Огляд найбільш поширених обчислювальних методів вивчення зв’язків між структурою молекул та їх біологічною дією
DOI:
https://doi.org/10.15587/2313-8416.2015.51463Ключевые слова:
QSAR, розробка ліків, молекулярне моделювання, методи QSAR, математичні моделі, методи вибору змінних, машинне навчанняАннотация
Ціль. Систематизувати найбільш поширені методи дослідження зв’язків «молекулярна структура-біологічна активність» (QSAR) та розкрити їх принципи реалізації, сильні та слабкі сторони.
Методи. Проводився огляд сучасної наукової літератури, присвяченої QSAR-моделюванню. Найбільш часто використовувані методи розробки моделей «структура-активність» вибирались для подальшого опису.
Результати. Визначено місце аналізу зв’язків «молекулярна структура-активність» серед комп’ютерних методів розробки нових лікарських засобів та описано найбільш поширені алгоритми побудови QSAR моделей із акцентуванням на механізмі їх роботи. У останній час все більшої і більшої популярності набувають підходи, що базуються на використанні ансамблів моделей, прикладом яких є Random Forest.
Висновки. Прогрес у розвитку методів машинного навчання для побудови моделей «структура-активність» є запорукою подальшого розвитку напрямку QSAR та знаходження нових біологічно активних речовин із його допомогою
Библиографические ссылки
Dudek, A., Arodz, T., Galvez, J. (2006). Computational Methods in Developing Quantitative Structure-Activity Relationships (QSAR): A Review. Combinatorial Chemistry & High Throughput Screening, 9 (3), 213–228. doi: 10.2174/138620706776055539
Arakawa, M., Hasegawa, K., Funatsu, K. (2007). The Recent Trend in QSAR Modeling – Variable Selection and 3D-QSAR Methods. Current Computer Aided-Drug Design, 3 (4), 254–262. doi: 10.2174/1573409077827994177
Tropsha, A., Golbraikh, A. (2007). Predictive QSAR Modeling Workflow, Model Applicability Domains, and Virtual Screening. Current Pharmaceutical Design, 13 (34), 3494–3504. doi: 10.2174/138161207782794257
Cherkasov, A., Muratov, E. N., Fourches, D., Varnek, A., Baskin, I. I., Cronin, M. et. al (2014). QSAR Modeling: Where Have You Been? Where Are You Going To? Journal of Medicinal Chemistry, 57 (12), 4977–5010. doi: 10.1021/jm4004285
Devinyak, O. T., Slivka, M. V., Slivka, M. V., Vais, V. M., Lendel, V. G. (2011). Quantitative structure-activity relationship study and directed synthesis of Thieno[2,3-d]pyrimidine-2,4-diones as monocarboxylate transporter 1 inhibitors. Medicinal Chemistry Research, 21 (9), 2263–2272. doi: 10.1007/s00044-011-9748-4
Devinyak, O. T., Havrylyuk, D.Y., Zimenkovsky, B. S., Lesyk, R. B. (2011). QSAR analiz 2(4)-tiazolidynoniv iz pirazolinovym frahmentom v molekulakh, shcho proiavliaiut protypukhlynnu aktyvnist shchodo klityn nedribnoklitynnoho raku lehen in vitro [QSAR Study of 2(4)-Thiazolidinones with Pyrazoline Scaffold Possesing Antitumor Activity in vitro on Nonsmall Cell Lung Cancer Cells]. Clinical Pharmacy, Pharmacotherapy and Medical Standardization, 3-4, 163–168.
