Моделирование свойств и реакционной способности органических соединений с использованием искусственных нейронных сетей тема диссертации и автореферата по ВАК РФ 02.00.03, кандидат химических наук Гальберштам, Наталья Марковна
- Специальность ВАК РФ02.00.03
- Количество страниц 162
Оглавление диссертации кандидат химических наук Гальберштам, Наталья Марковна
ВВЕДЕНИЕ.
ГЛАВА 1. НЕЙРОННЫЕ СЕТИ КАК МЕТОД ПОИСКА ЗАВИСИМОСТЕЙ СТРУКТУРА-СВОЙСТВО.
1.1 Основные принципы нейросетевого моделирования.
1.1.1 Описание архитектур и методов обучения нейросетей, используемых для нахождения зависимостей структура-свойство.
1.1.1.1 Полносвязанные нейросети прямого распространения.
Расширенный метод обратного распространения (Enhanced backpropagation).
Метод стабильного распространения (RPROP).
Квази-Ньютоновские методы обучения.
1.1.1.2 Другие архитектуры нейросетей.
1.1.2 Способы описания структур исследуемых соединений.
1.1.3 Нормировка входных параметров нейросети.
1.1.4 Выбор наиболее значимых дескрипторов.
1.1.5 Выбор оптимальной обучающей выборки.
1.1.6 Оптимизация числа скрытых нейронов.
1.1.7 Эффект «переучивания» нейросетей.
1.1.8 Анализ активностей скрытых нейронов.
1.1.9 Анализ полученных нейросетевых зависимостей.
1.1.10 Выбор функции для оценки погрешности нейросетевых расчетов.
1.1.11 Сравнение нейросетевого алгоритма со стандартными статистическими методами обработки информации.
1.2 Применение нейросетевых алгоритмов для поиска зависимостей структура-свойство.
ГЛАВА 2.0СН0ВНЫЕ КОНЦЕПЦИИ, ПРЕДЛОЖЕННЫЕ ДЛЯ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ.
2.1 Метод обучаемой симметрии.
2.2 Метод интерпретации нейросетевых зависимостей.
2.3 Метод модификации исходных дескрипторов.
2.4 Концепция структурного подобия.
2.5 Определение области применимости нейросетевых моделей.
2.6 Концепция построения нейросетевых зависимостей структура -условия - свойство.
ГЛАВА З.ОПИСАНИЕ ПРОГРАММНЫХ СРЕДСТВ, ПРЕДНАЗНАЧЕННЫХ ДЛЯ ПОСТРОЕНИЯ НЕЙРОСЕТЕВЫХ ЗАВИСИМОСТЕЙ СТРУКТУРА - СВОЙСТВО.
3.1 Описание программного комплекса «МАБАМШЧГ».
3.1.1 Представление химической информации.
3.1.2 Интеграция с программными компонентами, осуществляющими расчет дескрипторов химических структур.
3.1.3 Химически-ориентированная визуализация.
3.1.4 Модификация дескрипторов и свойств.
3.1.5 Предварительный отбор дескрипторов.
3.1.6 Выявление биофоров и биофобов.
3.1.7 Нормировка исходных данных.
3.1.8 Построение моделей структура-свойство на качественном уровне.
3.1.9 Нейросетевые парадигмы.
3.1.10 Интерпретация нейросетевых моделей.
3.1.11 Отбор дескрипторов в ходе обучения нейросети.
3.1.12 Определение момента начала «переучивания» нейросети.
3.1.13 Кластеризация баз данных.
3.1.14 Динамическая визуализация хода обучения нейросети.
3.1.15 Статистическая обработка результатов обучения нейросети.
3.1.16 Определение области применимости модели.
3.1.17 Химически-ориентированный блок прогноза.
3.1.18 Коррекция прогнозов с использованием мер «химического подобия».
3.2 Описание программного комплекса "QUANT".
3.2.1 Запись структуры в трехмерном представлении.
3.2.2 Молекулярно-механический расчет.
3.2.3 Квантово-механический расчет.
3.2.4 Расчет квантово-химических дескрипторов.
3.2.5 Запись оптимизированной структуры и рассчитанных дескрипторов.
ГЛАВА 4. ПРИМЕНЕНИЕ НЕЙРОСЕТЕВОГО ПОДХОДА ДЛЯ
МОДЕЛИРОВАНИЯ ЗАВИСИМОСТЕЙ СВОЙСТВ ОРГАНИЧЕСКИХ
СОЕДИНЕНИЙ ОТ ИХ СТРУКТУРЫ.
4.1 Использование концепции обучаемой симметрии для моделирования зависимостей структура - свойство.
4.1.1 Построение QSAR-зависимостей блокирования Са -каналов 1,4-дигидропиридинами.
