العلاقة الكمية بين التركيب والنشاط

الموسوعة الحرة

نماذج العلاقة الكمية بين التركيب والنشاط ( QSAR) هي نماذج انحدار أو تصنيف تُستخدم في العلوم الكيميائية والبيولوجية والهندسية [ 1 ] . في نماذج الانحدار QSAR، تُربط مجموعة من المتغيرات "التنبؤية" (X) بفعالية المتغير المستجيب (Y)، بينما تُربط نماذج التصنيف QSAR المتغيرات التنبؤية بقيمة فئوية للمتغير المستجيب [ 1 ] . أما Nano-QSAR فهو تخصص في QSAR على المستوى النانوي [ 2 ] .

في نمذجة علاقة التركيب بالنشاط الكمي (QSAR)، تتكون المتغيرات التنبؤية من الخصائص الفيزيائية والكيميائية أو المؤشرات الجزيئية النظرية [ 3 ] [ 4 ] للمواد الكيميائية؛ وقد يكون المتغير التابع في نمذجة QSAR هو النشاط البيولوجي لهذه المواد. تُلخص نماذج QSAR أولًا العلاقة المفترضة بين التركيبات الكيميائية والنشاط البيولوجي في مجموعة بيانات من المواد الكيميائية. ثانيًا، تتنبأ نماذج QSAR بنشاط المواد الكيميائية الجديدة. [ 5 ] [ 6 ]

تشمل المصطلحات ذات الصلة علاقات البنية-الخاصية الكمية (QSPR) عندما تُنمذج خاصية كيميائية كمتغير استجابة. [ 7 ] [ 8 ] "تم بحث خصائص أو سلوكيات مختلفة للجزيئات الكيميائية في مجال علاقات البنية-الخاصية الكمية. ومن الأمثلة على ذلك علاقات البنية-التفاعلية الكمية (QSRRs)، وعلاقات البنية-الكروماتوغرافيا الكمية (QSCRs)، وعلاقات البنية-السمية الكمية (QSTRs)، وعلاقات البنية-الكيمياء الكهربائية الكمية (QSERs)، وعلاقات البنية -التحلل البيولوجي الكمية (QSBRs)." [ 9 ]

على سبيل المثال، يمكن التعبير عن النشاط البيولوجي كميًا بتركيز المادة اللازمة لإحداث استجابة بيولوجية معينة. بالإضافة إلى ذلك، عند التعبير عن الخصائص الفيزيائية والكيميائية أو البنى بأرقام، يمكن إيجاد علاقة رياضية، أو علاقة كمية بين البنية والنشاط، بينهما. ويمكن استخدام التعبير الرياضي، بعد التحقق من صحته بدقة، [ 10 ] [ 11 ] [ 12 ] [ 13 ] للتنبؤ بالاستجابة المُنمذجة لبنى كيميائية أخرى. [ 14 ]

تتخذ علاقة التركيب بالنشاط الكمي شكل نموذج رياضي :

  • النشاط = دالة (الخصائص الفيزيائية والكيميائية و/أو الخصائص التركيبية) + الخطأ

يشمل الخطأ خطأ النموذج ( التحيز ) والتباين الرصدي، أي التباين في الملاحظات حتى في النموذج الصحيح.

الخطوات الأساسية في دراسات علاقة التركيب بالنشاط الكمي

تتضمن الخطوات الرئيسية لـ QSAR/QSPR ما يلي: [ 9 ]

  1. اختيار مجموعة البيانات واستخراج المؤشرات الهيكلية/التجريبية
  2. اختيار المتغيرات
  3. بناء النموذج
  4. تقييم التحقق

فتحة الرادار ذات الفتحة التركيبية ومفارقة فتحة الرادار ذات الفتحة التركيبية

الافتراض الأساسي لجميع الفرضيات القائمة على الجزيئات هو أن الجزيئات المتشابهة لها أنشطة متشابهة. يُعرف هذا المبدأ أيضًا باسم علاقة التركيب بالنشاط ( SAR ). تكمن المشكلة الأساسية في كيفية تحديد اختلاف طفيف على المستوى الجزيئي، حيث أن كل نوع من أنواع النشاط، مثل القدرة على التفاعل ، والقدرة على التحول الحيوي ، والذوبانية ، والنشاط المستهدف، وما إلى ذلك، قد يعتمد على اختلاف آخر. وقد وردت أمثلة على ذلك في مراجعات التماثل الحيوي التي قدمها باتاني/لافوا [ 15 ] وبراون [ 16 ] .

بشكل عام، يهتم المرء أكثر بإيجاد اتجاهات قوية. تعتمد الفرضيات الموضوعة عادةً على عدد محدود من المواد الكيميائية، لذا يجب توخي الحذر لتجنب التخصيص الزائد : وهو توليد فرضيات تتناسب مع بيانات التدريب بشكل وثيق ولكنها تؤدي أداءً ضعيفًا عند تطبيقها على بيانات جديدة.

تشير مفارقة العلاقة بين التركيب والنشاط إلى حقيقة أنه ليس بالضرورة أن تمتلك جميع الجزيئات المتشابهة أنشطة متشابهة. [ 17 ]

الأنواع

يعتمد على التجزئة (مساهمة المجموعة)

وبالمثل، يمكن التنبؤ بمعامل التوزيع - وهو مقياس للذوبانية التفاضلية وأحد مكونات تنبؤات علاقة التركيب بالنشاط الكمي (QSAR) - إما باستخدام الطرق الذرية (المعروفة باسم XLogP أو ALogP) أو باستخدام طرق التجزئة الكيميائية (المعروفة باسم CLogP وغيرها من المتغيرات). وقد ثبت أنه يمكن تحديد قيمة logP للمركب من خلال مجموع أجزائه؛ وتُعتبر الطرق القائمة على التجزئة عمومًا أفضل من الطرق الذرية في التنبؤ. [ 18 ] وقد تم تحديد قيم التجزئة إحصائيًا، بناءً على بيانات تجريبية لقيم logP المعروفة. تعطي هذه الطريقة نتائج متباينة، ولا يُعتمد عليها عمومًا بدقة تزيد عن ±0.1 وحدة. [ 19 ]

