Modely kvantitativní závislosti aktivity na struktuře

regresní nebo klasifikační modely používané v chemických, biologických vědách a strojírenství
(přesměrováno z QSAR)

Modely kvantitativní závislosti aktivity na struktuře (QSAR) jsou regresní nebo klasifikační modely používané v chemických, biologických vědách a strojírenství. Stejně jako jiné regresní modely, QSAR modely jsou závislé na sadě prediktorových proměnných (X) závislých na odezvě proměnných (Y). Rozdíl oproti jiným metodám je v tom, že QSAR kategorizuje prediktorové proměnné na základě hodnoty odezvy.

Prediktor obsahuje fyzikálně-chemické vlastnosti nebo teoretických deskriptorů chemických látek. QSAR modely jednak shrnují předpokládané vztahy mezi chemickou strukturou a biologickou aktivitou v souboru dat. A také předpovídají aktivity nových chemických látek[1][2]

Souvisejícím termínem je Modely kvantitativní závislosti vlastností na struktuře (QSPR). V tomto případě je místo aktivity výpovědní proměnnou chemická vlastnost.[3][4]. V tomto odvětví jsou studovány různé vlastnosti a chování chemických látek. Například kvantitativní závislost struktury na reaktivitě (QSRRs), kvantitativní závislost struktury na toxicitě (QSTRs), kvantitativní závislost struktury na elektrochemických vlastnostech (QSERs), kvantitativní závislost struktury na odbouratelnosti (QSBRs).[5][6]

Jako příklad, biologická aktivita může být vyjádřena kvantitativně jako koncentrace substance potřebné ke vzniku biologické odezvy. Když jsou fyzikálně-chemické vlastnosti a struktury vyjádřeny číselně je snazší hledat mezi nimi matematické vztahy, nebo kvantitativní závislosti struktury na aktivitě. Pokud je matematické vyjádření kvalitně validováno, dá se poté použit předpovědi chování nových chemických struktur.[7][8][9][10][11]

  • Aktivita = f(fyzikálně-chemické vlastnosti a/nebo strukturní vlastnosti) + chyba

Chyba je variabilní proměnná, která se může vyskytnout také u modelů, které jsou v pořádku.

Nezbytné kroky pro QSAREditovat

  1. Výběr souboru dat a extrakce strukturních/empirických deskriptorů.
  2. Selekce proměnných.
  3. Konstrukce modelu.
  4. Validace a vyhodnocení.

SAR a SAR paradoxEditovat

Základním předpokladem je, že podobné molekuly vykazují podobné vlastnosti. Základním problémem je proto, jak definovat malý rozdíl na molekulární úrovni, když každý druh aktivity, schopnost reakce, schopnost biotransformace, rozpustnost atd. mohou záviset na dalším rozdílu. Dobré příklady lze nalézt v přehledových článcích o bioisosterech publikovaných Petanie a LaVoiem[12], Brownem[13].

Obecně platí, že je spíše třeba nalézt silné trendy. Vytvořené hypotézy obvykle závisí na konečném počtu chemických dat. Tudíž by měl být vzat v potaz princip indukce, aby nedošlo k chybným interpretacím dat.

SAR paradox ve zkratce odkazuje na to, že ne všechny podobné molekuly vykazují podobnou aktivitu.

