Los modelos cuantitativos de relación estructura-actividad (modelos QSAR ) son modelos de regresión o clasificación utilizados en las ciencias químicas y biológicas y la ingeniería. Como otros modelos de regresión, los modelos de regresión QSAR relacionan un conjunto de variables "predictoras" (X) con la potencia de la variable de respuesta (Y), mientras que los modelos QSAR de clasificación relacionan las variables predictoras con un valor categórico de la variable de respuesta.
En el modelado QSAR, los predictores consisten en propiedades físico-químicas o descriptores moleculares teóricos [1] [2] de sustancias químicas; la variable de respuesta QSAR podría ser una actividad biológica de los productos químicos. Los modelos QSAR primero resumen una supuesta relación entre las estructuras químicas y la actividad biológica en un conjunto de datos de sustancias químicas. En segundo lugar, los modelos QSAR predicen las actividades de nuevos productos químicos. [3] [4]
Los términos relacionados incluyen relaciones cuantitativas estructura-propiedad ( QSPR ) cuando una propiedad química se modela como la variable de respuesta. [5] [6] "Se han investigado diferentes propiedades o comportamientos de las moléculas químicas en el campo de la QSPR. Algunos ejemplos son las relaciones cuantitativas estructura-reactividad (QSRR), las relaciones cuantitativas estructura-cromatografía (QSCR) y las relaciones cuantitativas estructura-toxicidad (QSTR), relaciones cuantitativas estructura-electroquímica (QSER) y relaciones cuantitativas estructura-biodegradabilidad (QSBR) ". [7]
Por ejemplo, la actividad biológica se puede expresar cuantitativamente como la concentración de una sustancia necesaria para dar una determinada respuesta biológica. Además, cuando las propiedades o estructuras fisicoquímicas se expresan mediante números, se puede encontrar una relación matemática, o una relación cuantitativa estructura-actividad, entre las dos. La expresión matemática, si se valida cuidadosamente [8] [9] [10], puede usarse para predecir la respuesta modelada de otras estructuras químicas. [11]
Un QSAR tiene la forma de un modelo matemático :
- Actividad = f (propiedades fisicoquímicas y / o propiedades estructurales) + error
El error incluye el error del modelo ( sesgo ) y la variabilidad observacional, es decir, la variabilidad en las observaciones incluso en un modelo correcto.
Pasos esenciales en los estudios QSAR
Los pasos principales de QSAR / QSPR incluyen (i) Selección del conjunto de datos y extracción de descriptores estructurales / empíricos (ii) selección de variables, (iii) construcción de modelos y (iv) evaluación de validación ". [7]
SAR y la paradoja SAR
La suposición básica para todas las hipótesis basadas en moléculas es que moléculas similares tienen actividades similares. Este principio también se denomina Relación estructura-actividad ( SAR ). Por tanto, el problema subyacente es cómo definir una pequeña diferencia a nivel molecular, ya que cada tipo de actividad, por ejemplo , capacidad de reacción , capacidad de biotransformación , solubilidad , actividad diana, etc., podría depender de otra diferencia. Los ejemplos se dan en las bioisosterism las críticas de Patanie / LaVoie [12] y Brown. [13]
En general, uno está más interesado en encontrar tendencias fuertes . Las hipótesis creadas generalmente se basan en un número finito de sustancias químicas, por lo que se debe tener cuidado para evitar el sobreajuste : la generación de hipótesis que se ajustan muy de cerca a los datos de entrenamiento pero que funcionan mal cuando se aplican a nuevos datos.
La paradoja SAR se refiere al hecho de que no es el caso de que todas las moléculas similares tengan actividades similares.