يُعرف نموذج QSAR القائم على المجموعات أو الأجزاء أيضًا باسم GQSAR. [ 20 ] يتيح GQSAR مرونةً في دراسة مختلف الأجزاء الجزيئية ذات الأهمية وعلاقتها بتغير الاستجابة البيولوجية. قد تكون هذه الأجزاء الجزيئية بدائل في مواقع استبدال مختلفة ضمن مجموعة متجانسة من الجزيئات، أو قد تُحدد بناءً على قواعد كيميائية مُسبقة في حالة المجموعات غير المتجانسة. كما يأخذ GQSAR في الاعتبار مُعاملات الأجزاء المُتقاطعة، والتي قد تُساعد في تحديد التفاعلات الرئيسية بين الأجزاء لتحديد تباين النشاط. [ 20 ] يُعد اكتشاف المركبات الرائدة باستخدام علم الأجزاء نموذجًا ناشئًا. في هذا السياق، يُثبت نموذج FB-QSAR أنه استراتيجية واعدة لتصميم مكتبات الأجزاء وفي جهود تحديد المركبات الرائدة من الأجزاء. [ 21 ]

تم تطوير منهج متقدم لتحليل العلاقة الكمية بين التركيب والنشاط (QSAR) القائم على الأجزاء أو المجموعات، والمستند إلى مفهوم تشابه المجموعات الدوائية. [ 22 ] تستخدم هذه الطريقة، المسماة تحليل العلاقة الكمية بين التركيب والنشاط القائم على تشابه المجموعات الدوائية (PS-QSAR)، واصفات دوائية طوبولوجية لتطوير نماذج QSAR. قد يساعد هذا التنبؤ بالنشاط في تحديد مساهمة بعض خصائص المجموعات الدوائية المشفرة بواسطة الأجزاء المعنية في تحسين النشاط و/أو الآثار الضارة. [ 22 ]

نموذج 3D-QSAR

يشير الاختصار 3D-QSAR أو 3-D QSAR إلى تطبيق حسابات مجال القوة التي تتطلب هياكل ثلاثية الأبعاد لمجموعة معينة من الجزيئات الصغيرة ذات الأنشطة المعروفة (مجموعة التدريب). يجب مطابقة (محاذاة) مجموعة التدريب إما مع البيانات التجريبية (على سبيل المثال، استنادًا إلى علم البلورات للرابطة البروتينية) أو باستخدام برامج مطابقة الجزيئات . يستخدم هذا الأسلوب جهودًا محسوبة، مثل جهد لينارد-جونز ، بدلًا من الثوابت التجريبية، ويركز على الجزيء ككل وليس على بديل واحد. سُمّي أول تطبيق لـ 3-D QSAR بتحليل المجال الجزيئي المقارن (CoMFA) من قِبل كريمر وآخرون. وقد فحص هذا التطبيق المجالات الفراغية (شكل الجزيء) والمجالات الكهروستاتيكية [ 23 ] التي تم ربطها باستخدام انحدار المربعات الصغرى الجزئية (PLS).

عادةً ما يتم تقليص مساحة البيانات المُنشأة من خلال استخلاص الميزات (انظر أيضًا تقليل الأبعاد ). يمكن أن تكون طريقة التعلم التالية أيًا من طرق التعلم الآلي المذكورة سابقًا ، مثل آلات المتجهات الداعمة . [ 24 ] يستخدم نهج بديل التعلم متعدد الحالات عن طريق ترميز الجزيئات كمجموعات من حالات البيانات، تمثل كل منها تكوينًا جزيئيًا محتملاً. يتم تعيين تصنيف أو استجابة لكل مجموعة تتوافق مع نشاط الجزيء، والذي يُفترض أنه مُحدد بواسطة حالة واحدة على الأقل في المجموعة (أي تكوين ما للجزيء). [ 25 ]

في 18 يونيو 2011، أسقطت براءة اختراع التحليل الجزيئي المقارن (CoMFA) أي قيود على استخدام تقنيات GRID وتقنيات المربعات الصغرى الجزئية (PLS).

الوصف الكيميائي

في هذا النهج، تُحسب مؤشرات تُحدد كميًا مختلف الخصائص الإلكترونية والهندسية والفراغية للجزيء، وتُستخدم لتطوير علاقة كمية بين البنية والفعالية (QSAR). [ 26 ] يختلف هذا النهج عن نهج مساهمة الأجزاء (أو المجموعات) في أن المؤشرات تُحسب للنظام ككل، وليس من خصائص الأجزاء الفردية. كما يختلف عن نهج QSAR ثلاثي الأبعاد في أن المؤشرات تُحسب من كميات قياسية (مثل الطاقات، والمعلمات الهندسية) بدلاً من الحقول ثلاثية الأبعاد.

ومن الأمثلة على هذا النهج علاقات التركيب والنشاط الكمية التي تم تطويرها لبلمرة الأوليفينات بواسطة مركبات نصف الساندويتش . [ 27 ] [ 28 ]

قائم على السلسلة

لقد ثبت أن التنبؤ بالنشاط ممكن حتى بالاعتماد فقط على سلسلة SMILES . [ 29 ] [ 30 ] [ 31 ]

قائم على الرسم البياني

على غرار الطرق القائمة على السلاسل النصية، يمكن استخدام الرسم البياني الجزيئي مباشرةً كمدخل لنماذج QSAR، [ 32 ] [ 33 ] ولكنه عادةً ما يُظهر أداءً أقل مقارنةً بنماذج QSAR القائمة على الواصفات. [ 34 ] [ 35 ]

q-RASAR

تم دمج منهجية QSAR مع تقنية الاستقراء القائم على التشابه لتطوير مجال جديد يُعرف باسم q-RASAR . وقد طوّر مختبر DTC في جامعة جادافبور هذه الطريقة الهجينة، ويمكن الاطلاع على تفاصيلها في صفحة المختبر . ومؤخرًا، تم تحسين إطار عمل q-RASAR من خلال دمجه مع مُعرّفات ARKA في QSAR .

النمذجة

في الأدبيات ، يمكن العثور في كثير من الأحيان على أن الكيميائيين يفضلون طرق المربعات الصغرى الجزئية (PLS)، لأنها تطبق استخراج الميزات والاستقراء في خطوة واحدة.

نهج استخراج البيانات

تحسب نماذج SAR الحاسوبية عادةً عددًا كبيرًا نسبيًا من الخصائص. ولأنها تفتقر إلى القدرة على تفسير البنية، فإن خطوات المعالجة المسبقة تواجه مشكلة اختيار الخصائص (أي، ما هي الخصائص البنيوية التي يجب تفسيرها لتحديد العلاقة بين البنية والنشاط). ويمكن إنجاز اختيار الخصائص عن طريق الفحص البصري (الاختيار النوعي بواسطة الإنسان)؛ أو عن طريق استخراج البيانات؛ أو عن طريق استخراج الجزيئات.

تستخدم عملية التنبؤ النموذجية القائمة على استخراج البيانات، على سبيل المثال ، آلات المتجهات الداعمة ، وأشجار القرار ، والشبكات العصبية الاصطناعية لاستحداث نموذج تعلم تنبؤي.