Li, Y.-W., Li, B., He, J., Qian, P. (2011). Structure-activity relationship study of antioxidative peptides by QSAR modeling: the amino acid next to C-terminus affects the activity. Journal of Peptide Science, 17 (6), 454–462. doi: 10.1002/psc.1345
Mazanetz, M. P., Ichihara, O., Law, R. J., Whittaker, M. (2011). Prediction of cyclin-dependent kinase 2 inhibitor potency using the fragment molecular orbital method. Journal of Cheminformatics, 3 (1), 2. doi: 10.1186/1758-2946-3-2
Suenderhauf, C., Hammann, F., Maunz, A., Helma, C., Huwyler, J. (2011). Combinatorial QSAR Modeling of Human Intestinal Absorption. Molecular Pharmaceutics, 8 (1), 213–224. doi: 10.1021/mp100279d
Sun, H. (2005). A Naive Bayes Classifier for Prediction of Multidrug Resistance Reversal Activity on the Basis of Atom Typing. Journal of Medicinal Chemistry, 48 (12), 4031–4039. doi: 10.1021/jm050180t
Prathipati, P., Ma, N. L., Keller, T. H. (2008). Global Bayesian Models for the Prioritization of Antitubercular Agents. Journal of Chemical Information and Modeling, 48 (12), 2362–2370. doi: 10.1021/ci800143n
Lv, W., Xue, Y. (2010). Prediction of acetylcholinesterase inhibitors and characterization of correlative molecular descriptors by machine learning methods. European Journal of Medicinal Chemistry, 45 (3), 1167–1172. doi: 10.1016/j.ejmech.2009.12.038
Yang, X.-G., Chen, D., Wang, M., Xue, Y., Chen, Y.-Z. (2009). Prediction of antibacterial compounds by machine learning approaches. Journal of Computational Chemistry, 30 (8), 1202–1211. doi: 10.1002/jcc.21148
Boiani, M., Cerecetto, H., González, M., Gasteiger, J. (2008). Modeling anti- Trypanosoma cruzi Activity of N -Oxide Containing Heterocycles. Journal of Chemical Information and Modeling, 48 (1), 213–219. doi: 10.1021/ci7002768
Saghaie, L., Shahlaei, M., Madadkar-Sobhani, A., Fassihi, A. (2010). Application of partial least squares and radial basis function neural networks in multivariate imaging analysis-quantitative structure activity relationship: Study of cyclin dependent kinase 4 inhibitors. Journal of Molecular Graphics and Modelling, 29 (4), 518–528. doi: 10.1016/j.jmgm.2010.10.001
Chen, H.-F. (2009). In Silico Log P Prediction for a Large Data Set with Support Vector Machines, Radial Basis Neural Networks and Multiple Linear Regression. Chemical Biology & Drug Design, 74 (2), 142–147. doi: 10.1111/j.1747-0285.2009.00840.x
Lü, W. J., Chen, Y. L., Ma, W. P., Zhang, X. Y., Luan, F., Liu, M. C., Chen, X. G., Hu, Z. D. (2008). QSAR study of neuraminidase inhibitors based on heuristic method and radial basis function network. European Journal of Medicinal Chemistry, 43 (3), 569–576. doi: 10.1016/j.ejmech.2007.04.011
Stempler, S., Levy-Sakin, M., Frydman-Marom, A., Amir, Y., Scherzer-Attali, R., Buzhansky, L., Gazit, E., Senderowitz, H. (2010). Quantitative structure–activity relationship analysis of β-amyloid aggregation inhibitors. Journal of Computer-Aided Molecular Design, 25 (2), 135–144. doi: 10.1007/s10822-010-9405-x
Schattel, V., Hinselmann, G., Jahn, A., Zell, A., Laufer, S. (2011). Modeling and Benchmark Data Set for the Inhibition of c-Jun N-terminal Kinase-3. J. Journal of Chemical Information and Modeling, 51 (3), 670–679. doi: 10.1021/ci100410h
Zimenkovsky, B. S., Devinyak, О. Т., Lesyk, R. B. (2012). Vyvchennia vzaiemozviazku «struktura–protypukhlynna aktyvnist» pokhidnykh 4-tiazolidynoniv metodamy rehresiinoho analizu ta klasyfikatsiinoho modeliuvannia [QSAR study of 4-thiazolidinones as anticancer agents using regression analysis and classification modeling]. Journal of organic and pharmaceutical chemistry, 10/2 (38), 43–49.
Bruce, C. L., Melville, J. L., Pickett, S. D., Hirst, J. D. (2007). Contemporary QSAR Classifiers Compared. Journal of Chemical Information and Modeling, 47 (1), 219–227. doi: 10.1021/ci600332j
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2015 Олег Теодозійович Девіняк
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Наше издание использует положения об авторских правах Creative Commons CC BY для журналов открытого доступа.
Авторы, которые публикуются в этом журнале, соглашаются со следующими условиями:
1. Авторы оставляют за собой право на авторство своей работы и передают журналу право первой публикации этой работы на условиях лицензии Creative Commons CC BY, которая позволяет другим лицам свободно распространять опубликованную работу с обязательной ссылкой на авторов оригинальной работы и первую публикацию работы в этом журнале.
2. Авторы имеют право заключать самостоятельные дополнительные соглашения, которые касаются неэксклюзивного распространения работы в том виде, в котором она была опубликована этим журналом (например, размещать работу в электронном хранилище учреждения или публиковать в составе монографии), при условии сохранения ссылки на первую публикацию работы в этом журнале .