Tipos
Basado en fragmentos (contribución de grupo)
De manera análoga, el " coeficiente de partición ", una medida de la solubilidad diferencial y en sí mismo un componente de las predicciones QSAR, puede predecirse mediante métodos atómicos (conocidos como "XLogP" o "ALogP") o mediante métodos de fragmentos químicos (conocidos como "CLogP" y otras variaciones). Se ha demostrado que el logP del compuesto se puede determinar mediante la suma de sus fragmentos; Los métodos basados en fragmentos se aceptan generalmente como mejores predictores que los métodos basados en atómicos. [14] Los valores fragmentarios se han determinado estadísticamente, basándose en datos empíricos para valores de logP conocidos. Este método ofrece resultados mixtos y, por lo general, no se confía en que tenga una precisión de más de ± 0,1 unidades. [15]
QSAR basado en grupos o fragmentos también se conoce como GQSAR. [16] GQSAR permite flexibilidad para estudiar varios fragmentos moleculares de interés en relación con la variación en la respuesta biológica. Los fragmentos moleculares podrían ser sustituyentes en varios sitios de sustitución en un conjunto congenérico de moléculas o podrían basarse en reglas químicas predefinidas en el caso de conjuntos no congenéricos. GQSAR también considera descriptores de fragmentos de términos cruzados, que podrían ser útiles en la identificación de interacciones de fragmentos clave para determinar la variación de la actividad. [16] El descubrimiento de leads usando Fragnomics es un paradigma emergente. En este contexto, FB-QSAR demuestra ser una estrategia prometedora para el diseño de bibliotecas de fragmentos y en los esfuerzos de identificación de fragmentos a conductores. [17]
Se desarrolla un enfoque avanzado sobre QSAR basado en fragmentos o grupos basado en el concepto de similitud de farmacóforos. [18] Este método, QSAR basado en similitud de farmacóforos (PS-QSAR) utiliza descriptores farmacofóricos topológicos para desarrollar modelos QSAR. Esta predicción de la actividad puede ayudar a la contribución de ciertas características del farmacóforo codificadas por los respectivos fragmentos hacia la mejora de la actividad y / o los efectos perjudiciales. [18]
3D-QSAR
El acrónimo 3D-QSAR o 3-D QSAR se refiere a la aplicación de cálculos de campo de fuerza que requieren estructuras tridimensionales de un conjunto dado de moléculas pequeñas con actividades conocidas (conjunto de entrenamiento). El conjunto de entrenamiento debe superponerse (alinearse) mediante datos experimentales (por ejemplo, basados en cristalografía de ligando-proteína ) o software de superposición de moléculas . Utiliza potenciales calculados, por ejemplo, el potencial de Lennard-Jones , en lugar de constantes experimentales y se ocupa de la molécula general en lugar de un solo sustituyente. El primer QSAR 3-D fue denominado Análisis de campo molecular comparativo (CoMFA) por Cramer et al. Se examinaron los campos estéricos (forma de la molécula) y los campos electrostáticos [19] que se correlacionaron mediante regresión de mínimos cuadrados parciales (PLS).
El espacio de datos creado generalmente se reduce mediante la siguiente extracción de características (consulte también la reducción de dimensionalidad ). El siguiente método de aprendizaje puede ser cualquiera de los métodos de aprendizaje automático ya mencionados , por ejemplo, máquinas de vectores de soporte . [20] Un enfoque alternativo utiliza el aprendizaje de instancias múltiples mediante la codificación de moléculas como conjuntos de instancias de datos, cada uno de los cuales representa una posible conformación molecular. Se asigna una etiqueta o respuesta a cada conjunto correspondiente a la actividad de la molécula, que se supone que está determinada por al menos una instancia en el conjunto (es decir, alguna conformación de la molécula). [21]
El 18 de junio de 2011, la patente de Análisis de campo molecular comparativo (CoMFA) eliminó cualquier restricción sobre el uso de tecnologías GRID y de mínimos cuadrados parciales (PLS). [ cita requerida ]
Basado en descriptores químicos
En este enfoque, los descriptores que cuantifican diversas propiedades electrónicas, geométricas o estéricas de una molécula se calculan y utilizan para desarrollar una QSAR. [22] Este enfoque es diferente del enfoque de fragmentos (o contribución de grupo) en que los descriptores se calculan para el sistema como un todo y no a partir de las propiedades de los fragmentos individuales. Este enfoque es diferente del enfoque 3D-QSAR en que los descriptores se calculan a partir de cantidades escalares (por ejemplo, energías, parámetros geométricos) en lugar de campos 3D.
Un ejemplo de este enfoque son los QSAR desarrollados para la polimerización de olefinas mediante compuestos de medio sándwich . [23] [24]
Modelado
En la literatura se puede encontrar a menudo que los químicos tienen una preferencia por los métodos de mínimos cuadrados parciales (PLS), [ cita requerida ] ya que aplica la extracción e inducción de características en un solo paso.
