Моделирование свойств химических соединений с использованием искусственных нейронных сетей и фрагментных дескрипторов (1097754), страница 2
Текст из файла (страница 2)
2487.2.3. Построение и анализ нейросетевых зависимостей структура – условияреакции – константы скорости для реакции кислотного гидролиза сложныхэфиров карбоновых кислот .................................................................................... 2567.3. Индуктивный перенос знаний при интеграции моделей «структурасвойство».................................................................................................................. 2627.3.1. Многоуровневый принцип построения моделей «структура-свойство» 2647.3.2. Параллельный принцип построения моделей «структура-свойство».Многозадачное обучение.
...................................................................................... 2707.4. Нейронное устройство для проведения прямых корреляций «структурасвойство».................................................................................................................. 2747.4.1. Введение......................................................................................................... 2747.4.2.
Описание нейронного устройства ............................................................... 27667.4.3. Примеры разных конфигураций нейронного устройства......................... 2837.4.4. Применение нейронного устройства в исследованиях «структурасвойство» для органических соединений ............................................................. 2857.4.5. Выводы ...........................................................................................................
292Глава 8. Разработка программных средств........................................................... 2948.1. История разработки программных средств................................................... 2948.2. Программный комплекс «NASAWIN» ..........................................................
2978.2.1. Представление химической информации................................................... 2988.2.2. Интеграция с программными компонентами, осуществляющими расчетдескрипторов химических структур...................................................................... 2988.2.3. Химически-ориентированная визуализация ..............................................
2998.2.4. Модификация дескрипторов и свойств....................................................... 2998.2.5. Предварительный отбор дескрипторов....................................................... 2998.2.6. Построение классификационных моделей структура-активность .......... 3008.2.7. Нейросетевые парадигмы............................................................................. 3018.2.8. Интерпретация нейросетевых моделей....................................................... 3018.2.9. Отбор дескрипторов в ходе обучения нейросети ......................................
3018.2.10. Определение момента начала «переучивания» нейросети..................... 3028.2.11. Кластеризация баз данных ......................................................................... 3038.2.12. Динамическая визуализация хода обучения нейросети.......................... 3038.2.13. Определение области применимости модели ..........................................
3048.2.14. Химически-ориентированный блок прогноза .......................................... 3048.3. Дескрипторный блок «FRAGMENT» ............................................................ 30478.4. Дескрипторный блок «FRAGPROP».............................................................. 3068.5. Автономные прогнозаторы свойств органических соединений ................. 310Выводы ..................................................................................................................... 312Литература ...............................................................................................................
315Благодарности.......................................................................................................... 364Список обозначений и сокращений ...................................................................... 3658ВВЕДЕНИЕНа современном этапе развития химии, когда накоплен и организован ввиде электронных баз данных огромный объем экспериментальных данных,особое внимание уделяется компьютерным методам обработки характеристикуже исследованных веществ с целью предсказания свойств, которыми обладаютеще не исследованные соединения либо которыми будут обладать новые, ещене синтезированные вещества. Это, в свою очередь, открывает большие перспективы в решении одной из главных задач химической науки - целенаправленной разработке новых веществ и материалов с заранее заданными свойствами.Тем не менее, несмотря на актуальность этой задачи, до последнего времени отсутствовала универсальная, строго обоснованная и, в то же время, легкая для понимания методология, которая позволила бы химику на основе обработки экспериментальных данных осуществлять прогнозирование всевозможных свойств химических соединений.
Главной целью настоящей диссертационной работы была разработка универсальной методологии, позволяющей с единых позиций прогнозировать самые разнообразные свойства органических соединений на основе обработки эмпирических данных. В данной работе сначаламатематически обоснован, а потом и на множестве примеров проиллюстрировали центральный тезис диссертационной работы – такой универсальной методологией является сочетание многослойных искусственных нейронных сетей ифрагментных дескрипторов.Искусственные нейронные сети в настоящее время являются одним изнаиболее широко применяемых методов для восстановления по экспериментальным данным как разнообразных количественных зависимостей, так и дляпроведения качественной классификации.
