有償なので本文未読
Abstract
複雑な立体化学を持つ98個のアンバーグリス中に含まれる匂い化合物のデータセットに、定量的構造活性相関'Combi-QSAR'アプローチを適用しました。Combi-QSARアプローチは、さまざまな独立した記述子のコレクションとさまざまな個別の相関手法のすべての可能な組み合わせを探索し、内部(トレーニングセット)と外部(テストセット)の精度が高い統計的に有意なモデルを取得します。 市販のMOE、CoMFA、CoMMA、Dragon、VolSurf、MolconnZで7グループの異なる記述子セットに加えて、私たちの研究室で最近開発されたキラリティートポロジー記述子も含めました(Golbraikh,A.; Bonchev,D.; Tropsha,A.J. Chem.Inf.Comput.Sci.2001,41,147-158)。CoMMA記述子は、MOE記述子と組み合わせて、MolconnZ記述子は、キラリティー記述子と組み合わせて各記述子コレクションは使用され、k最近傍(kNN)分類、サポートベクターマシン(SVM)、決定木、バイナリQSARなどの4つの相関解析法と個別に組み合わされ、28の異なるタイプのQSARモデルを検討しました。データセットはトレーニングセットとテストセットに分割されました。オーバーフィッティングを回避し、信頼性の高い予測能力を実現するために、各予測モデルはトレーニングセットのLEAVE 1 OUT 交差検定で検討されました。 Yランダム化テストによるターゲットプロパティ(においの強さなど)のランダム化と、テストセットを使用した外部予測精度の評価という、2つの検証手法が採用されました。データモデリング手法と記述子コレクションの組み合わせが、すべて良好なQSAR予測モデルを生成するわけではないことが分かりました。アンバーグリスデータセットのトレーニングとテストセットすべてで、トレーニングセットとテストセットの両方で0.7以上の正しい分類率の予測モデルが取得されたため、CoMFA記述子と組み合わせたkNN分類は、最良のQSARアプローチであることが判明しました。多くの予測QSARモデルは、kNN分類法と他の記述子セットの組み合わせを使用すると、良好なモデルを生成することが分かりました。組み合わせQSARにより、自動化、計算効率が達成され、単一のQSARメソッドに依存した従来のアプローチよりも実験データセットの重要なQSARモデルを特定する確率が高いことが分かりました。
Memo
Characterizing human odorant signals: insights from insect semiochemistry and in silico modellingPhil., Ashish Radadiya, John A. Pickett, 2020, Trans. R. Soc. B37520190263http://doi.org/10.1098/rstb.2019.0263 での「初期のヒトの嗅覚・セミオケミストリーのQSARによる研究の試みは、アンバーグリスの嗅覚的に活性な成分を標的にしたものです。アンバーグリスは、香料における固定特性で知られている天然に生成された脂質様分泌物ですが[44]、主成分であるトリテルペンアルコールであるアンブレインは、さまざまなヒトの匂い知覚につながる化合物に酸化・誘導されます。これらの化合物98について訓練されたヒトのボランティアのパネルを使用し、アルゴリズムはSVMなどが使用され、10の一連の意味的匂い記述子(アーシー、ウッディ、ショウノウ様、フルーティー、バラ色、マリン、白檀、ムスキー、シダーウッドなどの匂い記述子)とキラリティーやその他のトポロジカル要素、原子の接続性などの分子記述子、物理化学的特性との活性相関(QSAR)研究が検討されました[45]。」における[45]