166

Как правило, в виртуальном скрининге для построения компьютерных предикторов большинство
пользователей используют QSAR-моделирование или подход на основе химического сходства в зависимости от
их опыта и/или доступности инструмента. Целью работы является сравнение этих двух основных подходов на
одном эталонном наборе данных, где прогностическая эффективность сопоставлялась бы с учетом точности
прогнозирования как на обучающих, так и на внешних наборах данных. В обзоре представлены два метода
прогноза биологической активности, реализованные в виде онлайн-пакетов, - SEA, PASS и схема KNN QSAR.
Результаты вычислительных экспериментов по этим трем подходам показали преимущество схемы KNN
QSAR. Методы, рассмотренные в работе, представляют интерес для химиков и экспериментальных биологов,
работающих в области биологического скрининга химических библиотек.
 

  • Web Address
  • DOI
  • Date of creation in the UzSCI system 16-12-2019
  • Read count 153
  • Date of publication 18-04-2017
  • Main LanguageRus
  • Pages76 - 80
Русский

Как правило, в виртуальном скрининге для построения компьютерных предикторов большинство
пользователей используют QSAR-моделирование или подход на основе химического сходства в зависимости от
их опыта и/или доступности инструмента. Целью работы является сравнение этих двух основных подходов на
одном эталонном наборе данных, где прогностическая эффективность сопоставлялась бы с учетом точности
прогнозирования как на обучающих, так и на внешних наборах данных. В обзоре представлены два метода
прогноза биологической активности, реализованные в виде онлайн-пакетов, - SEA, PASS и схема KNN QSAR.
Результаты вычислительных экспериментов по этим трем подходам показали преимущество схемы KNN
QSAR. Методы, рассмотренные в работе, представляют интерес для химиков и экспериментальных биологов,
работающих в области биологического скрининга химических библиотек.
 

English

As a rule, in the virtual screening to build predictors most users use QSAR-modeling approach or approach based on
chemical similarity; it’s depend on their experience and / or tools available. The purpose was to review the
investigations where compared to a reference dataset of these two basic approaches, predictive effectiveness of which
was compared to that based on the prediction of both the training, and external data sets. We present two methods of
biological activity prediction realized in the form of on-line packages, - SEA, PASS and KNN QSAR scheme. The
results of computational experiments have shown the advantage of the latter scheme. The methods discussed in the
work should be useful for chemists and experimental biologists working in the field of biological screening of chemical
libraries.
 

Ўзбек

Odatda, Virtual skriningda ko‘pchilik foydalanuvchilar kompyuterli prediktor qurish uchun QSAR modellashtirishdan
foydaniladi yoki ularning tajriba va/yoki vositalari mavjudligiga qarab kimyoviy o‘xshashlik asosida yondashiladi.
Ishning maqsadi bu ikkita asosiy yondashuv bilan bitta etalondagi ma’lumotlarni solishtirish bo‘yicha ishlarning
tavsiflanishi, bunda o‘rganilayotgan va tashqi ma’lumotlar to‘plamlaridagi bashoratlash aniqligini hisobga olish bilan
bashoratlash samaradorligi taqqoslandi. SEA, PASS va KNN QSAR- on-layn paketlar ko‘rinishida amalga oshirilib,
biologik aktivlikni prognoz qiladigan ikkita metod taqdim etilgan. Hisoblash natijalari ikkinchi sxema afzalligini
ko‘rsatdi. Mazkur ishda qaralgan metodlar kimyoviy biblotekalarni biologik skriningi sohasida ishlaydigan kimyogarlar
va eksprimental biologlarga foydali bo‘lishi kerak.
 

№ Author name position Name of organisation
1 Adilova F.T. заведующий лабораторией Института математики при Национальном Университете Узбекистана
№ Name of reference
1 Адылова Ф.Т., Давронов Р.Р. Компьютерные технологии в создании новых лекарств: виртуальный скрининг // Журнал теоретической и клинической медицины. – 2013. – № 5. – С. 51-55.
2 Адылова Ф.Т., Давронов Р.Р. Полифармакология: новые стратегии виртуального скрининга // Журнал теоретической и клинической медицины. – 2015. – № 1. – С. 53-57.
3 Адылова Ф.Т., Икрамов А.А. Новая парадигма описания химического пространства в компьютерных приложениях: миф или реальность? // Узбекский химический журнал. – 2016. – № 4. – С. 95-100.
4 Филимонов Д.А., Поройков В.В. Прогноз спектра биологической активности органических соединений // Российский химический журнал. – 2006. – Т. 50, № 2. – С. 66-75.
5 Yildirim M.A. et. al. Drug-target network // Nature Biotechnology. – 2007. – Vol. 25. – Pp. 1119-1126. – URL: https://goo.gl/4iP03k.
6 Maggiora G., Bajorath J. Chemical space networks: a powerful new paradigm for the description of chemical space // Journal of Computer-Aided Molecular Design. – 2014. – Vol. 28. – Issue 8. – Pp. 795-802. – DOI: 10.1007/s10822-014-9760-0.
7 Tanaka N. et. al. Small-world phenomena in chemical library networks: application to fragment-based drug discovery // Journal of Chemical Information and Modeling. – 2009. – Vol. 49. – Issue 8. – Pp. 2677-2686. – DOI: 10.1021/ci900123v.
8 Krein M.P., Sukumar N. Exploration of the topology of chemical spaces with network measures // The Journal of Physical Chemistry A. – 2011. – Vol. 115. – Issue 45. – Pp. 12905-12918. – DOI: 10.1021/jp204022u.
9 Wawer M. et. al. Structure-activity relationship anatomy by network-like similarity graphs and local structureactivity relationship indices // Journal of Medicinal Chemistry. – 2008. – Vol. 51. – Issue 19. – Pp. 6075-6084. – DOI: 10.1021/jm800867g.
10 Ripphausen P. et. al. Rationalizing the role of SAR tolerance for ligand-based virtual screening // Journal of Chemical Information and Modeling. – 2011. – Vol. 51. – Issue 4. – Pp. 837-842. – DOI: 10.1021/ci200064c.
11 Stumpfe D., Dimova D., Bajorath J. Composition and topology of activity cliff clusters formed by bioactive compounds // Journal of Chemical Information and Modeling. – 2014. – Vol. 54. – Issue 2. – Pp. 451-461. – DOI: 10.1021/ci400728r.
12 Cohen R., Havlin S. Scaling properties of complex networks and spanning trees // Handbook of large-scale random networks. – New York: Springer, 2009. – Pp. 143-169.
13 Man L. et. al. Comparative Analysis of QSAR-based vs. Chemical Similarity Based Predictors of GPCRs Binding Affinity // Molecular Informatics. – 2016. – Vol. 35. – Issue 1. – Pp. 36-41. – DOI: 10.1002/minf.201500038.
14 Golbraikh A., Tropsha A. Predictive QSAR modeling based on diversity sampling of experimental datasets for the training and test set selection // Journal of Computer-Aided Molecular Design. – 2002. – Vol. 16. – Issue 5-6. – Pp. 357369.
15 Todd M. et. al. Does Rational Selection of Training and Test Sets Improve the Outcome of QSAR Modeling? // Journal of Chemical Information and Modeling. – 2012. – Vol. 52. – Issue 10. – Pp. 2570-2578.
16 Keiser M.J. Predicting new molecular targets for known drugs // Nature. – 2009. – No. 462(7270). – Pp. 175-181. – DOI: 10.1038/nature08506.
Waiting