- Код статьи
- 10.31857/S0044460X24100058-1
- DOI
- 10.31857/S0044460X24100058
- Тип публикации
- Статья
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том 94 / Номер выпуска 10
- Страницы
- 1058-1068
- Аннотация
- В работе исследованы три схемы межклассового прогноза активности ряда бифармакофорных ингибиторов бутирилхолинэстеразы с использованием QSAR моделирования. С помощью методов машинного обучения (множественная линейная регрессия, случайный лес, машина опорных векторов и гауссовский процесс) сконструированы QSAR модели с удовлетворительными статистическими характеристиками. На их основе изучены схемы рационального и случайного межклассового прогноза активности. Установлено, что эти схемы взаимно дополняют друг друга и оценена их относительная эффективность.
- Ключевые слова
- межклассовый прогноз активности бутирилхолинэстераза QSAR
- Дата публикации
- 16.09.2025
- Год выхода
- 2025
- Всего подписок
- 0
- Всего просмотров
- 17
Библиография
- 1. Schlander M., Hernandez-Villafuerte K., Cheng C.Y., Mestre-Ferrandiz J., Baumann M. // Pharmacoeconomics. 2021. Vol. 39. P. 1243. doi 10.1007/s40273-021-01065-y
- 2. Sadybekov A.V., Katritch V. // Nature. 2023. Vol. 616. P. 673. doi 10.1038/s41586-023-05905-z
- 3. Doytchinova I. // Molecules. 2022. Vol. 27. P. 1496. doi 10.3390/molecules27051496
- 4. Niazi S.K., Mariam Z. // Pharmaceuticals. 2024. Vol. 17. P. 22. doi 10.3390/ph17010022
- 5. Baig M.H., Ahmad K., Roy S., Ashraf J.M., Adil M., Siddiqui M.H., Khan S., Kamal M.A., Provazník I., Choi I. // Curr. Pharm. Des. 2016. Vol. 22. P. 572. doi 10.2174/ 1381612822666151125000550
- 6. Зефирова О.Н., Зефиров Н.С. // Вестн. Московск. унив. Сер. 2. Химия. 2000. Т. 41. С. 103.
- 7. Hu Y., Stumpfe D., Bajorath J. // J. Med. Chem. 2017. Vol. 60. P. 1238. doi 10.1021/acs.jmedchem.6b01437
- 8. Stojanović L., Popović M., Tijanić N., Rakočević G., Kalinić M. // J. Chem. Inf. Model. 2020. Vol. 60. P. 4629. doi 10.1021/acs.jcim.0c00622
- 9. Acharya A., Yadav M., Nagpure M., Kumaresan S., Guchhait S.K. // Drug Discov. Today. 2024. Vol. 29. Article no. 103845. doi 10.1016/j.drudis.2023.103845
- 10. Wang Y., Jia S., Wang F., Jiang R., Yin X., Wang S., Jin R., Guo H., Tang Y., Wang Y. // Int. J. Mol. Sci. 2024. Vol. 25. Article no. 7434. doi 10.3390/ijms25137434
- 11. Floresta G., Rescifina A., Marrazzo A., Dichiara M., Pistarà V., Pittalà V., Prezzavento O., Amata E. // Eur. J. Med. Chem. 2017. Vol. 139. P. 884. doi 10.1016/ j.ejmech.2017.08.053
- 12. Škuta C., Cortés-Ciriano I., Dehaen W., Kříž P., van Westen G.J.P., Tetko I.V., Bender A., Svozil D. // J. Cheminform. 2020. Vol. 12. P. 39. doi 10.1186/s13321-020-00443-6
- 13. Zheng S., Lei Z., Ai H., Chen H., Deng D., Yang Y. // J. Cheminform. 2021. Vol. 13. P. 87. doi 10.1186/s13321-021-00565-5