Enfoque de minería de datos
Los modelos de SAR por computadora generalmente calculan una cantidad relativamente grande de características. Debido a que carecen de capacidad de interpretación estructural, los pasos de preprocesamiento enfrentan un problema de selección de características (es decir, qué características estructurales deben interpretarse para determinar la relación estructura-actividad). La selección de características se puede lograr mediante inspección visual (selección cualitativa por parte de un humano); por minería de datos; o por minería de moléculas.
Una predicción típica basada en minería de datos utiliza, por ejemplo , máquinas de vectores de soporte , árboles de decisión , redes neuronales artificiales para inducir un modelo de aprendizaje predictivo.
Los enfoques de minería de moléculas , un caso especial de enfoques de minería de datos estructurados , aplican una predicción basada en matrices de similitud o un esquema de fragmentación automático en subestructuras moleculares. Además, también existen enfoques que utilizan el máximo de búsquedas comunes en subgrafos o núcleos de gráficos . [25] [26]
Análisis de pares moleculares emparejados
Normalmente, los modelos QSAR derivados del aprendizaje automático no lineal se consideran una "caja negra", que no sirve de guía para los químicos medicinales. Recientemente, existe un concepto relativamente nuevo de análisis de pares moleculares apareados [27] o MMPA impulsado por predicciones que se acopla con el modelo QSAR para identificar acantilados de actividad. [28]
Evaluación de la calidad de los modelos QSAR
El modelado QSAR produce modelos predictivos derivados de la aplicación de herramientas estadísticas que correlacionan la actividad biológica (incluido el efecto terapéutico deseable y los efectos secundarios indeseables) o propiedades físico-químicas en modelos QSPR de productos químicos (fármacos / tóxicos / contaminantes ambientales) con descriptores representativos de la estructura o propiedades moleculares . Los QSAR se están aplicando en muchas disciplinas, por ejemplo: evaluación de riesgos , predicción de toxicidad y decisiones regulatorias [29], además del descubrimiento de fármacos y la optimización de oportunidades . [30] La obtención de un modelo QSAR de buena calidad depende de muchos factores, como la calidad de los datos de entrada, la elección de los descriptores y los métodos estadísticos para el modelado y la validación. Cualquier modelo QSAR debería conducir en última instancia a modelos estadísticamente sólidos y predictivos capaces de realizar predicciones precisas y fiables de la respuesta modelada de nuevos compuestos.
Para la validación de los modelos QSAR, normalmente se adoptan varias estrategias: [31]
- validación interna o validación cruzada (en realidad, mientras se extraen datos, la validación cruzada es una medida de la solidez del modelo, cuanto más robusto es un modelo (mayor q2), menos perturba la extracción de datos al modelo original);
- validación externa dividiendo el conjunto de datos disponibles en un conjunto de entrenamiento para el desarrollo del modelo y un conjunto de predicción para la verificación de la predictividad del modelo;
- validación externa ciega mediante la aplicación del modelo en nuevos datos externos y
- Aleatorización de datos o codificación Y para verificar la ausencia de correlación aleatoria entre la respuesta y los descriptores de modelado.
El éxito de cualquier modelo QSAR depende de la precisión de los datos de entrada, la selección de descriptores y herramientas estadísticas adecuadas y, lo que es más importante, la validación del modelo desarrollado. La validación es el proceso mediante el cual se establece la confiabilidad y relevancia de un procedimiento para un propósito específico; para los modelos QSAR, la validación debe ser principalmente para la robustez, el desempeño de predicción y el dominio de aplicabilidad (AD) de los modelos. [8] [9] [10] [32] [33]
Algunas metodologías de validación pueden resultar problemáticas. Por ejemplo, dejar una validación cruzada única generalmente conduce a una sobreestimación de la capacidad predictiva. Incluso con la validación externa, es difícil determinar si la selección de los conjuntos de entrenamiento y prueba se manipuló para maximizar la capacidad predictiva del modelo que se publica.