4.1.2 QSAR-моделирование галлюциногенной активности фенилалкил-аминов.
4.2 Предсказание положения длинноволновой полосы поглощения симметричных цианиновых красителей.
4.3 Исследование мутагенной активности замещенных полициклических соединений с помощью искусственных нейронных сетей.
4.4 Определение области применимости нейросетевых моделей.
4.5 Применение искусственных нейронных сетей для моделирования зависимостей структура - условия - свойство.
4.5.1 Построение и анализ нейросетевых QSCAR-зависимостей для физико-химических свойств углеводородов.
4.5.1.1 Моделирование зависимости структура - давление - температура кипения.
4.5.1.2 Моделирование зависимости структура - температура - плотность.
4.5.1.3 Моделирование зависимости структура - температура - динамическая вязкость.
4.5.2 Построение и анализ нейросетевых зависимостей структура реакционные уловия - константы скорости для реакции кислотного гидролиза сложных эфиров карбоновых кислот.
ВЫВОДЫ.
Рекомендованный список диссертаций по специальности «Органическая химия», 02.00.03 шифр ВАК
Моделирование свойств химических соединений с использованием искусственных нейронных сетей и фрагментных дескрипторов2009 год, доктор физико-математических наук Баскин, Игорь Иосифович
Методология построения количественных моделей связи "структура-свойство" для разнородных выборок органических соединений2007 год, кандидат химических наук Иванова, Анна Александровна
Прогнозирование липофильности и других физико-химических свойств органических соединений с применением фрагментного подхода и искусственных нейронных сетей2002 год, кандидат химических наук Артеменко, Наталия Валерьевна
Использование нечеткой логики при описании молекул в задаче "структура-свойство"2010 год, кандидат физико-математических наук Деветьяров, Дмитрий Александрович
Методика извлечения знаний в задачах анализа рядов динамики с использованием нейронных сетей2003 год, кандидат технических наук Родионов, Павел Евгеньевич
Введение диссертации (часть автореферата) на тему «Моделирование свойств и реакционной способности органических соединений с использованием искусственных нейронных сетей»
В последние десятилетия, когда применение вычислительной техники практически во всех областях науки приобрело поистине массовый характер и накоплен богатейший объем экспериментальных данных, особое внимание уделяется методам обобщения и математической обработки характеристик уже исследованных веществ с целью компьютерного моделирования и предсказания свойств, которыми будут обладать новые, еще не синтезированные соединения. Это, в свою очередь, открывает большие возможности в решении одной из главных задач химической науки -целенаправленной разработке новых веществ и материалов с заранее заданными свойствами.
Искусственные нейронные сети становятся в настоящее время одним из наиболее широко применяемых методов для построения разнообразнейших количественных зависимостей. Благодаря уникальной возможности осуществлять построение нелинейных моделей любого уровня сложности, особенно в тех случаях, когда неизвестен общий вид аналитической зависимости, методология искусственных нейронных сетей нашла широкое применение в рамках поиска зависимостей между структурами органических соединений и их физико-химическими свойствами ((^ЭРЛ) и биологической активностью (ОБАЯ).
Первые работы, посвященные применению искусственных нейронных сетей в химии, появились в конце 80-х годов, и с тех пор количество публикаций по этой теме стремительно возрастает.
В ряду известных архитектур нейросетей, используемых для поиска зависимостей структура - свойство (здесь и далее под термином "свойство" будем понимать как физико-химические свойства органических соединений, так и их биологическую активность), первое место занимает полносвязанная нейросеть прямого распространения, обучающаяся по методу обратного распространения ошибки. Это связано, в первую очередь, со способностью нейросетей этого типа обобщать и аппроксимировать данные с высокой точностью, а также с их возможностью обрабатывать большие массивы разрозненной информации.
Поиск нейросетевых зависимостей структура-свойство можно свести к последовательному выполнению следующих этапов: 1) структуры исследуемых соединений описываются некими числовыми параметрами - дескрипторами; 2) выбирается оптимальный набор дескрипторов; 3) весь массив экспериментальных данных разбивается на обучающую и контрольную выборки; 4) выбирается наиболее подходящий тип, архитектура и метод обучения нейросети; 5) выбираются статистические параметры для оценки качества обучения нейросети; 6) производится обучение нейросети, и оцениваются результаты этого обучения; 7) полученная нейросетевая модель может далее использоваться для прогноза свойств и активностей неизвестных соединений.
Несмотря на широкое использование искусственных нейросетей для получения зависимостей структура - свойство, на сегодняшний день не существует универсального инструмента, реализующего все перечисленные выше необходимые этапы построения моделей и позволяющего исследователям-химикам комплексно, с учетом особенностей работы со структурной информацией, применять методологию вычислительных нейронных сетей. Помимо этого, в большинстве опубликованных работ, нейросетевые модели строятся на основе экспериментальных данных для узких серий структурных аналогов, и поэтому носят частный характер. Кроме того, практически не предпринималось попыток учета влияния внешних условий (таких, например, как температура, давление, концентрация вещества, наличие и свойства того или иного растворителя и т.п.) на исследуемые свойства.