- 14. Ryszkiewicz P., Malinowska B., Schlicker E. // Pharmacol. Rep. 2023. Vol. 75. P. 755. doi 10.1007/s43440-023-00501-4
- 15. Sánchez-Tejeda J.F., Sánchez-Ruiz J.F., Salazar J.R., Loza-Mejía M.A. // Front. Chem. 2020. Vol. 8. P. 176. doi 10.3389/fchem.2020.00176
- 16. Albertini C., Salerno A., de Sena Murteira Pinheiro P., Bolognesi M.L. // Med. Res. Rev. 2021. Vol. 41. P. 2606. doi 10.1002/med.21699
- 17. Zhou S., Huang G. // Biomed. Pharmacother. 2022. Vol. 146. Article no. 112556. doi 10.1016/j.biopha. 2021.112556
- 18. Greig N.H., Lahiri D.K., Sambamurti K. // Int. Psychogeriatr. 2002. Vol. 14. P. 77. doi 10.1017/s1041610203008676
- 19. Makhaeva G.F., Shevtsova E.F., Boltneva N.P., Lushchekina S.V., Kovaleva N.V., Rudakova E.V., Bachurin S.O., Rudy J. Richardson R.J. // Chem. Biol. Interact. 2019. Vol. 308. P. 224. doi 10.1016/j.cbi.2019.05.020
- 20. Bachurin S.O., Makhaeva G.F., Shevtsova E.F., Aksinenko A.Y., Grigoriev V.V., Shevtsov P.N., Goreva T.V., Epishina T.A., Kovaleva N.V., Pushkareva E.A., Boltneva N.P., Lushchekina S.V., Gabrelyan A.V., Zamoyski V.L., Dubova L.G., Rudakova E.V., Fisenko V.P., Bovina E.V., Richardson R.J. // Molecules. 2021. Vol. 26. P. 5527. doi 10.3390/molecules26185527
- 21. Kiralj R., Ferreira M.M.C. // J. Braz. Chem. Soc. 2009. Vol. 20. P. 770. doi 10.1590/S0103-50532009000400021
- 22. Tropsha A., Gramatica P., Gombar V.K. // QSAR Comb. Sci. 2003. Vol. 22. P. 69. doi 10.1002/qsar.200390007
- 23. Kumar S., Manoharan A., Jayalakshmi J., Abdelgawad M.A., Mahdi W.A., Alshehri S., Ghoneim M.M., Pappachen L.K., Zachariah S.M., Aneesh T.P., Mathew B. // RSC Adv. 2023.Vol. 13. P. 9513. doi 10.1039/d3ra00526g
- 24. Pang X., Fu H., Yang S., Wang L., Liu A.-L., Wu S., Du G.-H. // Molecules. 2017. Vol. 22. P. 1254. doi 10.3390/molecules22081254
- 25. Fortran Numerical Library. https://developer.nvidia.com/imsl-fortran-numerical-library?display=default
- 26. Random Forest. http://www.stat.berkeley.edu/~breiman/RandomForests/cc_examples/prog.f
- 27. Suykens J.A.K., Vandewalle J. // Neural Process. Lett. 1999. Vol. 9. P. 293. doi 10.1023/A:1018628609742
- 28. Gaussian Processes for Machine Learning. http://gaussianprocess.org/gpml/
- 29. Landrum G.A., Riniker S. // J. Chem. Inf. Model. 2024. Vol. 64. P. 1560. doi 10.1021/acs.jcim.4c00049
- 30. Mitra I., Saha A., Roy K. // Mol. Simul. 2010. Vol. 36. P. 1067. doi 10.1080/08927022.2010.503326
- 31. Kubinyi H. // Quant. Struct. Act. Relat. 1994. Vol. 13. P. 285. doi 10.1002/qsar.19940130306
- 32. Willett P., Barnard J.M., Downs G.M. // J. Chem. Inf. Comput. Sci. 1998. Vol. 38. P. 983. doi 10.1021/ci9800211
- 33. Раздольский А.Н., Казаченко В.П., Страхова Н.Н., Григорьев В.Ю. // Современные наукоемкие технологии. 2023. Вып. 10. С. 63. doi 10.17513/snt.39792
- 34. Trepalin S.V., Razdolskii A.N., Raevskii O.A. // Pharm. Chem. J. 2000. Vol. 34. P. 650. doi 10.1023/ A:1010499601434