Los diferentes aspectos de la validación de los modelos QSAR que necesitan atención incluyen métodos de selección de compuestos de conjuntos de entrenamiento, [34] establecer el tamaño del conjunto de entrenamiento [35] y el impacto de la selección de variables [36] para los modelos de conjuntos de entrenamiento para determinar la calidad de predicción. También es importante el desarrollo de parámetros de validación novedosos para juzgar la calidad de los modelos QSAR. [10] [37] [38]
Solicitud
Químico
Una de las primeras aplicaciones históricas de QSAR fue predecir los puntos de ebullición . [39]
Es bien sabido, por ejemplo, que dentro de una familia particular de compuestos químicos , especialmente de la química orgánica , existen fuertes correlaciones entre la estructura y las propiedades observadas. Un ejemplo simple es la relación entre el número de carbonos en los alcanos y sus puntos de ebullición . Existe una tendencia clara en el aumento del punto de ebullición con un aumento en el número de carbonos, y esto sirve como un medio para predecir los puntos de ebullición de los alcanos superiores .
Una aplicación aún muy interesante es la ecuación de Hammett , la ecuación de Taft y los métodos de predicción de pKa . [40]
Biológico
La actividad biológica de las moléculas se mide habitualmente en ensayos para establecer el nivel de inhibición de una transducción de señales o rutas metabólicas particulares . El descubrimiento de fármacos a menudo implica el uso de QSAR para identificar estructuras químicas que podrían tener buenos efectos inhibidores sobre objetivos específicos y tener baja toxicidad (actividad no específica). De especial interés es la predicción del coeficiente de partición log P , que es una medida importante que se utiliza para identificar la " semejanza a las drogas " de acuerdo con la regla de los cinco de Lipinski .
Si bien muchos análisis cuantitativos de la relación estructura-actividad implican las interacciones de una familia de moléculas con una enzima o un sitio de unión al receptor , QSAR también se puede utilizar para estudiar las interacciones entre los dominios estructurales de las proteínas. Las interacciones proteína-proteína pueden analizarse cuantitativamente en busca de variaciones estructurales resultantes de la mutagénesis dirigida al sitio . [41]
Es parte del método de aprendizaje automático para reducir el riesgo de una paradoja SAR, especialmente teniendo en cuenta que solo hay una cantidad finita de datos disponibles (ver también MVUE ). En general, todos los problemas de QSAR se pueden dividir en codificación [42] y aprendizaje . [43]
Aplicaciones
Se han utilizado modelos (Q) SAR para la gestión de riesgos . Las QSARS son sugeridas por las autoridades reguladoras; en la Unión Europea , las QSAR son sugeridas por el reglamento REACH , donde "REACH" abrevia "Registro, Evaluación, Autorización y Restricción de Sustancias Químicas". La aplicación reglamentaria de los métodos QSAR incluye la evaluación toxicológica in silico de impurezas genotóxicas. [44] El software de evaluación QSAR de uso común, como DEREK o CASE Ultra (MultiCASE), se utiliza para determinar la genotoxicidad de las impurezas de acuerdo con ICH M7 .
El espacio del descriptor químico cuyo casco convexo es generado por un conjunto de productos químicos de entrenamiento particular se denomina dominio de aplicabilidad del conjunto de entrenamiento . La predicción de propiedades de sustancias químicas novedosas que se encuentran fuera del dominio de aplicabilidad utiliza la extrapolación , por lo que es menos confiable (en promedio) que la predicción dentro del dominio de aplicabilidad. La evaluación de la fiabilidad de las predicciones QSAR sigue siendo un tema de investigación.
Las ecuaciones QSAR se pueden utilizar para predecir las actividades biológicas de moléculas más nuevas antes de su síntesis.
