Огляд найбільш поширених обчислювальних методів вивчення зв’язків між структурою молекул та їх біологічною дією

Abstract

Ціль. Систематизувати найбільш поширені методи дослідження зв’язків «молекулярна структура біологічна активність» (QSAR) та розкрити їх принципи реалізації, сильні та слабкі сторони. Методи. Проводився огляд сучасної наукової літератури, присвяченої QSAR-моделюванню. Найбільш часто використовувані методи розробки моделей «структура-активність» вибирались для подальшого опису. Результати. Визначено місце аналізу зв’язків «молекулярна структура-активність» серед комп’ютерних методів розробки нових лікарських засобів та описано найбільш поширені алгоритми по-будови QSAR моделей із акцентуванням на механізмі їх роботи. У останній час все більшої і більшої по-пулярності набувають підходи, що базуються на використанні ансамблів моделей, прикладом яких є Random Forest. Висновки. Прогрес у розвитку методів машинного навчання для побудови моделей «структура активність» є запорукою подальшого розвитку напрямку QSAR та знаходження нових біологічно ак-тивних речовин із його допомогою Ключові слова: QSAR, розробка ліків, молекулярне моделювання, методи QSAR, математичні моделі, методи вибору змінних, машинне навчанняAim. To systematize the most used methods of “molecular structure-biological activity” relationship studies and to disclose their principles of application, strong and weak sides. Methods. The review of modern scientific literature devoted to QSAR modeling was carried out. The most fre-quently used methods for “structure-activity” models development were selected for further description. Results. The place of “molecular structure-activity” relationships analysis among computer assisted drug de-sign methods is discussed in the current review and the most used algorithms of QSAR model development with emphasis on the mechanisms of their work are described. The approaches based on model ensembles become more and more popular, one of which is Random Forest. Conclusions. The progress in machine learning methods development is the key to the further evolution of QSAR direction and to the discovering of new biologically active substances Keywords: QSAR, drug development, molecular modeling, QSAR methods, mathematical models, variable selec-tion methods, machine learning