QSARにおけるARKA記述子

計算化学およびケミインフォマティクスにおいて、QSAR の ARKA 記述子は、定量的構造活性相関(QSAR) モデリング (または QSPR や QSTR などの関連アプローチ)で使用される分子記述子のクラスであり、化合物の分子構造に基づいてその生物学的活性または毒性を予測する計算方法です。

分子記述子は、分子の構造、トポロジー、形状、または物理化学的特性に関する情報を、機械学習や統計モデリングに適した形式で要約した数値です。ARKA （K群分析における算術残差）記述子は、再帰自己回帰法を用いて原子レベルの情報をエンコードする点で従来の記述子とは異なり、微細な構造パターンを捉え、予測精度を向上させることを目的としています。ARKAは、QSAR研究における非線形関係のモデリングに適した解釈しやすい設計となっています。

比較

QSARは本質的に類似性に基づくアプローチですが、活性／特性クリフの発生は、開発されたモデルの予測精度を大幅に低下させる可能性があります。[ 1 ] Kグループ分析における算術残差（ARKA）アプローチは、ジャダブプール大学のDTC研究所によって開発された、データセット内の活性クリフを容易に識別できる教師あり次元削減手法です。[ 2 ]活性クリフは構造は類似していますが、活性は大きく異なります。ARKA記述子の基本的な考え方は、従来のQSAR記述子を事前に定義された基準に基づいてグループ化し、各グループ内の各記述子に重み付けを割り当てることです。ARKA記述子は、許容できる品質の統計を持つ 分類ベース[ 3 ]および回帰ベース[ 4 ]のQSARモデルの開発にも使用されています

ARKA記述子は、 QSAR研究やモデル開発におけるアクティビティクリフの特定に多くの研究者によって使用されてきた。[ 5 ] [ 6 ] [ 7 ] [ 8 ] [ 9 ] [ 10 ] [ 11 ] [ 12 ] [ 13 ] [ 14 ] [ 15 ] [ 16 ] [ 17 ] [ 18 ] [ 19 ] [ 20 ]

ARKA記述子に関するチュートリアルプレゼンテーションが公開されています。最近、改良されたq-RASARモデル生成のための多クラスARKAフレームワークが提案されました。[ 21 ]

