulin, N. S. Zefirov. Szerves vegyületek szerkezete és tulajdonságai közötti közvetlen összefüggések keresésének módszertana számítási neurális hálózatok segítségével  // Dokl. RAS: folyóirat. - 1993. - T. 333 , 2. sz . - S. 176-179 .
    16. ↑ II Baskin, V. A. Paljulin, N. S. Zefirov. Neurális eszköz a szerves vegyületek szerkezete és tulajdonságai közötti közvetlen összefüggések keresésére  //  J. Chem. inf. Comput. sci.  : folyóirat. - 1997. - 1. évf. 37 , sz. 4 . - P. 715-721 . doi : 10.1021 / ci940128y .
    17. ↑ D.B. Kireev. ChemNet: Új neurális hálózaton alapuló módszer gráf/tulajdonság leképezéshez   // J. Chem. inf. Comput. sci.  : folyóirat. - 1995. - 1. évf. 35 , sz. 2 . - 175-180 . o . doi : 10.1021 / ci00024a001 .
    18. ↑ A. M. Bianucci. Application of Cascade Correlation Networks for Structures to Chemistry  (angol)  // Applied Intelligence : folyóirat. - 2000. - Vol. 12 , sz. 1-2 . - 117-146 . o .
    19. ↑ A. Micheli, A. Sperduti, A. Starita, A. M. Bianucci. A benzodiazepinek kvantitatív struktúra-aktivitás kapcsolati vizsgálataihoz alkalmazott struktúrák neurális hálózatok által kidolgozott belső reprezentációinak elemzése  //  J. Chem. inf. Comput. sci.  : folyóirat. - 2001. - Vol. 41 , sz. 1 . - P. 202-218 . doi : 10.1021 / ci9903399 .
    20. ↑ O. Ivanciuc. Molecular Structure Encoding into Artificial Neural Networks Topology  //  Romániai Kémiai Negyedéves Szemle : folyóirat. - 2001. - Vol. 8 . - P. 197-220 .
    21. ↑ A. Goulon, T. Picot, A. Duprat, G. Dreyfus. Tevékenységek előrejelzése számítástechnikai leírók nélkül: Graph machines for QSAR  //  SAR and QSAR in Environmental Research: napló. - 2007. - Vol. 18 , sz. 1-2 . - 141-153 . o . - doi : 10.1080/10629360601054313 .
    22. ↑ H. Kashima, K. Tsuda, A. Inokuchi, Marginalized Kernels Between Labeled Graphs, The 20th International Conference on Machine Learning (ICML2003), 2003. PDF
    23. ↑ H. Fröhlich, JK Wegner, A. Zell, Optimal Assignment Kernels For Attributed Molecular Graphs , The 22nd International Conference on Machine Learning (ICML 2005), Omnipress, Madison, WI, USA, 2005 , 225-232. PDF
    24. ↑ H. Fröhlich, J. K. Wegner, A. Zell. Kernel Functions for Attributed Molecular Graphs – Új hasonlóságon alapuló megközelítés az ADME előrejelzéséhez az osztályozásban és a regresszióban  //  QSAR Comb. sci. : folyóirat. - 2006. - Vol. 25 , sz. 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. A farmakofor kernel virtuális szűréshez támogató vektorgépekkel  //  J. Chem. inf. Modell.  : folyóirat. - 2006. - Vol. 46 , sz. 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. Strukturálisan változatos kvantitatív szerkezet-tulajdonság kapcsolat A technológiailag releváns fizikai tulajdonságok összefüggései  //  J. Chem. inf. Comput. sci.  : folyóirat. - 2000. - Vol. 40 , sz. 1 . - P. 1-18 . doi : 10.1021 / ci9903206 .
    28. ↑ 1 2 3 4 N. V. Artemenko, I. I. Baskin, V. A. Paljulin, N. S. Zefirov. Szerves vegyületek fizikai tulajdonságainak előrejelzése mesterséges neurális hálózatok segítségével a szubstrukturális megközelítés keretében  // Dokl. AN: napló. - 2001. - T. 381 , 2. sz . - S. 203-206 .
    29. ↑ 1 2 3 N. V. Artemenko, I. I. Baskin, V. A. Paljulin, N. S. Zefirov. Mesterséges neurális hálózatok és fragmentum megközelítés a szerves vegyületek fizikai és kémiai tulajdonságainak előrejelzésében  Izvesztyija RAN, Chemical Series: folyóirat. - 2003. - 1. sz . - S. 19-28 .
    30. ↑ N. I. Zhokhova, I. I. Baskin, V. A. Paljulin, A. N. Zefirov, N. S. Zefirov. Fragment leírók a QSPR-ben: alkalmazás a molekulák polarizálhatóságának számításához  // Izvestiya RAN, Chemical Series: Journal. - 2003. - 5. sz . - S. 1005-1009 .
    31. ↑ N. I. Zhokhova, I. I. Baskin, V. A. Paljulin, A. N. Zefirov, N. S. Zefirov. Fragment leírók a QSPR-ben: alkalmazás a mágneses szuszceptibilitás kiszámítására  // Journal of Structural Chemistry : Journal. - 2004. - T. 45 , 4. sz . - S. 660-669 .
