QSAR – Modelování kvantitativních vztahů mezi strukturou a aktivitou chemických látek

0502626 - ÚMG 2019 RIV CZ cze J - Journal Article
Škuta, Ctibor - Svozil, Daniel
QSAR – Modelování kvantitativních vztahů mezi strukturou a aktivitou chemických látek.
[QSAR – Modelling of Quantitative Relations between Structure and Activity of Chemical Compounds.]
Chemické listy. Roč. 111, č. 11 (2017), s. 747-753. ISSN 0009-2770. E-ISSN 1213-7103
R&D Projects: GA MŠMT LO1220
Institutional support: RVO:68378050
Keywords : QSAR * biological activity modelling * data mining * virtual screening * applicability domain * conformal prediction
OECD category: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Impact factor: 0.260, year: 2017

Kvantitativní modelování vztahů mezi strukturou a aktivitou (QSAR) je jednou z nejpopulárnějších technik virtuálního screeningu, která se používá k predikci aktivity sloučeniny směrem k biologickému cíli. Zatímco modely klasifikace QSAR jsou schopny předvídat, zda je sloučenina aktivní nebo neaktivní (třída) směrem k cíli, regresní modely se snaží předpovědět přesnou hodnotu aktivity. Pro zjištění vztahu mezi strukturou a aktivitou sloučeniny se používají běžné metody strojového učení (např. Podpůrné vektorové stroje, náhodný les, neuronové sítě atd.) Spolu s různými typy deskriptorů sloučenin (např. Fyzikálně-chemické vlastnosti, strukturální klíče, binární otisky prstů atd.). Modely QSAR jsou obecně velmi rychlé a pokud je použit správný přístup k jejich validaci a použitelnosti domény nastavení, také spolehlivé. Staly se běžnou součástí pracovních postupů pro výpočet léků používaných k detekci nových kandidátů na léky, objasnění jejich vedlejších / nepříznivých účinků nebo posouzení jejich potenciálních rizik toxicity.

Quantitative structure–activity relationship (QSAR) modelling is one of the most popular techniques of virtual screening used to predict the activity of a compound toward a biological target. While QSAR classification models are able to predict whether a compound is active or inactive (class) toward a target, regression models try to predict its exact activity value. To find the relationship between the structure and activity of a compound, common machine learning methods are employed (e.g., Support Vector Machines, Random Forest, Neural Networks etc.) together with diverse types of compound descriptors (e.g., physico-chemical properties, structural keys, binary fingerprints etc.). QSAR models are generally very fast and, when a correct approach to their validation and applicability domain setting is used, also reliable. They became a common part of computational drug design workflows employed to detect new drug candidates, elucidate their side/adverse effects or assess their potential toxicity risks.
Permanent Link: http://hdl.handle.net/11104/0294522