Введение
Глава 1. Искусственные нейронные сети 13
1.1. Введение 13
1.2. Основные принципы нейросетевого моделирования
1.2.1. Общая терминология 14
1.2.2. Нейрон МакКаллока-Питтса 15
1.2.3. Персептрон Розенблатта 17
1.2.4. Нейросети обратного распространения (backpropagation) 19
1.2.5. Другие архитектуры нейронных сетей
1.3. Основные принципы применения искусственных нейронных сетей для прогнозирования свойств химических соединенй 60
1.4. Ограничения искусственных нейронных сетей 62
Глава 2. Фрагментные дескрипторы в поиске зависимостей структура-свойство
2.1. История фрагментных дескрипторов 63
2.2. Типы фрагментных дескрипторов
2.2.1. Классификация по типам молекулярных графов 67
2.2.2. Классификация по типам молекулярны структур 87
2.2.3. Классификация по типам значений дескрипторов 90
2.2.4. Класификация по типам дескрипторных наборов 91
2.2.5. Классификация по связности фрагментов
2.2.6. Классификация по уровням детализации молекулярных графов 97
2.2.7. Фрагментные дескрипторы с выделенными атомами 100
2.3. Ограничения фрагментных дескрипторов 101
Глава 3. Математическое обоснование выбранного подхода 103
3.1. Химическая значимость поиска базиса инвариантов помеченных графов 103
3.2. Две основные теоремы о базисе инвариантов графов 105
3.3. Теоретические основы сочетания искусственных нейронных сетей и фрагментных дескрипторов 108
Глава 4. Разработка нейросетевых подходов 111
4.1. Подход к решению проблемы «переучивания» нейронных сетей 111
4.1.1. Суть эффекта «переучивания» нейросетей 111
4.1.2. Методы предотвращения «переучивания» нейросетей 113
4.1.3. Трехвыборочный подход 115
4.1.4. Процедура двойного скользящего контроля 116
4.1.5. Быстрая пошаговая множественная линейная регрессия
4.2. Подход к интерпретации нейросетевых моделей 119
4.3. Концепция обучаемой симметрии 129
Глава 5. Разработка фрагментных подходов 142
5.1. Принципы построения и генерации фрагментных дескрипторов 142
5.1.1. Типы фрагментов 143
5.1.2. Иерархическая классификация атомов во фрагментах 145
5.1.3. Построение фрагментного дескриптора 153
5.1.4. Генерация кодов фрагментов с обобщенными типами атомов 154
5.1.5. Алгоритм генерации фрагментных дескрипторов 156
5.2. Примеры прогнозирования физико-химических свойств органических соединений с использованием фрагментных дескрипторов и линейно регрессионных моделей 158
5.2.1. Прогнозирование поляризуемости органических соединений 159
5.2.2. Прогнозирование энтальпий образования алифатических полинитросоединений 161
5.2.3. Прогнозирование магнитной восприимчивости органических соединений 163
5.2.4. Прогнозирование энтальпии парообразования органических соединений 169
5.2.5. Прогнозирование энтальпии сублимации органических соединений 171
5.2.6. Прогнозирование температуры вспышки органических соединений 176
5.2.7. Прогнозирование сродства азо- и антрахиноновых красителей к целлюлозному волокну 180
5.3. Фрагментные дескрипторы с «выделенными» атомами 183
5.3.1. Прогнозирование химических сдвигов в Р ЯМР спектрах замещенных монофосфинов 185
5.3.2. Прогнозирование способности аналогов 1-[(2-гидроксиэтокси)-метил]-6(фенилтио)тимина (НЕРТ) ингибировать обратную транскриптазу вируса ВИЧ-1 187
5.3.3. Прогнозирование констант скорости гидролиза эфиров карбоновых кислот 189
5.4. Псевдофрагментные подходы. FRAGPROP. Прогнозирование физических свойств полимеров 191
Глава 6. Сочетание искусственных нейронных сетей и фрагментных дескрипторов 198
6.1. Первые свидетельства эффективности совместного использования искусственных нейронных сетей и фрагментных дескрипторов 198
6.2. Прогнозирование физико-химических свойств органических соединений с использованием фрагментных дескрипторов и нейросетевых моделей 203
6.3. Моделирование физических свойств органических жидкостей в рамках процедуры трехвыборочного скользящего контроля
6.3.1. Общая методология моделирования 205
6.3.2. Моделирование вязкости органических соединений 207
6.3.3. Моделирование плотности жидких органических соединений 213
6.3.4. Моделирование давления насыщенных паров 216
6.3.5. Моделирование температуры кипения разнородных органических соединений 218
6.4. Прогнозирование температуры плавления ионных жидкостей 223
Глава 7. Разработка интегрированных подходов 227
7.1. Совместное применение методологии искусственных нейронных сетей и методов молекулярного моделирования 227
7.1.1. Предсказание положения длинноволновой полосы поглощения симметричных цианиновых красителей 229
7.1.2. Оценка значений констант ионизации для различных классов органических соединений 233
7.1.3. Моделирование мутагенной активности замещенных полициклических нитросоединений с помощью искусственных нейронных сетей 238
7.1.4. Прогнозирование констант заместителей с использованием искусственных нейронных сетей и квантово-химических дескрипторов 245
7.2. Корреляции структура-условия-свойство 246
7.2.1. Концепция построения нейросетевых зависимостей структура - условия — свойство 246
7.2.2. Построение и анализ нейросетевых зависимостей структура-условие-свойство для физико-химических свойств углеводородов 248
7.2.3. Построение и анализ нейросетевых зависимостей структура - условия реакции - константы скорости для реакции кислотного гидролиза сложных эфиров карбоновых кислот 256
7.3. Индуктивный перенос знаний при интеграции моделей «структура свойство» 262
7.3.1. Многоуровневый принцип построения моделей «структура-свойство» 264
7.3.2. Параллельный принцип построения моделей «структура-свойство». Многозадачное обучение 270
7.4. Нейронное устройство для проведения прямых корреляций «структура свойство» 274
7.4.1. Введение 274
7.4.2. Описание нейронного устройства 276
7.4.3. Примеры разных конфигураций нейронного устройства 283
7.4.4. Применение нейронного устройства в исследованиях «структура-свойство» для органических соединений 285
7.4.5. Выводы 292
Глава 8. Разработка программных средств 294
8.1. История разработки программных средств 294
8.2. Программный комплекс «NASAWIN»
8.2.1. Представление химической информации 298
8.2.2. Интеграция с программными компонентами, осуществляющими расчет дескрипторов химических структур 298
8.2.3. Химически-ориентированная визуализация 299
8.2.4. Модификация дескрипторов и свойств 299
8.2.5. Предварительный отбор дескрипторов 299
8.2.6. Построение классификационных моделей структура-активность 300
8.2.7. Нейросетевые парадигмы 301
8.2.8. Интерпретация нейросетевых моделей 301
8.2.9. Отбор дескрипторов в ходе обучения нейросети
8.2.10. Определение момента начала «переучивания» нейросети 302
8.2.11. Кластеризация баз данных 303
8.2.12. Динамическая визуализация хода обучения нейросети 303
8.2.13. Определение области применимости модели 304
8.2.14. Химически-ориентированный блок прогноза 304
8.3. Дескрипторный блок «FRAGMENT» 304
8.4. Дескрипторный блок «FRAGPROP» 306
8.5. Автономные прогнозаторы свойств органических соединений 310
Выводы 312
Литература