تُطبّق أساليب استخراج الجزيئات ، وهي حالة خاصة من أساليب استخراج البيانات المهيكلة ، تنبؤًا قائمًا على مصفوفة التشابه أو مخطط تجزئة تلقائي إلى بنى جزيئية فرعية. علاوة على ذلك، توجد أيضًا أساليب تستخدم عمليات بحث عن الرسوم البيانية الفرعية المشتركة القصوى أو نواة الرسوم البيانية . [ 36 ] [ 37 ]

بروتوكول QSAR

تحليل الأزواج الجزيئية المتطابقة

عادةً ما تُعتبر نماذج QSAR المُستمدة من التعلم الآلي غير الخطي بمثابة "صندوق أسود"، مما يُعيق عمل الكيميائيين الطبيين. وقد ظهر مؤخرًا مفهوم جديد نسبيًا لتحليل الأزواج الجزيئية المتطابقة [ 38 ] أو MMPA المُوجّه بالتنبؤ، والذي يُدمج مع نموذج QSAR لتحديد نقاط الضعف في النشاط [ 39 ] .

تقييم جودة نماذج QSAR

تُنتج نماذج QSAR نماذج تنبؤية مُستمدة من تطبيق أدوات إحصائية تربط النشاط البيولوجي (بما في ذلك التأثير العلاجي المرغوب والآثار الجانبية غير المرغوبة) أو الخصائص الفيزيائية والكيميائية في نماذج QSPR للمواد الكيميائية (الأدوية/المواد السامة/الملوثات البيئية) مع مُعاملات وصفية تُمثل البنية الجزيئية أو الخصائص . تُستخدم نماذج QSAR في العديد من المجالات، على سبيل المثال: تقييم المخاطر ، والتنبؤ بالسمية، والقرارات التنظيمية [ 40 ] بالإضافة إلى اكتشاف الأدوية وتحسين المركبات الرائدة [ 41 ] . يعتمد الحصول على نموذج QSAR عالي الجودة على العديد من العوامل، مثل جودة بيانات الإدخال، واختيار المُعاملات الوصفية، والأساليب الإحصائية المُستخدمة في النمذجة والتحقق. يجب أن تُؤدي أي عملية نمذجة QSAR في النهاية إلى نماذج قوية إحصائيًا وقادرة على التنبؤ، بحيث تُقدم تنبؤات دقيقة وموثوقة للاستجابة المُنمذجة للمركبات الجديدة.

للتحقق من صحة نماذج QSAR، عادة ما يتم اعتماد استراتيجيات مختلفة: [ 42 ]

  1. التحقق الداخلي أو التحقق المتبادل (في الواقع، أثناء استخراج البيانات، يعد التحقق المتبادل مقياسًا لمتانة النموذج، فكلما كان النموذج أكثر متانة (قيمة q2 أعلى) قل تأثير استخراج البيانات على النموذج الأصلي)؛
  2. التحقق الخارجي عن طريق تقسيم مجموعة البيانات المتاحة إلى مجموعة تدريب لتطوير النموذج ومجموعة تنبؤ للتحقق من قدرة النموذج على التنبؤ؛
  3. التحقق الخارجي الأعمى من خلال تطبيق النموذج على بيانات خارجية جديدة و
  4. التوزيع العشوائي للبيانات أو تشويش Y للتحقق من عدم وجود ارتباط عشوائي بين الاستجابة ومحددات النمذجة.

يعتمد نجاح أي نموذج QSAR على دقة بيانات الإدخال، واختيار المؤشرات والأدوات الإحصائية المناسبة، والأهم من ذلك، التحقق من صحة النموذج المُطوَّر. التحقق من الصحة هو العملية التي يتم من خلالها تحديد موثوقية وملاءمة إجراء ما لغرض محدد؛ وبالنسبة لنماذج QSAR، يجب أن يركز التحقق بشكل أساسي على المتانة، وأداء التنبؤ، ونطاق تطبيق النماذج. [ 10 ] [ 11 ] [ 13 ] [ 43 ] [ 44 ]

قد تنطوي بعض منهجيات التحقق على إشكاليات. فعلى سبيل المثال، يؤدي التحقق المتقاطع باستبعاد عنصر واحد عادةً إلى المبالغة في تقدير القدرة التنبؤية. وحتى مع التحقق الخارجي، يصعب تحديد ما إذا كان اختيار مجموعات التدريب والاختبار قد تم التلاعب به لزيادة القدرة التنبؤية للنموذج المنشور إلى أقصى حد.

تشمل الجوانب المختلفة للتحقق من صحة نماذج QSAR التي تستدعي الاهتمام: طرق اختيار مركبات مجموعة التدريب [ 45 ] ، وتحديد حجم مجموعة التدريب [ 46 ] ، وتأثير اختيار المتغيرات [ 47 ] على نماذج مجموعة التدريب لتحديد جودة التنبؤ. كما يُعدّ تطوير معايير تحقق جديدة لتقييم جودة نماذج QSAR أمرًا بالغ الأهمية [ 13 ] [ 48 ] [ 49 ] .

طلب

المواد الكيميائية

كان أحد التطبيقات التاريخية الأولى لـ QSPR (كشرط مسبق لـ QSAR) هو التنبؤ بنقاط الغليان . [ 50 ]

من المعروف، على سبيل المثال، أنه ضمن فئة معينة من المركبات الكيميائية ، وخاصة في الكيمياء العضوية ، توجد علاقات قوية بين البنية والخواص المرصودة. ومن الأمثلة البسيطة على ذلك العلاقة بين عدد ذرات الكربون في الألكانات ودرجات غليانها . إذ يوجد اتجاه واضح في ارتفاع درجة الغليان مع ازدياد عدد ذرات الكربون، وهذا يُعد وسيلة للتنبؤ بدرجات غليان الألكانات الأعلى .

