6.4.5.3. Прогнозирование активности химических соединении по их струюурным формулам

Целенаправленный синтез органических соединений, обладающих заранее заданными свойствами — например, реакционной способностью, фармакологической активностью, — всегда являлся важнейшей задачей органической химии. Углубление знаний о квантовохимических механизмах, отвечающих за проявление того или иного свойства химического вещества, позволяет химикам более успешно решать эту задачу.

Тем не менее в настоящее время взаимосвязь между структурой и свойствами вещества устанавливается в основном чисто эмпирическим путем. Это приводит к огромным затратам времени на синтез и изучение таких веществ, которые затем отбрасываются как неудачные, пока не будет получено вещество с требуемыми полезными свойствами.

Для уменьшения этих затрат стремятся найти корреляции между факторами, связанными со структурой вещества, и его свойствами [93]. Однако подобные попытки пока не принесли серьезных успехов, что объясняется, по-видимому, чрезвычайно сложным характером зависимости «структура—свойство».

В связи с этим представляет значительный интерес применение для предсказания свойств химических веществ методов распознавания образов — в частности, использование описанных выше перцептронных алгоритмов.

Задача прогнозирования активности химических соединений может быть поставлена как задача их классификации по структуре молекулы. Такая задача классификации химических соединений по их свойствам в пределах одного гомологического ряда [59, 158] исследовалась на примере классификации фармакологической активности по структуре молекулы ряда алкил- и алкоксиалкилзамещенных 1,3-диоксанов [28]. Пусть имеется множество химических соединений, представляемых структурными формулами, показанными на рис. 6.4.8, а. Молекулы этих соединений имеют неизменное ядро и отличаются друг от друга только видом радикалов каждый из которых может быть представлен определенным сочетанием из заранее известных простейших структурных компонентов.

Рис. 6.4.8., Структурная формула химического соединения: а — обобщенная структура, б - структура тризамещенных 1,3-диоксанов.

В этом случае каждому соединению может быть сопоставлен -мерный вектор двоичных признаков X, координаты которого определяют составные структурные компоненты радикала, а сам вектор учитывает их структурные связи. Каждый вектор X может быть отнесен к одному из двух классов в зависимости от физических или химических свойств соединения. Иначе говоря, решается задача дихотомии.

Рассмотрим конкретный класс соединений, структура которого показана на рис. 6.4.8, б. Структурные формулы соединений этого класса отличаются друг от друга только видом радикалов и изомерией. Поэтому задача состояла в отнесении предъявляемого соединения в зависимости от вида радикалов и изомерии диоксанового кольца к одному из двух классов — фармакологически активным или неактивным веществам.

Каждое соединение представлялось -мерным вектором двоичных признаков. Структурная формула каждого радикала может быть представлена сочетаниями из пяти простейших структурных компонентов: Для кодирования каждого из этих компонентов на сетчатке перцептрона отводилось по три рецептора, а для кодирования цис- и транс-изомерии — по два. Связи между компонентами специально не кодировались, так как они однозначно определялись видом соседних компонентов. На рис. 6.4.9 приведены примеры кодирования радикалов на сетчатке. Как видно, для кодирования радикала отведено три строки, а для радикалов — по две строки. Однако в Целях экономии элементов сетчатки строки указанных кодов располагались последовательно.

Для решения этой задачи на ЭВМ моделировался перцептрон с числом ассоциативных элементов, равным 100. Каждый А-элемент имел три входа для возбуждающих связей и два — для тормозящих. Из 46 приведенных в работе [29] соединений выбирались три обучающие последовательности с числом объектов,

Рис. 6.4.9. Примеры кодирования радикалов на сетчатке перцептрона.

равным 22, 24 и 26. Для каждой последовательности проводи лось десять независимых экспериментов — десять раз случайным образом выбиралась исходная структура. Для каждой структуры проводилось обучение по двум алгоритмам: алгоритм стема подкрепления с коррекцией ошибок (6.4.11) и алгоритм II структурной адаптации оставшаяся часть соединений использовалась только для экзамена. Результаты экзаменов, осредненные по десяти экспериментам, с доверитель ными интервалами, соответствующими вероятности 0,95 для чающей последовательности приведены на рис. 6.4.10. Полученные результаты показали, что использование перцеп трона с адаптивной структурой позволяет достичь надежности классификации, равной 75%. При использовании же обычного перцептрона надежность классификации не превышала 58%, т. е. практически задача не решалась.

Рис. 6.4.10. Результаты экспериментов по распознаванию активности химических соединений исходя из структурных формул для алгоритмов I и II.