    32. ↑ N. I. Zhokhova, I. I. Baskin, V. A. Paljulin, A. N. Zefirov, N. S. Zefirov. A szublimáció entalpiájának kiszámítása a QSPR módszerrel fragmens megközelítéssel  // Journal of Applied Chemistry: folyóirat. - 2003. - T. 76 , 12. sz . - S. 1966-1970 .
    33. ↑ 1 2 3 N. M. Galbershtam, I. I. Baskin, V. A. Paljulin, N. S. Zefirov. Neurális hálózati függőségek felépítése struktúra-feltétel-tulajdonság. A szénhidrogének fizikai és kémiai tulajdonságainak modellezése  // Dokl. AN: napló. - 2002. - T. 384 , 2. sz . - S. 202-205 .
    34. ↑ I. I. Baskin, A. O. Ait, N. M. Galbershtam, V. A. Paljulin, N. S. Zefirov. Mesterséges neurális hálózatok módszertanának alkalmazása komplex molekuláris rendszerek tulajdonságainak előrejelzésére. A szimmetrikus cianinfestékek hosszú hullámhosszú abszorpciós sávjának helyzetének előrejelzése  , Dokl. AN: napló. - 1997. - T. 357 , 1. sz . - S. 57-59 .
    35. ↑ Y. Binev, J. Aires-de-Sousa. 1H -NMR kémiai eltolódások szerkezet-alapú előrejelzései előrecsatolt neurális hálózatok használatával  //  J. Chem. inf. Comput. sci.  : folyóirat. - 2004. - 20. évf. 44 , sz. 3 . - P. 940-945 . doi : 10.1021 / ci034228s .
    36. ↑ JP Doucet, A. Panaye, E. Feuilleaubois, P. Ladd. Neurális hálózatok és 13C NMR eltolódás előrejelzés  //  J. Chem. inf. Comput. sci.  : folyóirat. - 1993. - 1. évf. 33 , sz. 3 . - P. 320-324 . doi : 10.1021 / ci00013a007 .
    37. ↑ GMJ West. A foszfor-NMR eltolódások előrejelzése neurális hálózatok segítségével  //  J. Chem. inf. Comput. sci.  : folyóirat. - 1993. - 1. évf. 33 , sz. 4 . - P. 577-589 . - doi : 10.1021/ci00014a009 .
    38. ↑ N. I. Zhokhova, I. I. Baskin, V. A. Paljulin, A. N. Zefirov, N. S. Zefirov. Töredékleírók a QSAR-ban: lobbanáspont számítási alkalmazás  // Izvestiya RAN, Chemical Series: Journal. - 2003. - 9. sz . - S. 1787-1793 .
    39. ↑ A. V. Sidorova, I. I. Baskin, V. A. Paljulin, D. E. Petelin, N. S. Zefirov. A szénhidrogének szerkezete és oktánszáma közötti összefüggések vizsgálata  // Dokl. AN: napló. - 1996. - T. 350 , 5. sz . - S. 642-646 .
    40. ↑ A. A. Ivanova, I. I. Baskin, V. A. Paljulin, N. S. Zefirov. Az ionizációs állandók értékeinek becslése a szerves vegyületek különböző osztályaira a "struktúra-tulajdonság" függőségek keresésének töredékes megközelítésével  // Dokl. AN: napló. - 2007. - T. 413 , 6. sz . - S. 766-770 .
    41. ↑ D. Butina, J.M.R. Gola. A vizes oldhatóság modellezése  //  J. Chem. inf. Comput. sci.  : folyóirat. - 2003. - 1. évf. 43 , sz. 3 . - P. 837-841 . doi : 10.1021 / ci020279y .
    42. ↑ IV Tetko, V. Yu. Tanchuk, AEP Villa. Az n-oktanol/víz megoszlási együtthatók előrejelzése PHYSPROP adatbázisból mesterséges neurális hálózatok és e-állapot-indexek segítségével  //  J. Chem. inf. Comput. sci.  : folyóirat. - 2001. - Vol. 41 , sz. 5 . - P. 1407-1421 . doi : 10.1021 / ci010368v .
    43. ↑ V. S. Bugrin, M. Yu. Kozlov, I. I. Baskin, N. S. Melik-Nubarov. Intermolekuláris kölcsönhatások, amelyek meghatározzák a polialkilén-oxid felületaktív anyagok micelláiban való szolubilizációt  // Nagy molekuláris vegyületek, Serie A : folyóirat. - 2007. - T. 49 , 4. sz . - S. 701-712 .
    44. ↑ A. A. Kravcov, P. V. Karpov, I. I. Baskin, V. A. Paljulin, N. S. Zefirov. "Bimolecular" QSPR: Szerves molekulák oldódási szabad energiájának becslése különböző oldószerekben  // Dokl. AN: napló. - 2007. - T. 414 , 3. sz . – S. ??? .
    45. ↑ NM Halberstam, II. Baskin, VA Paljulin, NS Zefirov. Kvantitatív struktúra - Feltételek - Tulajdonviszonyok Tanulmányok. Neural Network Modeling of the Acid Hydrolysis of Esters  (angolul)  : folyóirat. - 2002. - 20. évf. 12 , sz. 6 . - P. 185-186 .