参考文献

  1. ^ Dablander, Markus; Hanser, Thierry; Lambiotte, Renaud; et al. (2023年4月17日). 「活性崖予測のためのQSARモデルの探究」. Journal of Cheminformatics . 15 (1): 47. doi : 10.1186/s13321-023-00708-w . PMC  10107580. PMID 37069675 
  2. ^ Qin, Li-Tang; Zhang, Jun-Yao; Nong, Qiong-Yuan; Xu, Xia-Chang-Li; Zeng, Hong-Hu; Liang, Yan-Peng; Mo, Ling-Yun (2024年11月). 「抗生物質と殺菌剤の混合物の複合毒性と相互作用を予測するための分類および回帰機械学習モデル」. Environmental Pollution . 360 124565. doi : 10.1016/j.envpol.2024.124565 . PMID 39033842 . 
  3. ^ Banerjee, Arkaprava; Roy, ​​Kunal (2024). 「ARKA：機械学習による分類モデリング、リスク評価、およびスパースな環境毒性データのデータギャップフィリングのための次元削減フレームワーク」. Environmental Science: Processes & Impacts . 26 (6): 991– 1007. doi : 10.1039/D4EM00173G . PMID 38743054 . 
  4. ^ Sobańska, Anna W.; Banerjee, Arkaprava; Roy, ​​Kunal (2024年11月18日). 「有機日焼け止めと生物的および非生物的条件下での分解生成物 ― 薬物類似性とヒト胎盤輸送に関するin silico研究」 . International Journal of Molecular Sciences . 25 (22) 12373. doi : 10.3390/ijms252212373 . PMC 11595199. PMID 39596438 .  
  5. ^ Qin, LT; Zhang, ZY; Nang, QY; Xu, XC; Zeng, HH; Liang, YP; Mo, LY (2024年11月1日). 「抗生物質と殺菌剤の混合物の複合毒性と相互作用を予測するための分類・回帰機械学習モデル」. Environmental Pollution . 360 124565. doi : 10.1016/j.envpol.2024.124565 . PMID 39033842 . 
  6. ^シャン、ロングリ;張、潤奇。ガオ、イン。王文新。朱、文広。シン、レイレイ。劉天雄。王英龍。崔佩哲（2024）。「機械学習および構造類似性手法を使用したイオン液体の毒性の評価」。グリーンケミカルエンジニアリング。6 (2): 249–262。土井: 10.1016/j.gce.2024.08.008。
  7. ^ Sankar Borah, Gori; Nagamani, Selvaraman (2024). 「エイムズ試験結果予測のための堅牢な機械学習モデルの開発」. Chemical Physics Letters . 856 141663. Bibcode : 2024CPL...85641663S . doi : 10.1016/j.cplett.2024.141663 .
  8. ^ Kar, Supratik; Gallagher, Andrea (2024). 「3種のトラウト種：O. Clarkii、S. Namaycush、S. Fontinalisに対する有機化学物質の水生毒性に関する比較QSARおよびq-RASARモデリング」Journal of Hazardous Materials . 480 136060. Bibcode : 2024JHzM..48036060K . doi : 10.1016/j.jhazmat.2024.136060 . PMID 39393319 . 
  9. ^ Rahimi-Soujeh, Zaniar; Safaie, Naser; Moradi, Sajad; Abbod, Mohsen; Sharifi, Rouhalah; Mojerlou, Shideh; Mokhtassi-Bidgoli, Ali (2024). 「Macrophomina phaseolinaに対する新規二成分系殺菌剤：機械学習駆動型QSAR、リードアクロス予測、分子動力学シミュレーション」. Chemosphere . 366 143533. Bibcode : 2024Chmsp.36643533R . doi : 10.1016/j.chemosphere.2024.143533 . PMID 39419329 . 
  10. ^ Abdellatif, Hayet; Laidi, Maamar; Si-Moussa, Cherif; Amrane, Abdeltif; Euldji, Imane; Benmouloud, Widad (2024). 「イオン液体の毒性予測モデル開発への貢献」 .構造化学. 36 (3): 865– 886. doi : 10.1007/s11224-024-02411-4 .
  11. ^ Sun, Ting; Wei, Chongzhi; Liu, Yang; Ren, Yueying (2024). 「シープスヘッドミノー（Cyprinodon variegatus）に対する農薬の急性毒性を予測するための説明可能な機械学習モデル」. Science of the Total Environment . 957 177399. Bibcode : 2024ScTEn.95777399S . doi : 10.1016/j.scitotenv.2024.177399 . PMID 39521088 . 
  12. ^ Banjare, Purusottam; Murmu, Anjali; Matore, Balaji Wamanrao; Singh, Jagadish; Papa, Ester; Roy, ​​Partha Pratim (2024). 「ラットおよびマウスにおける抗菌薬の急性経口毒性に関する種間相関と感受性因子分析の解明：初のQSTRおよびQTTRモデリング報告」 . Toxicology Research . 13 (6) tfae191. doi : 10.1093/toxres/tfae191 . PMC 11569388. PMID 39559274 .  
  13. ^ Qin, Li-Tang; Tian, Xue-Fang; Zhang, Jun-Yao; Liang, Yan-Peng; Zeng, Hong-Hu; Mo, Ling-Yun (2024). 「藻類（Auxenochlorella pyrenoidosa）に対するアゾール系殺菌剤の混合毒性を予測するための包括的な機械学習モデル」 . Environment International . 194 109162. Bibcode : 2024EnInt.19409162Q . doi : 10.1016/j.envint.2024.109162 . PMID 39612747 . 
  14. ^ Yang, Xianhai; Yang, Yue; Watson, Peter; Liu, Huihui (2025). 「土壌吸着係数（logKOC）を予測するための定量的構造特性相関モデルとツールの開発」. Environmental Pollution . 368 125703. doi : 10.1016/j.envpol.2025.125703 . PMID 39824331 . 
  15. ^ Li, Na; Chen, Zhaoyang; Zhang, Wenhui; Li, Yan; Huang, Xin; Li, Xiao (2025). 「Webサーバーベースのディープラーニング駆動型環境化学物質の呼吸器毒性予測モデル：メカニズムの洞察と解釈可能性」 . Journal of Hazardous Materials . 489 137575. Bibcode : 2025JHzM..48937575L . doi : 10.1016/j.jhazmat.2025.137575 . PMID 39954423 . 
  16. ^ガオ、ユチェン;邱、余。ワン、ファン;崔石軒。趙啓明。趙雅宣。張迪栄。張春龍。周建紅。劉衛平。荘、樹林（2025）。 「PBScreen: マルチフュージョン深層学習に基づく胎盤バリア透過性汚染物質のハイスループット スクリーニング用サーバー」。環境汚染。370 125858.土井: 10.1016/j.envpol.2025.125858。PMID 39954759。 
  17. ^ Yin, Zhipeng; Zhang, Min; Liu, Runzeng; Cai, Yong (2025). 「説明可能な機械学習モデルは、定量的分子表面分析に基づく表現を用いたPFASの生物活性予測を向上させる」. Water Research . 280 123500. Bibcode : 2025WatRe.28023500Y . doi : 10.1016/j.watres.2025.123500 . PMID 40107212 . 
  18. ^ Sun, Zhiqi; Huo, Donghui; Guo, Jiangyu; Yan, Aixia (2025). 「多世代EGFR阻害剤の構造活性相関のモデリングと解釈可能性研究」 . ACS Omega . 10 (11): 11176– 11187. doi : 10.1021/acsomega.4c10464 . PMC 11947818. PMID 40160792 .  
  19. ^ Bhattacharyya, Prodipta; Das, Shubha; Ojha, Probir Kumar (2025). 「QSAR、q-RASAR、ARKAフレームワークを統合したサケ種に対する工業用化学物質のリスク評価」 . Toxicology Reports . 14 102017. Bibcode : 2025ToxR...1402017B . doi : 10.1016/j.toxrep.2025.102017 . PMC 12008129. PMID 40255415 .  
  20. ^ Yu, Xinliang (2025). 「量子化学記述子を用いたRaphidocelis subcapitataに対する化学毒性の予測」藻類研究. 89 104055. Bibcode : 2025AlgRe..8904055Y . doi : 10.1016/j.algal.2025.104055 .
  21. ^ Banerjee, Arkaprava; Roy, ​​Kunal (2025). 「環境毒性エンドポイントのための改良型q-RASARモデル開発のための多クラスARKAフレームワーク」. Environmental Science: Processes & Impacts . 27 (5): 1229– 1243. doi : 10.1039/D5EM00068H . PMID 40227888 . 

スタブアイコン

この化学関連の記事はスタブです。不足している情報を追加してWikipediaに貢献してください。

「 https://en.wikipedia.org/w/index.php?title=ARKA_descriptors_in_QSAR&oldid=1330029339」より取得