350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №10 за 2012 г.
Статья в номере:
Нейронные сети для построения ограничений допустимости в задаче «структура-свойство»
Ключевые слова: искусственные нейронные сети распознавание образов классификация задача «структура - свойство» QSAR (Quantitative Structure-Activity Relationship)
Авторы:
Е.И. Прохоров - аспирант, кафедра вычислительной математики, механико-математический факультет, Московский государственный университет им. М.В. Ломоносова. E-mail: eugeny.prokhorov@gmail.com
Аннотация:
Рассмотрено использование нейронных сетей для построения ограничений допустимости для распознающих моделей, осуществляющих прогнозирование свойств химических соединений. Определены понятия распознающей модели, ограничений допустимости для распознающих моделей и адаптивных дескрипторных описаний. Отмечены преимущества использования искусственных нейронных сетей для построения ограничений допустимости. Дано описание методов согласованного прогнозирования свойств новых соединений по множествам распознающих моделей. Рассмотрены особенности архитектуры нейронных сетей для решения задачи «структура - свойство». Приводятся необходимые теоретические обоснования, а также практические результаты использования разработанного подхода.
Страницы: 46-56
Список источников
  1. Джурс О. П., Айзенауэр Т. Распознавание образов в химии: Пер.с англ. М.: Мир. 1977.
  2. Стьюпер Э., Брюггер У., Джурс П. Машинный анализ связи химической структуры и биологической активности: Пер.с англ. М.: Мир. 1982.
  3. Baskin, I. I., Palyulin, V. A., Zefirov, N. S., NASA. A computer program for performing QSAR/QSPR studies using artificial neural networks // QSAR and Molecular Modeling: Concepts, Computational Tools and Biological Applications. Barcelona: Prous Science Publ. 1995. P. 30-31.
  4. Baskin I. I., Keshtova S. V., Palyulin V. A., Zefirov N. S.Combining Molecular Modeling with the Use of Artificial Neural Networks as an Approach to Predict Substituent Constants and Bioactivity // Molecular Modeling and Prediction of Bioactivity; K. Gundertofte; F.S. Jorgensen, Eds. Klumer Academic / Plenum Publishers: NY. 2000. Р. 468-469.
  5. Prokhorov E. I., Ponomareva L. A., Permyakov E. A. and Kumskov, M. I., Fuzzy classification and fast rules for refusal in the QSAR problem // Pattern Recognition and Image Analysis, 2011. Vol. 21. Number 3. P. 542-544.
  6. Прохоров Е. И. «Нечеткое» прогнозирование свойств химических соединений: Использование нечеткой функции классификации на кластерах обучающего множества в задаче «структура - свойство», Saarbrucken, Germany: LAPLambertAcademicPublishing. 2012.
  7. Прохоров Е. И., Перевозников А. В., Пономарева Л. А. Кумсков М. И.Нейронная сеть как инструмент реализации кусочно-линейного классификатора при массовом скрининге молекул в задаче «структура - свойство» // Нейрокомпьютеры: разработка, применение. № 3. С. 39-45.
  8. Гиллер С. А., Глаз А. Б., Растригин Л. А., Розенблит А. Б.Распознавание физиологической активности химических соединений на перцептроне со случайной адаптацией структуры // ДАН СССР. 1971. Т. 199. № 4. С. 851-853.
  9. Hiller, S. A., Golender, V. E., Rosenblit, A. B., Rastrigin, L. A., Glaz, A. B.,Cybernetic methods of drug design. I. Statement of the problem - the perceptron approach // Comput. Biomed. Res. 1973. V. 6. № 5. P. 411-421.
  10. Zupan, J., Gasteiger, J.,Neural networks: a new method for solving chemical problems or just a passing phase - // Anal. Chim. Acta. 1991. V. 248. № 1. С. 1-30.
  11. Минский М., Пейперт С.Персептроны. М.: Мир. 1971.
  12. Стариков А. Применение нейронных сетей для задач классификации [Электронный ресурс] (URL: http://www.basegroup.ru/library/analysis/neural/classification/дата обращения 14.06.2012).
  13. Кумсков М. И., Митюшев Д. Ф. Применение метода группового учета аргументов для построения коллективных оценок свойств органических соединений на основе индуктивного перебора их «структурных спектров» // Проблемы управления и информатики. 1996. № 4. С.127-149.
  14. Kumskov, M.I., Zyryanov, I.L., Svitan?ko,I. V.,ANewMethodforRepresentingSpatialElectronicStructuresofMoleculesinthe Problem of Structure-Biological Activity Relationship. Pattern Recognition and Image Analysis. 1995. № 3. P. 477-484.
  15. Stone,M.,Cross-Validatory Choice and Assessment of Statistical Predictions. Journal of the Royal Statistical Society, B. 36.1974. P. 111-147.
  16. Вапник В.Н., Червоненкис А. Я. Теория распознавания образов (статистические проблемы обучения) М.: Наука. 1974.
  17. Кумсков М. И., Смоленский Е. А., Пономарева Л. А., Митюшев Д. Ф., Зефиров Н. С. Системы структурных дескрипторов для решения задач «структура - активность». ДокладыАкадемииНаук. 1994. 336. п. 1. С.64-66.
  18. Perevoznikov, A. V., Shestov A. M., Permyakov E. A., Kumskov M. I., A Way to Increase the Prediction Quality for the Large Set of Molecular Graphsby Using the k_NN Classifier // Pattern Recognition and Image Analysis. 2011. V. 21. № 3.P. 545-548.