    46. ↑ N. I. Zsohova, E. V. Bobkov, I. I. Baskin, V. A. Paljulin, A. N. Zefirov, N. S. Zefirov. Szerves vegyületek β-ciklodextrinnel alkotott komplexei stabilitásának kiszámítása QSPR módszerrel  // A Moszkvai Állami Egyetem közleménye, ser. 2, Kémia: folyóirat. - 2007. - T. 48 , 5. sz . - S. 329-332 .
    47. ↑ N. I. Zhokhova, I. I. Baskin, V. A. Paljulin, A. N. Zefirov, N. S. Zefirov. A festékek cellulózszálhoz való affinitásának vizsgálata a QSPR fragmentált megközelítésének keretében  // Journal of Applied Chemistry: Journal. - 2005. - T. 78 , 6. sz . - S. 1034-1037 .
    48. ↑ IV Tetko, V. P. Szolovjov, A. V. Antonov, X. Yao, J. P. Doucet, B. Fan, F. Hoonakker, D. Fourches, P. Jost, N. Lachiche, A. Varnek. Lineáris és nemlineáris megközelítések benchmarkingja a fémkomplexáció ionoforokkal kvantitatív szerkezet-tulajdonság-viszony vizsgálatához  //  J. Chem. inf. Modell.  : folyóirat. - 2006. - Vol. 46 , sz. 2 . - P. 808-819 . - doi : 10.1021/ci0504216 .
    49. ↑ MP Gonzalez, AM Helguera, HG Diaz. A TOPS-MODE megközelítés a permeabilitási együtthatók előrejelzésére  (angol)  // Polymer : Journal. - 2004. - 20. évf. 45 . - P. 2073-2079 .
    50. ↑ Varnek, A.; Kireeva, N.; Tetko, IV; Baskin, II; Szolovjev, alelnök. Kimerítő QSPR-tanulmányok nagy, változatos ionos folyadékkészletekről: Mennyire lehet pontosan megjósolni az olvadáspontokat? (angol)  // J. Chem. inf. Modell.  : folyóirat. - 2007. - Vol. 47 . - P. 1111-1122 .
    51. ↑ A. R. Katritzky, M. Kuanar, S. Slavov, D. A. Dobcsev, D. C. Fara, M. Karelson, W. E. Acree, Jr., V. P. Solov'ev, A. Varnek. A vér-agy penetráció korrelációja szerkezeti leírók segítségével   // Bioorg . Med. Chem. : folyóirat. - 2006. - Vol. 14 . - P. 4888-4917 . - doi : 10.1016/j.bmc.2006.03.012 .
    52. ↑ A. R. Katritzky, D. A. Dobcsev, D. C. Fara, E. Hur, K. Tamm, L. Kurunczi, M. Karelson, A. Varnek, V. P. Solov'ev. A bőr áteresztési sebessége a kémiai szerkezet függvényében  (angol)  // J. Med. Chem. : folyóirat. - 2006. - Vol. 49 , sz. 11 . - P. 3305-3314 . - doi : 10.1021/jm051031d .
    53. ↑ Yu. Borodina, A., Rudik, D. Filimonov, N. Harcsevnyikova, A. Dmitrijev, V. Blinova, V. Poroikov. Új statisztikai megközelítés az aromás hidroxilációs helyek előrejelzésére. Összehasonlítás modell-alapú megközelítésekkel  //  J. Chem. inf. Comput. sci.  : folyóirat. - 2004. - 20. évf. 44 , sz. 6 . - P. 1998-2009 . doi : 10.1021 / ci049834h .
    54. ↑ A. A. Lagunin, J. C. Dearden, D. A. Filimonov, V. V. Poroikov. Számítógéppel segített rágcsálók rákkeltő hatásának előrejelzése  (neopr.)  // Mutációkutatás. - Elsevier , 2005. - T. 586 , 2. sz . - 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. Paljulin, N. S. Zefirov. Számítógépes tanulmány az embriotoxicitás és a biogén aminok szintetikus analógjainak szerkezete közötti kapcsolatról  // Izvestiya RAN, biológiai sorozat: folyóirat. - 1997. - 4. sz . - S. 407-413 .
    56. ↑ D. A. Filimonov, V. V. Poroikov. A szerves vegyületek biológiai aktivitási spektrumának előrejelzése  // Ros. chem. és. (D.I. Mengyelejevről elnevezett J. Russian Chemical Society): folyóirat. - 2006. - T. L , 2. sz . - S. 66-75 .
    57. ↑ E. P. Kondratovics, N. I. Zhokhova, I. I. Baskin, V. A. Paljulin, N. S. Zefirov. Fragment leírók a szerkezet-aktivitás összefüggések vizsgálatában: alkalmazás szerves vegyületek farmakológiai csoportokhoz való tartozásának előrejelzésére a hordozóvektor gép segítségével  // Izvestiya Akademii Nauk. Kémiai sorozat: folyóirat. - 2009. - T. 4 . - S. 641-647 .

    Linkek