Первое исследование моделирования q-RASAR: простая интерпретация и эффективный перенос моделей

Методы количественной зависимости «структура—активность» (QSAR) и переноса по аналогии недавно объединились в новое направление — RASAR, сочетающее оценку химического сходства соединений (этап без обучения с учителем) с последующим построением модели обучения с учителем, как в QSAR. До сих пор метод RASAR применяли только для градуированных прогнозов и классификации. В настоящей работе мы впервые использовали RASAR для количественного прогнозирования (q-RASAR), рассмотрев в качестве примера данные о сродстве связывания с андрогеновым рецептором. Мы рассчитали ряд показателей, основанных на ошибке и сходстве: взвешенное стандартное отклонение прогнозируемых значений, коэффициент вариации прогнозов, средний уровень сходства ближайших соединений обучающей выборки с каждой тестируемой молекулой, стандартное отклонение и коэффициент вариации уровней сходства, максимальные уровни сходства с ближайшими соединениями обучающей выборки, относящимися к положительному и отрицательному классам, а также показатель согласованности, отражающий сходство с соединениями одного или обоих классов, и другие показатели. Эти дополнительные показатели объединили с выбранными химическими дескрипторами из ранее разработанной модели QSAR, после чего заново построили модели методом частичных наименьших квадратов на обучающей выборке и спрогнозировали целевой показатель для тестовой выборки. Новые модели превзошли исходную модель QSAR по качеству внутренней и внешней валидации. Кроме того, мы предложили новый показатель согласованности на основе сходства — коэффициент Банерджи—Роя, который может существенно повысить качество модели. По сравнению с прогнозированием методом переноса по аналогии модель q-RASAR также позволяет проще интерпретировать результаты и количественно оценивать вклад важных химических признаков. Описанный подход может быть применён и к другим данным о биологических и токсикологических свойствах, а также к моделированию свойств веществ, чтобы повысить качество прогнозов, упростить их интерпретацию и обеспечить эффективный перенос моделей.