ومن التطبيقات التي لا تزال مثيرة للاهتمام معادلة هاميت ، ومعادلة تافت ، وطرق التنبؤ بقيمة pKa . [ 51 ]

بيولوجي

عادةً ما تُقاس الفعالية البيولوجية للجزيئات في فحوصات لتحديد مستوى تثبيط مسارات نقل الإشارة أو المسارات الأيضية . غالبًا ما يتضمن اكتشاف الأدوية استخدام علاقة التركيب بالفعالية الكمية (QSAR) لتحديد التراكيب الكيميائية التي قد يكون لها تأثيرات تثبيطية جيدة على أهداف محددة وتتميز بانخفاض سميتها (نشاط غير محدد). ومن الأمور ذات الأهمية الخاصة التنبؤ بمعامل التوزيع (log P) ، وهو مقياس مهم يُستخدم في تحديد " مدى ملاءمة الدواء " وفقًا لقاعدة ليبينسكي الخماسية . [ 52 ]

بينما تتضمن العديد من تحليلات العلاقة الكمية بين البنية والنشاط تفاعلات مجموعة من الجزيئات مع موقع ارتباط إنزيم أو مستقبل ، يمكن أيضًا استخدام هذه التحليلات لدراسة التفاعلات بين المجالات البنيوية للبروتينات. ويمكن تحليل تفاعلات البروتين-بروتين كميًا للكشف عن التغيرات البنيوية الناتجة عن الطفرات الموجهة للموقع . [ 53 ]

يُعدّ هذا جزءًا من أسلوب التعلّم الآلي لتقليل مخاطر مفارقة SAR، لا سيما مع الأخذ في الاعتبار محدودية البيانات المتاحة (انظر أيضًا MVUE ). وبشكل عام، يمكن تقسيم جميع مسائل QSAR إلى مرحلتي ترميز [ 54 ] وتعلّم [ 55 ] .

التطبيقات

استُخدمت نماذج (Q)SAR لإدارة المخاطر . وتُقترح هذه النماذج من قِبل الهيئات التنظيمية؛ ففي الاتحاد الأوروبي ، يُقترح استخدامها بموجب لائحة REACH ، حيث يرمز "REACH" إلى "تسجيل وتقييم وترخيص وتقييد المواد الكيميائية". ويشمل التطبيق التنظيمي لأساليب QSAR التقييم السمّي الحاسوبي للشوائب المُسببة للسمية الجينية. [ 56 ] وتُستخدم برامج تقييم QSAR الشائعة، مثل DEREK أو CASE Ultra (MultiCASE)، لتقييم السمية الجينية للشوائب وفقًا لـ ICH M7. [ 57 ]

يُطلق على فضاء الواصفات الكيميائية، الذي يُولّد غلافه المحدب بواسطة مجموعة تدريبية معينة من المواد الكيميائية، اسم نطاق تطبيق مجموعة التدريب . ويعتمد التنبؤ بخصائص المواد الكيميائية الجديدة الواقعة خارج نطاق التطبيق على الاستقراء ، ولذا فهو أقل موثوقية (في المتوسط) من التنبؤ داخل نطاق التطبيق. ولا يزال تقييم موثوقية تنبؤات علاقات التركيب والنشاط الكمية (QSAR) موضوعًا بحثيًا، إذ لم يتبنَّ بعدُ مُصمّمو النماذج والهيئات التنظيمية استراتيجية موحدة. [ 58 ]

يمكن استخدام معادلات QSAR للتنبؤ بالأنشطة البيولوجية للجزيئات الجديدة قبل تصنيعها.

تتضمن أمثلة أدوات التعلم الآلي لنمذجة QSAR ما يلي: [ 59 ]

الرقم التسلسلياسمالخوارزمياترابط خارجي
1.Rالغابات العشوائية، وآلات المتجهات الداعمة، وخوارزمية بايز البسيطة، والشبكات العصبية الاصطناعية"R: مشروع R للحوسبة الإحصائية" .
2.libSVMآلة المتجهات الداعمة"LIBSVM -- مكتبة لآلات المتجهات الداعمة" .
3.البرتقاليRF و SVM و Naïve Bayesian"التنقيب عن البيانات في أورانج" . مؤرشف من الأصل بتاريخ 10 يناير 2011. تم الاطلاع عليه بتاريخ 24 مارس 2016 .
4.رابيدماينرSVM، RF، Naïve Bayes، DT، ANN، و k-NN"RapidMiner | المنصة رقم 1 مفتوحة المصدر لتحليلات التنبؤ" .
5.ويكاRF و SVM و Naïve Bayes"Weka 3 - استخراج البيانات باستخدام برمجيات التعلم الآلي مفتوحة المصدر في جافا" . مؤرشف من الأصل بتاريخ 28-10-2011 . تم الاطلاع عليه بتاريخ 24-03-2016 .
6.كنيميDT، Naïve Bayes، وSVM"KNIME | منفتحة على الابتكار" .
7.AZOrange [ 60 ]RT، SVM، ANN، وRF"AZCompTox/AZOrange: إضافات أسترازينيكا لبرنامج Orange" . GitHub . 2018-09-19.
8.تاناغراSVM، RF، Naïve Bayes، وDT"تاناجرا - برنامج مجاني لاستخراج البيانات لأغراض التدريس والبحث" . مؤرشف من الأصل بتاريخ 19 ديسمبر 2017. تم الاطلاع عليه بتاريخ 24 مارس 2016 .
9.إلكيخوارزمية أقرب جار (k-NN)"إطار عمل ELKI لاستخراج البيانات" . مؤرشف من الأصل بتاريخ 19-11-2016.
10.مطرقة"الصفحة الرئيسية لـ MALLET" .
11.مذكرة التفاهم"تحليل شامل عبر الإنترنت لآلية العمل | تحليلات في الوقت الفعلي لتدفقات البيانات" . مؤرشف من الأصل بتاريخ 19-06-2017.
12.الكيمياء العميقةالانحدار اللوجستي، بايز الساذج، الغابات العشوائية، الشبكات العصبية الاصطناعية، وغيرها"DeepChem" . deepchem.io . تم ​​الاطلاع عليه بتاريخ 20 أكتوبر 2017 .
13.alvaModel [ 61 ]الانحدار ( OLS ، PLS ، k-NN ، SVM ، DT ، RF والتوافق) والتصنيف ( LDA/QDA ، PLS-DA ، k-NN ، SVM ، DT ، RF والتوافق)"alvaModel: أداة برمجية لإنشاء نماذج QSAR/QSPR" . alvascience.com .
14.scikit-learn ( بايثون ) [ 62 ]الانحدار اللوجستي، بايز الساذج، أقرب جار k، الغابات العشوائية، آلة المتجهات الداعمة، العمليات الغاوسية، الشبكات العصبية الاصطناعية، وغيرها"SciKit-Learn" . scikit-learn.org . تم الاطلاع عليه بتاريخ 13 أغسطس 2023 .
15.Scikit-Mol [ 63 ]دمج نماذج Scikit-learn وميزات RDKitمكتبة scikit-mol على موقع pypi.org
16.بصمات scikit [ 64 ]بصمات جزيئية ، واجهة برمجة تطبيقات متوافقة مع نماذج Scikit-learn"scikit-fingerprints" . GitHub . تم الاطلاع عليه بتاريخ 29 ديسمبر 2024 .
17.أدوات مختبر DTCالانحدار الخطي المتعدد، المربعات الصغرى الجزئية، مجال التطبيق، التحقق، وغيرها"أدوات مختبر DTCLab" . تم الاطلاع عليه بتاريخ 12 مايو 2025 .
18.أدوات إضافية لمختبر DTCالاستقراء الكمي، وq-RASAR، وARKA، وأدوات التعلم الآلي القائمة على الانحدار والتصنيف، وغيرها"أدوات DTCLab التكميلية" . تم الاطلاع عليه بتاريخ 12 مايو 2025 .

