論文の概要: Linear to Neural Networks Regression: QSPR of Drugs via Degree-Distance Indices

• arxiv url: http://arxiv.org/abs/2505.07821v1
• Date: Tue, 18 Mar 2025 20:03:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-22 23:32:14.392539
• Title: Linear to Neural Networks Regression: QSPR of Drugs via Degree-Distance Indices
• Title（参考訳）: リニアからニューラルネットワークへの回帰:Dregree-Distance Indicesによる薬物のQSPR
• Authors: M. J. Nadjafi Arani, S. Sorgun, M. Mirzargar,
• Abstract要約: この研究は、予測精度を高めるために、トポロジカル指標と機械学習を統合するという革新的な視点を提供する。 この予測は、トポロジカルな指標と物理的性質の間の信頼性の高い関係を確立することで、化学者が分子の挙動に関する予備的な洞察を得ることができることを説明できるかもしれない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study conducts a Quantitative Structure Property Relationship (QSPR) analysis to explore the correlation between the physical properties of drug molecules and their topological indices using machine learning techniques. While prior studies in drug design have focused on degree-based topological indices, this work analyzes a dataset of 166 drug molecules by computing degree-distance-based topological indices, incorporating vertex-edge weightings with respect to different six atomic properties (atomic number, atomic radius, atomic mass, density, electronegativity, ionization). Both linear models (Linear Regression, Lasso, and Ridge Regression) and nonlinear approaches (Random Forest, XGBoost, and Neural Networks) were employed to predict molecular properties. The results demonstrate the effectiveness of these indices in predicting specific physicochemical properties and underscore the practical relevance of computational methods in molecular property estimation. The study provides an innovative perspective on integrating topological indices with machine learning to enhance predictive accuracy, highlighting their potential application in drug discovery and development processes. This predictive may also explain that establishing a reliable relationship between topological indices and physical properties enables chemists to gain preliminary insights into molecular behavior before conducting experimental analyses, thereby optimizing resource utilization in cheminformatics research.
• Abstract（参考訳）: 本研究は, 薬物分子の物理特性とそれらのトポロジカル指標との相関関係を機械学習技術を用いて検討するために, 定量的構造特性関係(QSPR)解析を行う。 薬物設計における以前の研究は、次数に基づくトポロジカル指標に焦点が当てられていたが、この研究は、原子番号、原子半径、原子質量、密度、電子陰性度、イオン化)の異なる6つの原子特性(原子番号、原子半径、原子質量、密度、電子陰性度、イオン化)に関して頂点重み付けを組み込んだ、次数に基づくトポロジカル指標の計算によって166個の薬物分子のデータセットを分析した。 線形モデル (Linear Regression, Lasso, Ridge Regression) と非線形アプローチ (Random Forest, XGBoost, Neural Networks) の両方を用いて分子特性の予測を行った。 その結果, 物理化学的特性の予測におけるこれらの指標の有効性が示され, 分子特性推定における計算手法の実際的妥当性が明らかにされた。 この研究は、予測精度を高めるために、トポロジカル指標と機械学習の統合に関する革新的な視点を提供し、薬物発見と開発プロセスにおけるその可能性を強調している。 この予測は、トポロジカル指標と物理特性との信頼性の高い関係を確立することで、化学者が実験的な分析を行う前に分子の挙動に関する予備的な洞察を得ることができ、したがって化学情報学の研究における資源利用の最適化が可能であることも説明できる。

関連論文リスト

• Investigating Graph Neural Networks and Classical Feature-Extraction Techniques in Activity-Cliff and Molecular Property Prediction [0.6906005491572401]
  分子の破滅は、分子データの数値的特徴ベクトルへの変換を指す。 分子グラフから直接識別可能な特徴を学習する新しい手法として、メッセージパッシンググラフニューラルネットワーク(GNN)が登場した。
  論文  参考訳（メタデータ） (2024-11-20T20:07:48Z)
• Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
  SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。 この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-11-03T01:56:15Z)
• Stacked ensemble\-based mutagenicity prediction model using multiple modalities with graph attention network [0.9736758288065405]
  変異原性は、様々なネガティブな結果をもたらす遺伝子変異と関連しているため、懸念される。 本研究では,新しいアンサンブルに基づく変異原性予測モデルを提案する。
  論文  参考訳（メタデータ） (2024-09-03T09:14:21Z)
• Balancing Molecular Information and Empirical Data in the Prediction of Physico-Chemical Properties [8.649679686652648]
  本稿では,分子記述子と表現学習を組み合わせた一般的な手法を提案する。 提案したハイブリッドモデルは,グラフニューラルネットワークを用いた化学構造情報を利用する。 構造に基づく予測が信頼できない場合を自動的に検出し、表現学習に基づく予測によって修正する。
  論文  参考訳（メタデータ） (2024-06-12T10:51:00Z)
• Towards out-of-distribution generalizable predictions of chemical kinetics properties [61.15970601264632]
  Out-Of-Distribution (OOD) の運動特性予測は一般化可能である必要がある。 本稿では,OODの運動特性予測を3つのレベル(構造,条件,機構)に分類する。 我々は、OOD設定における反応予測のための最先端MLアプローチと、速度論的特性予測問題における最先端グラフOOD手法をベンチマークするために、包括的なデータセットを作成する。
  論文  参考訳（メタデータ） (2023-10-04T20:36:41Z)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
  グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。 本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
  論文  参考訳（メタデータ） (2022-07-25T11:30:44Z)
• Low cost prediction of probability distributions of molecular properties for early virtual screening [0.8702432681310399]
  本稿では, 階層的相関再構築手法を適用し, 人口統計, 財務, 天文学的データの解析に応用した。 この手法は、望まれる物理化学的/ADMET特性の可能性が低い化合物の迅速な拒絶を可能にするため、医薬化学者にとって大きな支援となる。
  論文  参考訳（メタデータ） (2022-07-21T13:29:26Z)
• Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
  Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。 それは最先端技術に対する優れた解釈可能性を示している。 接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
  論文  参考訳（メタデータ） (2019-12-29T00:14:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。