Прогнозирование констант устойчивости комплексов лантанидов и щелочноземельных металлов с органическими лигандами и температур плавления ионных жидкостей методами химической информатики

• Автор: Киреева, Наталья Вадимовна
• Шифр специальности: 02.00.04
• Научная степень: Кандидатская
• Год защиты: 2010
• Место защиты: Москва
• Количество страниц: 161 с. : ил.

Содержание
Введение

Раздел I. Обзор литературы

1. Разработка моделей и оценка их прогнозирующей способности.

1.1. Молекулярные дескрипторы

1.2. Методы машинного обучения

1.2.1. Множественная линейная регрессия.

1.2.2. Искусственные нейронные сети.

1.2.3. Метод опорных векторов.

1.3. Методы отбора псрсмепных.

1.3.1. Фильтры

1.3.2. Методыоболочки
1.3.3. Вложенные методы.
1.4. Методы определения области применимости моделей
1.4.1. Диапазонные методы.
1.4.2. Методы, оспованные на расчете расстояний.
1.4.3. Методы на основе плотности распределения вероятности.
1.5. Программное обеспечение ВША для моделирования структурасвойство.
1.5.1. Общая информация.
1.5.2. Фрагментные дескрипторы ВГОА.
1.5.3. Процедура отбора переменных
1.5.4. Использование ансамбля моделей, выбор моделей
1.5.5. Проверка прогностической способности моделей.
2. Обзор работ по моделированию комилексообразования металлов в растворах
3. Обзор работ по моделированию структурасвойство температур плавления ионных жидкостей.
Раздел П. Методологические разработки
4. Комбинированный алгоритм отбора переменных.
5. Изучение влияния коллинеарности моделей на их прогнозирующую способность
6. Область применимости моделей структурасвойство одноклассовая классификация для анализа данных и определения области применимости моделей
7. Концепция совместного использования методов определения области применимости моделей.
Раздел Ш. Моделирование структурасвойство
8. Количественные модели структура свойство для прогнозирования комплексообразования металлов в воде.
8.1. Лантаниды
8.2. Щелочноземельные металлы
8.3. Переходные металлы .
9. Программное обеспечение для прогнозирования значений констант устойчивости xi предиктор
9.1. Интеграция моделей
9.2. Информация о программе
9.2.1. Общая информация.
9.2.2. Стандартный и интерактивный интерфейс предиктора.
9.3. Внешний контроль прогнозирующей способности моделей структурасвойство.
. Ионные жидкости моделирование температур плавления
Общие выводы.
Приложение. Прогноз значений констант устойчивости комплексов лантанидов внешнего тестового набора данных
Таблица А1. Экспериментальные и спрогнозированные значения для различных методов машинного обучения.
Таблица А2. Влияние различных подходов по определению области применимости моделей на точность прогноза.
Введение
Актуальность


Молекулярные дескрипторы наиболее полно описаны в монографии , которую можно считать наиболее полным справочником молекулярных дескрипторов. Методы машинного обучения. В химической информатике моделируемое свойство представляется как функция молекулярных дескрипторов, характеризующих структуру соединений. Эта функция находится с помощью методов машинного обучения и представляет собой численную модель, связывающую структуру соединений со свойством. Раздел I. Необходимо также отмстить существование подходов, позволяющих получать модели напрямую из молекулярных графов, без непосредственного использования молекулярных дескрипторов . Ниже приведен краткий обзор методов машинного обучения, использовавшихся в данной работе для разработки моделей. Множественная линейная регрессия. Рассматриваемый метод является одним из наиболее распространенных методов в машинном обучении. Множественная линейная регрессия предполагает наличие зависимости между зависимой переменной У значение свойства и несколькими независимыми переменными X, х2, . X значения дескрипторов. Каждая переменная умножается на собственный коэффициент, полученные произведения суммируются, давая итоговое значение. Алгоритм подбирает коэффициенты при переменных таким образом, чтобы минимизирован квадрат разности между рассчитанными значениями и действительными значениями свойства для обучающего набора данных
У ,, i а2 x2i . Ь у,2
1. Раздел I. Данная система уравнений может быть представлена как ХУ У, где
1
1. В программном пакете I1, использованном для расчетов, для решения этих уравнений используется алгоритм сингулярного разложения i V ii . Искусственные нейронные сети. Искусственные нейронные сети это математические модели, основанные на принципе организации и функционирования биологаческих нейронных сетей. В биологии взаимосвязь между нейронами реализуется посредством сложной системы взаимодействующих элементов. Биологический нейрон имеет сложное строение, содержит ядро, тело клетки и отростки Рис. Выделяют два вида отростков дендриты и аксон. Аксон длинный отросток, приспособленный для передачи возбуждения от тела нейрона. Дендриты короткие и сильно разветвлнные отростки. Рис. Схема биологической нейронной сети основные элементы. Раздел . Сигналы испускаются и распространяются при помощи волн деполяризации мембраны. Последним ключевым элементом структуры является синапс место конткта между двумя нейронами. Главной функцией синапса является передача нервного импульса между двумя клетками, причем амплитуда и частота сигнала могут регулироваться. Искусственная нейронная сеть является упрощенной моделью биологических нейронных сетей. Соответственно, принцип е функционирования схож с биологическим прототипом. Искусственные нейронные сети обладают способностью обучаться на примерах, что является болсс характерным для человеческой мысли, чем для созданных человеком компьютеров. Искусственная нейронная сеть устанавливает взаимосвязь между значениями дескрипторов выходной сигнал нейронов входного слоя и значением моделируемого свойства выходной сигнал нейронов выходного слоя посредством адаптивных взаимодействий между этими элементами. Данная способность основана на оптимизации весов межнейронных связей синаптических весов в процессе обучения нейронной сети на обучающем наборе данных. В модели искусственного нейрона можно выделить три основных компонента. Первым является синапс нейрона. Каждый из синапсов связей нейрона обладает собственным значением веса. Вторым элементом является сумматор, суммирующий входные сигналы, принимая во внимание значения весов соответствующих синапсов. Наконец, функция активации контролирует амплитуду выходного сигнала нейрона, причем диапазон амплитуд выходного сигнала варьируется в интервале 0, 1 или 1, 1. Выходной сигнал нейрона вычисляется с помощью активационной функции, учитывающей в качестве входных значения, полученные после суммирования. Схематически этот процесс представлен на Рисунке 1. В модели нейрона, представленной на Рисунке 1.