انظر أيضاً

مراجع

  1. عبد الحمزة، حيدر م؛ فرحان، مثنى س؛ حسن، سارة س؛ عقيل الحسيني، هاني؛ عريابي، أمجد إبراهيم (2024). " التعرف الحاسوبي على المركبات المضادة للفيروسات لعلاج عدوى فيروس شيكونغونيا: نمذجة علاقة التركيب بالنشاط الكمي وتحليل محاكاة الديناميكا الجزيئية" . الطب في التقنيات والأجهزة الحديثة . 22 100304. doi : 10.1016/j.medntd.2024.100304 .
  2. ↑ سينغ، أجاي فيكرام؛ شيلار، أمروتا؛ راي، مانسي؛ لوكس، بيتر؛ ثاكور، مانالي؛ دوسنكي، إيفجين؛ سانتوماورو، جوليا؛ سينغ، ألوك كومار؛ لوتش، أندرياس؛ باتيل، راجندرا؛ بيل، يواكيم (2024). "مخاطر ومكافآت المواءمة: نموذج العلاقة الكمية بين التركيب والنشاط النانوي للمواد النانوية الزراعية". مجلة الكيمياء الزراعية والغذائية . 72 (6): 2835-2852 . doi : 10.1021/acs.jafc.3c06466 . PMID 38315814 . 
  3. ↑ توديسكيني، روبرتو؛ كونسوني، فيفيانا (2009). المؤشرات الجزيئية للمعلوماتية الكيميائية . مناهج ومبادئ في الكيمياء الطبية. المجلد 41. وايلي. doi : 10.1002/9783527628766 . ISBN  978-3-527-31852-0.
  4. ↑ ماوري، أندريا؛ كونسوني، فيفيانا؛ توديسكيني، روبرتو (2017). "المؤشرات الجزيئية" . دليل الكيمياء الحاسوبية . دار نشر سبرينغر الدولية. الصفحات 2065-2093 . doi : 10.1007/978-3-319-27282-5_51 . ISBN  978-3-319-27282-5.
  5. ↑ روي ك، كار س، داس ر.ن (2015). "الفصل 1.2: ما هو QSAR؟ التعريفات والصياغة" . مدخل إلى نمذجة QSAR/QSPR: المفاهيم الأساسية . نيويورك: سبرينغر-فيرلاغ، ص 2-6 . ISBN  978-3-319-17281-1.
  6. ↑ قاسمي، بيريز-سانشيز؛ مهري، بيريز-غاريدو (2018). "الشبكات العصبية وخوارزميات التعلم العميق المستخدمة في دراسات علاقة التركيب بالنشاط الكمي: المزايا والعيوب". اكتشاف الأدوية اليوم . 23 (10): 1784-1790 . doi : 10.1016/j.drudis.2018.06.016 . PMID 29936244. S2CID 49418479 .  
  7. ^ نانتاسينامات سي، إيسارانكورا نا أيودهيا سي، ناينا تي، براشاياسيتيكول V (2009). “نظرة عامة عملية على العلاقة الكمية بين الهيكل والنشاط”. مجلة إكسلي . 8 : 74 – 88. دوى : 10.17877 / DE290R-690 .
  8. ↑ نانتاسينامات سي، إيسارانكورا-نا-أيوديا سي، براشاياسيتيكول في (يوليو 2010). "تطورات في الأساليب الحسابية للتنبؤ بالنشاط البيولوجي للمركبات". رأي الخبراء في اكتشاف الأدوية . 5 (7): 633-54 . doi : 10.1517/17460441.2010.492827 . PMID 22823204. S2CID 17622541 .  
  9. يوسفينجاد ، س.، وهمتينجاد، ب. (2015). "أدوات القياس الكيميائي في دراسات QSAR/QSPR: منظور تاريخي". القياس الكيميائي وأنظمة المختبرات الذكية . 149، الجزء ب: 177-204 . doi : 10.1016/j.chemolab.2015.06.016 .
  10. 1 2 تروبشا أ ، غراماتيكا ب، غومبار ف ج (2003). "أهمية الجدية: التحقق ضروري للغاية للتطبيق الناجح وتفسير نماذج QSPR". QSAR Comb. Sci . 22 : 69-77 . doi : 10.1002/qsar.200390007 .
  11. 1 2 غراماتيكا، ب. (2007). "مبادئ التحقق من صحة نماذج QSAR: الداخلية والخارجية". QSAR Comb. Sci . 26 (5): 694–701 . doi : 10.1002/qsar.200610151 . hdl : 11383/1668881 .
  12. ↑ روسمان، ف.؛ سيلد، س.؛ ماران، يو. (2015). "مستودع بيانات QSAR: نماذج علاقة التركيب بالنشاط النوعية والكمية المفتوحة والمرتبطة" . مجلة المعلوماتية الكيميائية . 7 32. doi : 10.1186/s13321-015-0082-6 . PMC 4479250. PMID 26110025 .  
  13. تشيريكو ن، غراماتيكا ب (أغسطس 2012). "القدرة التنبؤية الخارجية الحقيقية لنماذج QSAR. الجزء 2. عتبات جديدة قابلة للمقارنة لمعايير التحقق المختلفة والحاجة إلى فحص مخطط التشتت". مجلة المعلومات الكيميائية والنمذجة . 52 (8): 2044-2058 . doi : 10.1021/ci300084j . PMID 22721530 . 
  14. ↑ تروبشا، ألكسندر (2010). "أفضل الممارسات لتطوير نماذج QSAR والتحقق من صحتها واستخدامها". المعلوماتية الجزيئية . 29 ( 6-7 ): 476-488 . doi : 10.1002/minf.201000061 . ISSN 1868-1743 . PMID 27463326. S2CID 23564249 .   
  15. ↑ باتاني، جي. أ.، ولافوا، إي. ج. (ديسمبر 1996). "التماثل الحيوي: منهج عقلاني في تصميم الأدوية". مراجعات كيميائية . 96 (8): 3147-3176 . doi : 10.1021/cr950066q . PMID 11848856 . 
  16. ^ براون ن (2012). Bioisosteres في الكيمياء الطبية . فاينهايم: وايلي-VCH. رقم ISBN 978-3-527-33015-7.
  17. ↑ إيبزيم، إي سي؛ دوشوفيتش، بي آر؛ إيبزيم، إن إي؛ مولين، إل إم إيه؛ أونيشي، آي في؛ براون، إس إيه؛ كاسترو، إي إيه (2009). "النمذجة الخطية بمساعدة الحاسوب باستخدام علاقة التركيب بالنشاط الكمي لاكتشاف الأدوية". البحوث والمقالات العلمية . 4 (13): 1559-1564 .