Entre los ejemplos de herramientas de aprendizaje automático para el modelado QSAR se incluyen: [45]
S.No. | Nombre | Algoritmos | Enlace externo |
---|---|---|---|
1. | R | RF, SVM, Naïve Bayesian y ANN | "R: El Proyecto R para Computación Estadística" . |
2. | libSVM | SVM | "LIBSVM - Una biblioteca para máquinas de vectores de soporte" . |
3. | naranja | RF, SVM y bayesiano ingenuo | "Minería de datos de Orange" . |
4. | RapidMiner | SVM, RF, Naïve Bayes, DT, ANN y k-NN | "RapidMiner | # 1 plataforma de análisis predictivo de código abierto" . |
5. | Weka | RF, SVM y Naïve Bayes | "Weka 3 - Minería de datos con software de aprendizaje automático de código abierto en Java" . |
6. | Knime | DT, Naïve Bayes y SVM | "KNIME | Abierto a la Innovación" . |
7. | AZOrange [46] | RT, SVM, ANN y RF | "AZCompTox / AZOrange: complementos de AstraZeneca para Orange" . GitHub . 2018-09-19. |
8. | Tanagra | SVM, RF, Naïve Bayes y DT | "TANAGRA - Un software gratuito de MINERÍA DE DATOS para la docencia y la investigación" . |
9. | Elki | k-NN | "Marco de minería de datos ELKI" . Archivado desde el original el 19 de noviembre de 2016. |
10. | MAZO | "Página de inicio de MALLET" . | |
11. | MOA | "Análisis en línea masivo MOA | Análisis en tiempo real para flujos de datos" . Archivado desde el original el 19 de junio de 2017. | |
12. | Química profunda | Regresión logística, Naive Bayes, RF, ANN y otros | "DeepChem" . deepchem.io . Consultado el 20 de octubre de 2017 . |
Ver también
- PROMOCIONAME
- Quimioformática
- Diseño de fármacos asistido por computadora (CADD)
- Relación conformación-actividad
- Solubilidad diferencial
- Análisis de pares moleculares emparejados
- Descriptor molecular
- Software de diseño molecular
- Coeficiente de partición
- Farmacocinética
- Farmacóforo
- QSAR y ciencia combinatoria - Revista científica
- Software para modelado de mecánica molecular
- Chemicalize.org : Lista de propiedades basadas en estructuras predichas
Referencias
- ^ Todeschini, Roberto; Consonni, Viviana. Descriptores moleculares para quimioinformática . Wiley. ISBN 978-3-527-31852-0.
- ^ Mauri, Andrea; Consonni, Viviana; Todeschini, Roberto. "Descriptores moleculares". Manual de Química Computacional . Springer International Publishing. págs. 2065–2093. ISBN 978-3-319-27282-5.
- ^ Roy K, Kar S, Das RN (2015). "Capítulo 1.2: ¿Qué es QSAR? Definiciones y formulismo" . Una introducción al modelado QSAR / QSPR: conceptos fundamentales . Nueva York: Springer-Verlag Inc. págs. 2–6. ISBN 978-3-319-17281-1.
- ^ Ghasemi, Pérez-Sánchez; Mehri, Pérez-Garrido (2018). "Red neuronal y algoritmos de aprendizaje profundo utilizados en estudios QSAR: méritos e inconvenientes". Descubrimiento de drogas hoy . 23 (10): 1784-1790. doi : 10.1016 / j.drudis.2018.06.016 . PMID 29936244 .
- ^ Nantasenamat C, Isarankura-Na-Ayudhya C, Naenna T, Prachayasittikul V (2009). "Una descripción práctica de la relación estructura-actividad cuantitativa". Excli J . 8 : 74–88. doi : 10.17877 / DE290R-690 .
- ^ Nantasenamat C, Isarankura-Na-Ayudhya C, Prachayasittikul V (julio de 2010). "Avances en métodos computacionales para predecir la actividad biológica de compuestos". Opinión de expertos sobre el descubrimiento de fármacos . 5 (7): 633–54. doi : 10.1517 / 17460441.2010.492827 . PMID 22823204 . S2CID 17622541 .
- ^ a b Yousefinejad S, Hemmateenejad B (2015). "Herramientas de quimiometría en estudios QSAR / QSPR: una perspectiva histórica". Quimiometría y sistemas inteligentes de laboratorio . 149, Parte B: 177-204. doi : 10.1016 / j.chemolab.2015.06.016 .
- ^ a b Tropsha A , Gramatica P, Gombar VJ (2003). "La importancia de ser serio: la validación es absolutamente esencial para una aplicación e interpretación exitosa de los modelos QSPR". QSAR Comb. Sci . 22 : 69–77. doi : 10.1002 / qsar.200390007 .
- ^ a b Gramatica P (2007). "Principios de validación de modelos QSAR: internos y externos". QSAR Comb. Sci . 26 (5): 694–701. doi : 10.1002 / qsar.200610151 . hdl : 11383/1668881 .
- ^ a b c Chirico N, Gramatica P (agosto de 2012). "Predictividad externa real de modelos QSAR. Parte 2. Nuevos umbrales intercomparables para diferentes criterios de validación y la necesidad de inspección de gráficos de dispersión". Revista de información química y modelado . 52 (8): 2044–58. doi : 10.1021 / ci300084j . PMID 22721530 .
