Прогностическое моделирование QSAR на основе отбора по разнообразию экспериментальных наборов данных для формирования обучающей и тестовой выборок

Одна из важнейших характеристик моделей количественной зависимости «структура—активность» (QSAR) — их прогностическая способность, то есть способность точно предсказывать целевое свойство соединений, например биологическую активность, для соединений, не использованных при построении модели. Мы полагаем, что этого можно достичь, рационально разделив экспериментальный набор данных «структура—активность» на обучающую и тестовую выборки, используемые соответственно для построения и валидации модели. Поскольку все соединения представлены точками в многомерном пространстве дескрипторов, мы считаем, что выборки должны удовлетворять следующим критериям: (i) характерные точки тестовой выборки должны находиться близко к точкам обучающей выборки; (ii) характерные точки обучающей выборки должны находиться близко к характерным точкам тестовой выборки; (iii) обучающая выборка должна быть разнообразной. Для количественной оценки этих критериев мы используем индексы разнообразия молекулярных наборов данных, предложенные ранее (Golbraikh, A., J. Chem. Inf. Comput. Sci., 40 (2000) 414–425). Для рационального разделения набора данных на обучающую и тестовую выборки мы применяем три близких по принципу действия алгоритма исключения сфер. На нескольких экспериментальных наборах данных мы показываем, что модели QSAR, построенные и валидированные с помощью нашего подхода, обладают статистически более высокой прогностической способностью, чем модели, для которых обучающая и тестовая выборки формировали случайным образом или на основе ранжирования по активности. Мы полагаем, что рациональные методы формирования обучающей и тестовой выборок на основе принципов разнообразия следует регулярно применять во всех исследованиях по моделированию QSAR.