  18. ↑ تومسون إس جيه، هاتوتوواغاما سي كيه، هوليداي جيه دي، فلاور دي آر (2006). "حول كراهية الماء للببتيدات: مقارنة التنبؤات التجريبية لقيم لوغاريتم معامل التوزيع (log P) للببتيدات" . المعلوماتية الحيوية . 1 (7): 237-241 . doi : 10.6026/97320630001237 . PMC 1891704. PMID 17597897 .  
  19. ↑ وايلدمان إس إيه، كريبن جي إم (1999). "التنبؤ بالمعايير الفيزيائية والكيميائية من خلال المساهمات الذرية". مجلة المعلومات الكيميائية وعلوم الحاسوب . 39 (5): 868-873 . doi : 10.1021/ci990307l .
  20. 1 2 عجماني إس، جادهاف كيه، كولكارني إس إيه، QSAR القائم على المجموعة (G-QSAR)
  21. ↑ مانوهاران ب، فيجايان ر.س، غوشال ن (أكتوبر 2010). "ترشيد اكتشاف الأدوية القائم على التجزئة لـ BACE1: رؤى من دراسات FB-QSAR وFB-QSSR والأهداف المتعددة (MO-QSPR) وMIF". مجلة التصميم الجزيئي بمساعدة الحاسوب . 24 (10): 843-864 . Bibcode : 2010JCAMD..24..843M . doi : 10.1007/s10822-010-9378-9 . PMID: 20740315. S2CID : 1171860 .  
  22. 1 2 براسانث كومار إس، جاسراي واي تي، بانديا إتش إيه، راوال آر إم (نوفمبر 2013). "التنبؤ بالنشاط البيولوجي الخاص بالمجموعات باستخدام نموذج العلاقة الكمية بين البنية والفعالية القائم على تشابه الفارماكوفور (PS-QSAR)" . مجلة بنية وديناميكيات الجزيئات الحيوية . 33 (1): 56-69 . doi : 10.1080/07391102.2013.849618 . PMID 24266725. S2CID 45364247 .  
  23. ↑ ليتش، أ. ر. (2001). النمذجة الجزيئية: المبادئ والتطبيقات . إنجلوود كليفس، نيوجيرسي: برنتيس هول. رقم ISBN 978-0-582-38210-7.
  24. ^ فيرت جي بي، شولكوبف ب، تسودا ك (2004). طرق النواة في علم الأحياء الحسابي . كامبريدج، ماساشوستس: مطبعة معهد ماساتشوستس للتكنولوجيا. رقم ISBN 978-0-262-19509-6.
  25. ↑ ديتريش تي جي، لاثروب آر إتش، لوزانو-بيريز تي (1997). "حل مشكلة الحالات المتعددة باستخدام المستطيلات المتوازية المحاور". الذكاء الاصطناعي . 89 ( 1-2 ): 31-71 . doi : 10.1016/S0004-3702(96)00034-3 .
  26. ↑ كاروثرز جيه إم، لاوترباخ جيه إيه، طومسون كيه تي، فينكاتاسوبرامانيان في، سنيفلي سي إم، بهان إيه، كاتاري إس، أوسكارسدوتير جي (2003). "تصميم المحفزات: استخلاص المعرفة من التجارب عالية الإنتاجية". مجلة الحفز 216 ( 1-2 ) : 3776-3777 . doi : 10.1016/S0021-9517(02)00036-2 .
  27. ↑ مانز، ت. أ.، فومفراي، ك.، ميدفيديف، ج.، كريشنامورثي، ب. ب.، شارما، س.، حق، ج.، نوفستروب، ك. أ.، طومسون، ك. ت.، ديلغاس، و. ن.، كاروثرز، ج. م.، أبو عمر، م. م. (أبريل 2007). "العلاقة بين البنية والنشاط في محفزات بلمرة الأوليفينات أحادية الموقع المصنوعة من التيتانيوم والتي تحتوي على ربط مختلط من سيكلوبنتادينيل/أريلوكسيد". مجلة الجمعية الكيميائية الأمريكية . 129 (13): 3776-3777 . doi : 10.1021/ja0640849 . PMID 17348648 . 
  28. ↑ مانز، تي. أ.، كاروثرز، ج. م.، شارما، س.، فومفراي، ك.، طومسون، ك. ت.، ديلغاس، و. ن.، أبو عمر، م. م. (2012). "العلاقة بين البنية والنشاط لمعدلات بدء السلسلة النسبية ومعدلات الانتشار في تحفيز بلمرة الأوليفينات أحادية الموقع". مركبات عضوية فلزية . 31 (2): 602-618 . doi : 10.1021/om200884x .
  29. ^ ياسترزبسكي، ستانيسواف؛ ليسنياك، داميان؛ تشارنيكي ، فويتشخ ماريان (8 مارس 2018). “تعلم الابتسامة (S)”. أرخايف : 1602.06289 [ cs.CL ].
  30. ↑ بييروم، إسبن يانيك (17 مايو 2017). "تعداد SMILES كزيادة للبيانات لنمذجة الجزيئات بواسطة الشبكات العصبية". arXiv : 1703.07076 [ cs.LG ].
  31. ↑ ماير، أندرياس؛ كلامباور، غونتر؛ أونترثينر، توماس؛ ستيجيرت، مارفن؛ فيغنر، يورغ ك.؛ سيولمانز، هوغو؛ كليفرت، ديورك-آرني؛ هوكريتر، سيب (20 يونيو 2018). "مقارنة واسعة النطاق لأساليب التعلم الآلي للتنبؤ بأهداف الأدوية على قاعدة بيانات ChEMBL" . العلوم الكيميائية . 9 (24): 5441-5451 . doi : 10.1039/c8sc00148k . PMC 6011237. PMID 30155234 .  
  32. ↑ ميركويرث، كريستيان؛ لينغاور، توماس (1 سبتمبر 2005). "التوليد التلقائي للواصفات التكميلية باستخدام شبكات الرسم البياني الجزيئي". مجلة المعلومات الكيميائية والنمذجة . 45 (5): 1159-1168 . doi : 10.1021/ci049613b . PMID 16180893 . 
  33. ↑ كيرنز، ستيفن؛ ماكلوسكي، كيفن؛ بيرندل، مارك؛ باندي، فيجاي؛ رايلي، باتريك (1 أغسطس 2016). "التفافات الرسوم البيانية الجزيئية: تجاوز بصمات الأصابع" . مجلة التصميم الجزيئي بمساعدة الحاسوب . 30 (8): 595-608 . arXiv : 1603.00856 . Bibcode : 2016JCAMD..30..595K . doi : 10.1007/ s10822-016-9938-8 . PMC 5028207. PMID 27558503 .  