- ^ Tropsha, Alexander (2010). "Mejores prácticas para el desarrollo, validación y explotación del modelo QSAR". Informática molecular . 29 (6–7): 476–488. doi : 10.1002 / minf.201000061 . ISSN 1868-1743 . PMID 27463326 . S2CID 23564249 .
- ^ Patani GA, LaVoie EJ (diciembre de 1996). "Bioisosterismo: un enfoque racional en el diseño de fármacos". Revisiones químicas . 96 (8): 3147–3176. doi : 10.1021 / cr950066q . PMID 11848856 .
- ^ Brown N (2012). Bioisósteres en Química Medicinal . Weinheim: Wiley-VCH. ISBN 978-3-527-33015-7.
- ^ Thompson SJ, Hattotuwagama CK, Holliday JD, Flower DR (2006). "Sobre la hidrofobicidad de los péptidos: comparación de las predicciones empíricas de los valores de log P de péptidos" . Bioinformación . 1 (7): 237–41. doi : 10.6026 / 97320630001237 . PMC 1891704 . PMID 17597897 .
- ^ Wildman SA, Crippen GM (1999). "Predicción de parámetros fisicoquímicos por contribuciones atómicas". J. Chem. Inf. Computación. Sci . 39 (5): 868–873. doi : 10.1021 / ci990307l .
- ^ a b Ajmani S, Jadhav K, Kulkarni SA. "QSAR basado en grupos (G-QSAR)". Cite journal requiere
|journal=
( ayuda ) - ^ Manoharan P, Vijayan RS, Ghoshal N (octubre de 2010). "Racionalización del descubrimiento de fármacos basados en fragmentos para BACE1: conocimientos de los estudios FB-QSAR, FB-QSSR, multiobjetivo (MO-QSPR) y MIF". Revista de diseño molecular asistido por computadora . 24 (10): 843–64. Código bibliográfico : 2010JCAMD..24..843M . doi : 10.1007 / s10822-010-9378-9 . PMID 20740315 . S2CID 1171860 .
- ^ a b Prasanth Kumar S, Jasrai YT, Pandya HA, Rawal RM (noviembre de 2013). "QSAR basado en similitud de farmacóforo (PS-QSAR) para predicciones de actividad biológica específica de grupo". Revista de Estructura y Dinámica Biomolecular . 33 (1): 56–69. doi : 10.1080 / 07391102.2013.849618 . PMID 24266725 . S2CID 45364247 .
- ^ Leach AR (2001). Modelado molecular: principios y aplicaciones . Englewood Cliffs, Nueva Jersey: Prentice Hall. ISBN 978-0-582-38210-7.
- ^ Vert JP, Schölkopf B, Tsuda K (2004). Métodos kernel en biología computacional . Cambridge, Mass: MIT Press. ISBN 978-0-262-19509-6.
- ^ Dietterich TG, Lathrop RH, Lozano-Pérez T (1997). "Resolviendo el problema de instancias múltiples con rectángulos paralelos a los ejes". Inteligencia artificial . 89 (1–2): 31–71. doi : 10.1016 / S0004-3702 (96) 00034-3 .
- ^ Caruthers JM, Lauterbach JA, Thomson KT, Venkatasubramanian V, Snively CM, Bhan A, Katare S, Oskarsdottir G (2003). "Diseño de catalizador: extracción de conocimiento de la experimentación de alto rendimiento". J. Catal . 216 (1–2): 3776–3777. doi : 10.1016 / S0021-9517 (02) 00036-2 .
- ^ Manz TA, Phomphrai K, Medvedev G, Krishnamurthy BB, Sharma S, Haq J, Novstrup KA, Thomson KT, Delgass WN, Caruthers JM, Abu-Omar MM (abril de 2007). "Correlación estructura-actividad en catalizadores de polimerización de olefinas de sitio único de titanio que contienen ligadura mixta de ciclopentadienilo / arilóxido". Revista de la Sociedad Química Estadounidense . 129 (13): 3776–7. doi : 10.1021 / ja0640849 . PMID 17348648 .
- ^ Manz TA, Caruthers JM, Sharma S, Phomphrai K, Thomson KT, Delgass WN, Abu-Omar MM (2012). "Correlación estructura-actividad para la iniciación de la cadena relativa a las tasas de propagación en la catálisis de polimerización de olefinas de un solo sitio". Organometálicos . 31 (2): 602–618. doi : 10.1021 / om200884x .