Благодаря уникальной возможностиосуществлятьпостроение нелинейных моделей любого уровня сложности,особенно в тех случаях, когда неизвестен общий вид аналитической зависимости, нейронные сети нашли широкое применение в рамках поиска зависимостей9между структурами органических соединений и их физико-химическими свойствами (QSPR) и биологической активностью (QSAR).Несмотря на широкое использование искусственных нейросетей для получения зависимостей структура – свойство, до настоящего времени не существовало универсального программного комплекса, реализующего все необходимые этапы построения моделей и позволяющего исследователям-химикам комплексно, с учетом особенностей работы со структурной информацией, применять методологию нейронных сетей.
Именно разработка такого программногокомплекса, реализующего универсальную методологию построения моделей,предназначенных для количественного прогнозирования разнообразных свойства органических соединений на базе сочетания многослойных нейронных сетей и фрагментных дескрипторов, а также его апробация на различных примерах, и составляла важнейшую задачу диссертационной работы.Следует отметить, что на период начала работы отсутствовало пониманиеосновныхпринциповработыснейроннымисетямидляпостроенияQSAR/QSPR-моделей.
В частности, не было ясно, как лучше всего предотвращать «переучивание» нейросетей, как объективно оценивать прогнозирующуюспособность полученных моделей, а также как эффективно отбирать дескрипторы для их построения, как их использовать для определения области применимости моделей. Кроме того, в рамках методологии QSAR/QSPR практическине предпринималось попыток учета влияния внешних условий (таких, например, как температура, давление, концентрация вещества, наличие и свойстватого или иного растворителя и т.п.) на исследуемые свойства, а также прогнозировать свойства многокомпонентных систем. Не было также ясно, как применять аппарат нейронных сетей в сочетании с техникой молекулярного моделирования. Кроме того, ранее не существовало методов, позволяющих даватьпонятную химикам интерпретацию нейросетевым регрессионным моделям.
Наэти и ряд других важных вопросов, связанных с применением нейросетей дляпостроения QSARQSPR-моделей, дан ответ в данной работе.Следующая важная часть работы связана с разработкой универсальногонабора фрагментных дескрипторов, которые могли бы служить для как можно10более точного прогнозирования самых разнообразных свойств органических иметаллоорганических соединений. Кроме специального дизайна самих дескрипторов, основанного на иерархической классификации типов атомов, этацель была достигнута путем введения «выделенных» атомов, благодаря которым фрагментные дескрипторы удалось распространить на прогнозированиелокальных свойств атомов в органических соединениях, кинетических константорганических реакций, физических свойств полимеров, а также на количественное прогнозирование биологической активности внутри рядов соединений.Кроме того, при помощи «выделенных» атомов можно преодолеть один из недостатков большинства фрагментных дескрипторов – игнорирование стереохимической информации.Для преодоления другого недостатка фрагментных дескрипторов – проблемы «редких фрагментов» - нами разработаны «псевдофрагментные» дескрипторы, значения которых формируются путем комбинирования свойстватомов внутри фрагментов.
Совместное использование фрагментных и псевдофрагментных дескрипторов обычно ведет к заметному повышению прогнозирующей способности построенных моделей за счет эффективной аппроксимации вкладов отсутствующих в обучающей выборке фрагментов. Кроме того,идея псевдофрагментных дескрипторов явилась отправной при разработке специальных архитектур нейронных сетей, позволяющих строить прямые корреляции между структурой химического соединения и его свойствами без предварительного вычисления каких-либо дескрипторов – нейронная сеть сама строитвнутри себя наиболее оптимальные псевдофрагментные дескрипторы.Дальнейшему повышению универсальности нейросетевым количественных моделей «структура-свойство» и повышению точности осуществляемогоими прогноза служат предложенные в данной работе «интегрированные» подходы: 1) концепция построения моделей «структура-условия-свойство; 2) концепция построения моделей «структура-свойство» для многокомпонентныхсистем; 3) многоуровневый подход и многозадачное обучение как средстваобъединения различных моделей «структура-свойство» в единую сеть.11Диссертационная работа состоит из семи глав.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