  34. ↑ جيانغ، ديجون؛ وو، تشنشينغ؛ هسيه، تشانغ يو؛ تشن، غوانغيونغ؛ لياو، بن؛ وانغ، تشي؛ شين، تشاو؛ تساو، دونغشنغ؛ وو، جيان؛ هو، تينغجون (17 فبراير 2021). "هل يمكن للشبكات العصبية البيانية أن تتعلم تمثيلاً جزيئياً أفضل لاكتشاف الأدوية؟ دراسة مقارنة بين النماذج القائمة على الواصفات والنماذج القائمة على الرسوم البيانية" . مجلة المعلوماتية الكيميائية . 13 (1): 12. doi : 10.1186/ s13321-020-00479-8 . PMC 7888189. PMID 33597034 .  
  35. ↑ فان تيلبورغ، ديريك؛ ألينيتشيفا، أليسا؛ غريزوني، فرانشيسكا (12 ديسمبر 2022). "كشف قيود التعلم الآلي الجزيئي باستخدام منحدرات النشاط" . مجلة المعلومات الكيميائية والنمذجة . 62 (23): 5938-5951 . doi : 10.1021/acs.jcim.2c01073 . PMC 9749029. PMID 36456532 .  
  36. ↑ غوسفيلد د (1997). خوارزميات على السلاسل والأشجار والمتتاليات: علوم الحاسوب وعلم الأحياء الحاسوبي . كامبريدج، المملكة المتحدة: مطبعة جامعة كامبريدج. ISBN 978-0-521-58519-4.
  37. ↑ هيلما سي (2005). علم السموم التنبؤي . واشنطن العاصمة: تايلور وفرانسيس. ISBN 978-0-8247-2397-2.
  38. ↑ دوسيتير إيه جي، غريفين إي جيه، ليتش إيه جي (2013). "تحليل الأزواج الجزيئية المتطابقة في اكتشاف الأدوية". اكتشاف الأدوية اليوم . 18 ( 15-16 ): 724-731 . doi : 10.1016/j.drudis.2013.03.003 . PMID 23557664 . 
  39. ↑ سوشكو ي، نوفوتارسكي س، كورنر ر، فوغت ج، عبد العزيز أ، تيتكو الرابع (2014). "أزواج جزيئية متطابقة مدفوعة بالتنبؤ لتفسير علاقات التركيب والنشاط الكمي والمساعدة في عملية التحسين الجزيئي" . مجلة المعلوماتية الكيميائية . 6 (1) 48. doi : 10.1186/s13321-014-0048-0 . PMC 4272757. PMID 25544551 .  
  40. ↑ تونغ و، هونغ هـ، شي كيو، شي إل، فانغ هـ، بيركنز ر (أبريل 2005). "تقييم قيود علاقات التركيب والنشاط الكمية - منظور تنظيمي" . تصميم الأدوية بمساعدة الحاسوب الحالي . 1 (2): 195-205 . doi : 10.2174/1573409053585663 .
  41. ↑ ديردن، ج. س. (2003). " التنبؤ الحاسوبي بسمية الأدوية". مجلة التصميم الجزيئي بمساعدة الحاسوب . 17 ( 2-4 ): 119-127 . Bibcode : 2003JCAMD..17..119D . doi : 10.1023/A:1025361621494 . PMID 13677480. S2CID 21518449 .  
  42. ↑ وولد إس، إريكسون إل (1995). "التحقق الإحصائي من نتائج علاقة التركيب بالنشاط الكمي". في: ووتربيمد، هان فان دي (محرر). الأساليب الكيميائية القياسية في التصميم الجزيئي . فاينهايم: VCH. ص 309-318 . ISBN  978-3-527-30044-0.
  43. ↑ روي ك (ديسمبر 2007). "حول بعض جوانب التحقق من صحة نماذج العلاقة الكمية التنبؤية بين التركيب والنشاط". رأي الخبراء في اكتشاف الأدوية . 2 (12): 1567-1577 . doi : 10.1517/17460441.2.12.1567 . PMID 23488901. S2CID 21305783 .  
  44. ^ ساهيجارا، فايزان؛ المنصوري، كامل؛ بالابيو، دافيد؛ موري، أندريا؛ كونسوني، فيفيانا؛ تودشيني، روبرتو (2012). "مقارنة بين الأساليب المختلفة لتحديد مجال تطبيق نماذج QSAR" . جزيئات . 17 (5): 4791–4810 . دوى : 10.3390 / جزيئات17054791 . بمك 6268288 . بميد 22534664 .  
  45. ↑ ليونارد جيه تي، روي كيه (2006). "حول اختيار مجموعات التدريب والاختبار لتطوير نماذج QSAR التنبؤية". QSAR والعلوم التوافقية . 25 (3): 235-251 . doi : 10.1002/qsar.200510161 .
  46. ↑ روي ب.ب، ليونارد ج.ت، روي ك (2008). "استكشاف تأثير حجم مجموعات التدريب على تطوير نماذج QSAR التنبؤية". علم القياسات الكيميائية وأنظمة المختبرات الذكية . 90 (1): 31-42 . doi : 10.1016/j.chemolab.2007.07.004 .
  47. ↑ بوت ر، فاندر هايدن ي (أكتوبر 2007). "مراجعة حول جوانب النمذجة في علاقات البنية والاحتفاظ الكمية في كروماتوغرافيا السائل ذي الطور المعكوس". مجلة Analytica Chimica Acta . 602 (2): 164-172 . Bibcode : 2007AcAC..602..164P . doi : 10.1016/j.aca.2007.09.014 . PMID 17933600 . 
  48. ↑ براتيم روي ب، بول س، ميترا إ، روي ك (2009). "حول معيارين جديدين للتحقق من صحة نماذج QSAR التنبؤية" . الجزيئات . 14 ( 5): 1660-1701 . doi : 10.3390/molecules14051660 . PMC 6254296. PMID 19471190 .  
  49. ↑ تشيريكو ن، غراماتيكا ب (سبتمبر 2011). "القدرة التنبؤية الخارجية الحقيقية لنماذج QSAR: كيف يتم تقييمها؟ مقارنة بين معايير التحقق المختلفة واقتراح استخدام معامل ارتباط التوافق". مجلة المعلومات الكيميائية والنمذجة . 51 (9): 2320-35 . doi : 10.1021/ci200211n . PMID 21800825 . 