ReferenceEditovat

  1. ROY, KUNAL, 1971-. A primer on QSAR/QSPR modeling : fundamental concepts. Cham: [s.n.] 1 online resource (x, 121 pages) s. Dostupné online. ISBN 978-3-319-17281-1, ISBN 3-319-17281-6. OCLC 907289300 
  2. GHASEMI, Fahimeh; MEHRIDEHNAVI, Alireza; PÉREZ-GARRIDO, Alfonso. Neural network and deep-learning algorithms used in QSAR studies: merits and drawbacks. Drug Discovery Today. 2018-10, roč. 23, čís. 10, s. 1784–1790. Dostupné online [cit. 2019-12-24]. DOI:10.1016/j.drudis.2018.06.016. (anglicky) 
  3. ISARANKURA-NA-AYUDHYA, Chartchalerm; NAENNA, Thanakorn; NANTASENAMAT, Chanin. A practical overview of quantitative structure-activity relationship. EXCLI Journal ; Vol. 8. 2009-07-08, s. 2009. Dostupné online [cit. 2019-12-24]. DOI:10.17877/DE290R-690. (anglicky) 
  4. NANTASENAMAT, Chanin; ISARANKURA-NA-AYUDHYA, Chartchalerm; PRACHAYASITTIKUL, Virapong. Advances in computational methods to predict the biological activity of compounds. Expert Opinion on Drug Discovery. 2010-07, roč. 5, čís. 7, s. 633–654. PMID: 22823204. Dostupné online [cit. 2019-12-24]. ISSN 1746-0441. DOI:10.1517/17460441.2010.492827. PMID 22823204. 
  5. YOUSEFINEJAD, Saeed; HEMMATEENEJAD, Bahram. Chemometrics tools in QSAR/QSPR studies: A historical perspective. Chemometrics and Intelligent Laboratory Systems. 2015-12, roč. 149, s. 177–204. Dostupné online [cit. 2019-12-24]. DOI:10.1016/j.chemolab.2015.06.016. (anglicky) 
  6. GHASEMI, Fahimeh; FASSIHI, Afshin; PÉREZ-SÁNCHEZ, Horacio. The role of different sampling methods in improving biological activity prediction using deep belief network. Journal of Computational Chemistry. 2017-02-05, roč. 38, čís. 4, s. 195–203. Dostupné online [cit. 2019-12-24]. DOI:10.1002/jcc.24671. (anglicky) 
  7. TROPSHA, Alexander; GRAMATICA, Paola; GOMBAR, Vijay?K. The Importance of Being Earnest: Validation is the Absolute Essential for Successful Application and Interpretation of QSPR Models. QSAR & Combinatorial Science. 2003-04, roč. 22, čís. 1, s. 69–77. Dostupné online [cit. 2019-12-24]. ISSN 1611-020X. DOI:10.1002/qsar.200390007. (anglicky) 
  8. GRAMATICA, Paola. Principles of QSAR models validation: internal and external. QSAR & Combinatorial Science. 2007-05, roč. 26, čís. 5, s. 694–701. Dostupné online [cit. 2019-12-24]. DOI:10.1002/qsar.200610151. (anglicky) 
  9. CHIRICO, Nicola; GRAMATICA, Paola. Real external predictivity of QSAR models. Part 2. New intercomparable thresholds for different validation criteria and the need for scatter plot inspection. Journal of Chemical Information and Modeling. 2012-08-27, roč. 52, čís. 8, s. 2044–2058. PMID: 22721530. Dostupné online [cit. 2019-12-24]. ISSN 1549-960X. DOI:10.1021/ci300084j. PMID 22721530. 
  10. GHASEMI, Fahimeh; MEHRIDEHNAVI, Alireza; FASSIHI, Afshin. Deep neural network in QSAR studies using deep belief network. Applied Soft Computing. 2018-01, roč. 62, s. 251–258. Dostupné online [cit. 2019-12-24]. DOI:10.1016/j.asoc.2017.09.040. (anglicky) 
  11. TROPSHA, Alexander. Best Practices for QSAR Model Development, Validation, and Exploitation. Molecular Informatics. 2010-07-06, roč. 29, čís. 6-7, s. 476–488. Dostupné online [cit. 2019-12-24]. DOI:10.1002/minf.201000061. (anglicky) 
  12. PATANI, George A.; LAVOIE, Edmond J. Bioisosterism: A Rational Approach in Drug Design. Chemical Reviews. 1996-01, roč. 96, čís. 8, s. 3147–3176. Dostupné online [cit. 2019-12-24]. ISSN 0009-2665. DOI:10.1021/cr950066q. (anglicky) 
  13. Bioisosteres in medicinal chemistry. Weinheim, Germany: Wiley-VCH 1 online resource (xviii, 237 pages) s. Dostupné online. ISBN 978-3-527-65430-7, ISBN 3-527-65430-5. OCLC 802050117