- ^ Gusfield D (1997). Algoritmos sobre cadenas, árboles y secuencias: informática y biología computacional . Cambridge, Reino Unido: Cambridge University Press. ISBN 978-0-521-58519-4.
- ^ Helma C (2005). Toxicología predictiva . Washington, DC: Taylor y Francis. ISBN 978-0-8247-2397-2.
- ^ Dossetter AG, Griffen EJ, Leach AG (2013). "Análisis de pares moleculares emparejados en el descubrimiento de fármacos". Descubrimiento de drogas hoy . 18 (15-16): 724-31. doi : 10.1016 / j.drudis.2013.03.003 . PMID 23557664 .
- ^ Sushko Y, Novotarskyi S, Körner R, Vogt J, Abdelaziz A, Tetko IV (2014). "Pares moleculares emparejados basados en predicciones para interpretar QSAR y ayudar al proceso de optimización molecular" . Revista de Cheminformatics . 6 (1): 48. doi : 10.1186 / s13321-014-0048-0 . PMC 4272757 . PMID 25544551 .
- ^ Tong W, Hong H, Xie Q, Shi L, Fang H, Perkins R (abril de 2005). "Evaluación de las limitaciones de QSAR: una perspectiva regulatoria" . Diseño actual de fármacos asistido por ordenador . 1 (2): 195–205. doi : 10.2174 / 1573409053585663 .
- ^ Dearden JC (2003). "Predicción in silico de toxicidad de fármacos". Revista de diseño molecular asistido por computadora . 17 (2–4): 119–27. Código bibliográfico : 2003JCAMD..17..119D . doi : 10.1023 / A: 1025361621494 . PMID 13677480 . S2CID 21518449 .
- ^ Wold S, Eriksson L (1995). "Validación estadística de resultados QSAR". En Waterbeemd, Han van de (ed.). Métodos quimiométricos en diseño molecular . Weinheim: VCH. págs. 309–318. ISBN 978-3-527-30044-0.
- ^ Roy K (diciembre de 2007). "Sobre algunos aspectos de la validación de modelos predictivos de relación estructura-actividad cuantitativa". Opinión de expertos sobre el descubrimiento de fármacos . 2 (12): 1567–77. doi : 10.1517 / 17460441.2.12.1567 . PMID 23488901 . S2CID 21305783 .
- ^ Sahigara, Faizan; Mansouri, Kamel; Ballabio, Davide; Mauri, Andrea; Consonni, Viviana; Todeschini, Roberto (2012). "Comparación de diferentes enfoques para definir el dominio de aplicabilidad de los modelos QSAR" . Moléculas . 17 (5): 4791–4810. doi : 10,3390 / moléculas17054791 .
- ^ Leonard JT, Roy K (2006). "Sobre la selección de equipos de entrenamiento y prueba para el desarrollo de modelos predictivos QSAR". QSAR y ciencia combinatoria . 25 (3): 235–251. doi : 10.1002 / qsar.200510161 .
- ^ Roy PP, Leonard JT, Roy K (2008). "Explorando el impacto del tamaño de los conjuntos de entrenamiento para el desarrollo de modelos predictivos QSAR". Quimiometría y sistemas inteligentes de laboratorio . 90 (1): 31–42. doi : 10.1016 / j.chemolab.2007.07.004 .
- ^ Put R, Vander Heyden Y (octubre de 2007). "Revisión sobre aspectos de modelado en relaciones cuantitativas estructura-retención de cromatografía líquida de fase inversa". Analytica Chimica Acta . 602 (2): 164–72. doi : 10.1016 / j.aca.2007.09.014 . PMID 17933600 .
- ^ Pratim Roy P, Paul S, Mitra I, Roy K (2009). "Sobre dos parámetros novedosos para la validación de modelos predictivos QSAR" . Moléculas . 14 (5): 1660–701. doi : 10,3390 / moléculas14051660 . PMC 6254296 . PMID 19471190 .
- ^ Chirico N, Gramatica P (septiembre de 2011). "Predictividad externa real de modelos QSAR: ¿cómo evaluarla? Comparación de diferentes criterios de validación y propuesta de uso del coeficiente de correlación de concordancia". Revista de información química y modelado . 51 (9): 2320–35. doi : 10.1021 / ci200211n . PMID 21800825 .
- ^ Rouvray DH, Bonchev D (1991). Teoría de grafos químicos: introducción y fundamentos . Tunbridge Wells, Kent, Inglaterra: Abacus Press. ISBN 978-0-85626-454-2.