  50. ↑ روفري، د. هـ.، وبونشيف، د. (1991). نظرية الرسم البياني الكيميائي: مقدمة وأساسيات . تونبريدج ويلز، كينت، إنجلترا: دار أباكوس للنشر. ISBN 978-0-85626-454-2.
  51. ↑ فراكزكيويتش، ر. (2013). "التنبؤ الحاسوبي بالتأين". في ريديك، ج. (محرر). وحدة مرجعية في الكيمياء والعلوم الجزيئية والهندسة الكيميائية . وحدة مرجعية في الكيمياء والعلوم الجزيئية والهندسة الكيميائية [عبر الإنترنت] . المجلد 5. أمستردام، هولندا: إلسيفير. doi : 10.1016/B978-0-12-409547-2.02610-X . ISBN  978-0-12-409547-2.
  52. ↑ ليبينسكي، كريستوفر أ.؛ لومباردو، فرانكو؛ دوميني، بيريل و.؛ فيني، بول ج. (15 يناير 1997). "الأساليب التجريبية والحسابية لتقدير الذوبانية والنفاذية في اكتشاف الأدوية وتطويرها". مراجعات متقدمة في توصيل الأدوية . 23 (1): 3-25 . doi : 10.1016/S0169-409X(96)00423-1 .
  53. ↑ فرايهولت إي كيه، أندرسون كيه، غوستافسون إم جي (أبريل 2003). "النمذجة الهيكلية توسع تحليل علاقة التركيب بالنشاط الكمي (QSAR ) لتفاعلات الأجسام المضادة مع الليزوزيم إلى QSAR ثلاثي الأبعاد" . مجلة الفيزياء الحيوية . 84 (4): 2264-2272 . Bibcode : 2003BpJ....84.2264F . doi : 10.1016/S0006-3495(03)75032-2 . PMC 1302793. PMID 12668435 .  
  54. ^ تيمرمان إتش، تودشيني آر، كونسوني في، مانهولد آر، كوبيني إتش (2002). دليل الواصفات الجزيئية . فاينهايم: وايلي-VCH. رقم ISBN 978-3-527-29913-3.
  55. ↑ دودا، ر. أ.، هارت، ب. و.، ستورك، د. ج. (2001). تصنيف الأنماط . تشيتشستر: جون وايلي وأولاده. ISBN 978-0-471-05669-0.
  56. ↑ فيورافانزو، إي.؛ باسان، أ.؛ بافان، م.؛ موستراغ-شليشتينغ، أ.؛ وورث، أ.ب. (2012-04-01). "دور أدوات السمية الجينية الحاسوبية في التقييم التنظيمي للشوائب الصيدلانية". علاقات التركيب والنشاط الكمي في البحوث البيئية . 23 ( 3-4 ): 257-277 . Bibcode : 2012SQER...23..257F . doi : 10.1080/1062936X.2012.657236 . ISSN 1062-936X . PMID 22369620. S2CID 2714861 .   
  57. ↑ ICH M7 تقييم ومراقبة الشوائب المتفاعلة مع الحمض النووي (المسببة للطفرات) في المستحضرات الصيدلانية للحد من المخاطر المحتملة المسببة للسرطان - دليل إرشادي علمي
  58. ↑ تشانغ، تشيتشن؛ سانغيون، أليساندرو؛ وانغ، شينغهونغ؛ غوين، تود؛ براون، تريفور؛ أرنوت، جون أ.؛ لي، لي (23 يناير 2024). "الفضاء الكيميائي الذي تغطيه مجالات تطبيق العلاقات الكمية بين التركيب والخاصية والعلاقات شبه التجريبية في التقييمات الكيميائية" . العلوم والتكنولوجيا البيئية . 58 (7): 3386-3398 . doi : 10.1021/acs.est.3c05643 . PMC 10882972. PMID 38263624 .  
  59. ↑ لافيكيا أ (مارس 2015). "مناهج التعلم الآلي في اكتشاف الأدوية: الأساليب والتطبيقات". اكتشاف الأدوية اليوم . 20 (3): 318-331 . doi : 10.1016/j.drudis.2014.10.012 . PMID 25448759 . 
  60. ↑ ستالرينج، جيه سي، كارلسون، إل إيه، ألميدا، بي، بوير، إس (2011). "AZOrange - برنامج تعلم آلي مفتوح المصدر عالي الأداء لنمذجة QSAR في بيئة برمجة رسومية" . مجلة المعلوماتية الكيميائية . 3 28. doi : 10.1186/1758-2946-3-28 . PMC 3158423. PMID 21798025 .  
  61. ↑ ماوري، أندريا؛ بيرتولا، ماتيو (2022). "ألفاسينس: مجموعة برامج جديدة لسير عمل QSAR المطبق على نفاذية الحاجز الدموي الدماغي" . المجلة الدولية للعلوم الجزيئية . 23 12882. doi : 10.3390/ijms232112882 . PMC 9655980. PMID 36361669 .  
  62. ^ فابيان بيدريجوسا. جايل فاروكووكس؛ ألكسندر جرامفورت؛ فنسنت ميشيل؛ برتراند تيريون؛ أوليفييه جريسيل؛ ماتيو بلونديل؛ بيتر بريتنهوفر؛ رون فايس؛ فنسنت دوبورج؛ جيك فاندربلاس؛ ألكسندر باسوس؛ ديفيد كورنابو؛ ماتيو بيرو؛ إدوارد دوتشيسناي (2011). "scikit-learn: التعلم الآلي في بايثون" . مجلة أبحاث التعلم الآلي . 12 : 2825 – 2830. أرخايف : 1201.0490 . بيب كود : 2011JMLR...12.2825P .
  63. ^ بيروم ، إسبن يانيك. باتشورز، رافائيل آدم؛ بيتون، أدريان. تشونغ، أوه هيون؛ تشن، يا؛ إسبوزيتو، كارمن؛ ها، سون فيت؛ Poehlmann، Andreas (2023/12/06)، Scikit-Mol يجلب المعلوماتية الكيميائية إلى Scikit-Learn ، دوى : 10.26434/chemrxiv-2023-fzqwd ، استرجاعها 2025-01-17
  64. ↑ آدمتشيك، ج.، ولودينيا، ب. (2024). بصمات سايكيت: حساب سهل وفعال للبصمات الجزيئية في بايثون. SoftwareX، 28، 101944. https://doi.org/https://doi.org/10.1016/j.softx.2024.101944

للمزيد من القراءة