- ^ Fraczkiewicz, R (2013). "In Silico Predicción de ionización". En Reedijk, J (ed.). Módulo de referencia en Química, Ciencias Moleculares e Ingeniería Química . Módulo de referencia en Química, Ciencias Moleculares e Ingeniería Química [Online] . vol. 5. Amsterdam, Países Bajos: Elsevier. doi : 10.1016 / B978-0-12-409547-2.02610-X . ISBN 9780124095472.
|volume=
tiene texto extra ( ayuda ) - ^ Freyhult EK, Andersson K, Gustafsson MG (abril de 2003). "El modelado estructural extiende el análisis QSAR de interacciones anticuerpo-lisozima a 3D-QSAR" . Revista biofísica . 84 (4): 2264–72. Código bibliográfico : 2003BpJ .... 84.2264F . doi : 10.1016 / S0006-3495 (03) 75032-2 . PMC 1302793 . PMID 12668435 .
- ^ Timmerman H, Todeschini R, Consonni V, Mannhold R, Kubinyi H (2002). Manual de descriptores moleculares . Weinheim: Wiley-VCH. ISBN 978-3-527-29913-3.
- ^ Duda RO, Hart PW, Stork DG (2001). Clasificación de patrones . Chichester: John Wiley & Sons. ISBN 978-0-471-05669-0.
- ^ Fioravanzo, E .; Bassan, A .; Pavan, M .; Mostrag-Szlichtyng, A .; Worth, AP (1 de abril de 2012). "Papel de las herramientas de genotoxicidad in silico en la evaluación regulatoria de impurezas farmacéuticas". SAR y QSAR en Investigación Ambiental . 23 (3–4): 257–277. doi : 10.1080 / 1062936X.2012.657236 . ISSN 1062-936X . PMID 22369620 . S2CID 2714861 .
- ^ Lavecchia A (marzo de 2015). "Enfoques de aprendizaje automático en el descubrimiento de fármacos: métodos y aplicaciones". Descubrimiento de drogas hoy . 20 (3): 318–31. doi : 10.1016 / j.drudis.2014.10.012 . PMID 25448759 .
- ^ Stålring JC, Carlsson LA, Almeida P, Boyer S (2011). "AZOrange - Aprendizaje automático de código abierto de alto rendimiento para el modelado QSAR en un entorno de programación gráfica" . Revista de Cheminformatics . 3 : 28. doi : 10.1186 / 1758-2946-3-28 . PMC 3158423 . PMID 21798025 .
Otras lecturas
- Selassie CD (2003). "Historia de las relaciones cuantitativas estructura-actividad" (PDF) . En Abraham DJ (ed.). Química medicinal de Burger y descubrimiento de fármacos . 1 (6ª ed.). Nueva York: Wiley. págs. 1-48. ISBN 978-0-471-27401-8.
- Shityakov S, Puskás I, Roewer N, Förster C, Broscheit J (2014). "Estudios de acoplamiento y relación estructura-actividad cuantitativa tridimensional en una serie de derivados de antocianina como inhibidores del citocromo P450 3A4" . Avances y aplicaciones en bioinformática y química . 7 : 11-21. doi : 10.2147 / AABC.S56478 . PMC 3970920 . PMID 24741320 .
enlaces externos
- "La Cheminformatics and QSAR Society" . Consultado el 11 de mayo de 2009 .
- "El servidor 3D QSAR" . Consultado el 18 de junio de 2011 .
- Verma, Rajeshwar P .; Hansch, Corwin (2007). "Protocolos de la naturaleza: desarrollo de modelos QSAR utilizando el programa C-QSAR" . Intercambio de protocolo . doi : 10.1038 / nprot.2007.125 . Archivado desde el original el 1 de mayo de 2007 . Consultado el 11 de mayo de 2009 .
Un programa de regresión que tiene bases de datos duales de más de 21.000 modelos QSAR
- "QSAR World" . Archivado desde el original el 25 de abril de 2009 . Consultado el 11 de mayo de 2009 .
Un recurso web completo para modeladores QSAR
- Herramientas de Quimioinformática , Laboratorio de Teoría de Fármacos y Quimiotecnia
- Cifras de modelos conceptuales multiescala para QSAR en ciencias biológicas y ambientales