Таким образом, весьма актуальным является усовершенствование нейросетевых подходов, позволяющих моделировать и прогнозировать свойства органических соединений. 8
Цель настоящей работы заключалась в разработке алгоритмов, программной реализации и апробации вычислительного комплекса, предназначенного для работы с большими объемами разрозненной химической информации и позволяющего находить и анализировать количественные зависимости между структурами исследуемых веществ и их свойствами (с учетом и без учета влияния внешних условий на изучаемые свойства) на базе полносвязанных нейросетей прямого распространения, обучающихся по методу обратного распространения ошибки, а также в нейросетевом моделировании зависимостей структура - свойство и структура - условия -свойство.
Прежде чем изложить полученные в настоящей работе результаты, приведем краткий обзор литературы, посвященной моделированию зависимостей структура - свойство при помощи искусственных нейронных сетей.
Похожие диссертационные работы по специальности «Органическая химия», 02.00.03 шифр ВАК
Прогноз количественных свойств органических соединений на основе дескрипторов атомных окрестностей2008 год, кандидат биологических наук Захаров, Алексей Владимирович
Нейросетевая реализация процедуры идентификации динамических систем2000 год, кандидат технических наук Гаврилов, Александр Игоревич
Нейросетевое управление рентабельностью предприятия2001 год, кандидат технических наук Бычков, Андрей Витальевич
Анализ и подготовка информации об ингредиентах полимерных композиций для моделирования зависимости "структура-активность": на примере полипропиленовых композиций2006 год, кандидат технических наук Александрина, Алла Юрьевна
Разработка математического и программного обеспечения автоматизированного прогнозирования временных рядов на основе нейрокомпьютерных технологий2003 год, кандидат технических наук Артемкин, Денис Евгеньевич
Заключение диссертации по теме «Органическая химия», Гальберштам, Наталья Марковна
ВЫВОДЫ
1. Разработана методика построения нелинейных зависимостей структура -условия - свойство.
2. Предложено использование наиболее значимых модифицированных дескрипторов для описания структур огранических соединений, что позволяет улучшить аппроксимирующую и прогнозирующую способности нейросетевых моделей.
3. Предложен метод улучшения прогнозирующей способности нейросетевых моделей с помощью концепции структурного подобия.
4. Предложен метод обучаемой симметрии, предназначенный для описания структур соединений с топологически эквивалентными позициями.
5. Предложен метод интерпретации нейросетевых зависимостей.
6. Предложена методика для определения области применимости нейросетевых зависимостей.
7. Разработан уникальный программный комплекс, ориентированный на работу со структурно-химической информацией и предназначенный для построения нейросетевых зависимостей свойств и реакционной способности органических соединений от их структуры и позволяющий обрабатывать большие массивы разрозненной структурно-химической информации (для тысяч и десятков тысяч соединений).
8. Построена нейросетевая модель для прогнозирования констант скорости кислотного гидролиза сложных эфиров карбоновых кислот произвольного строения при произвольной температуре и различном составе растворителя.
9. Построены нейросетевые модели для описания и прогнозирования физико-химических свойств углеводородов произвольной структуры:
- температуры кипения при произвольных значениях давления;
- динамической вязкости при произвольных значениях температуры;
- плотности при произвольных значениях температуры.
122
11. Построены нейросетевые зависимости положения длинноволновой полосы поглощения симметричных цианиновых красителей.
12. Построены нейросетевые модели биологической активности:
- блокирования Са -каналов 1,4-дигидропиридинами;
- галлюциногенной активности фенилалкиламинов;
- мутагенной активности замещенных полициклических соединений.
Список литературы диссертационного исследования кандидат химических наук Гальберштам, Наталья Марковна, 2001 год
1. Zupan J., Gasteiger J. Neural networks: a new method for solving chemical problems or just a passing phase?//Anal. Chim. Acta. - 1991. - v.248, No.l. - P.l-30.
2. Gasteiger J., Zupan J. Neural Networks in Chemistry//Angew. Chem. Int. Ed. Engl. 1993. - v.105, No.4. - P.503-527
3. Aoyama Т., Ichikawa H. Basic Operating Characteristics of Neural Networks When Applied to Structure-Activity Studies//Chem. Pharm. Bull. 1991. - v.39, No.2. - P.358-366
4. Burns J. A., Whitesides G. M. Feed-forward Neural Networks in Chemistry: Mathematical Systems for Classification and Pattern Recognition//Chem. Rev. -1993. v.93, No.8. - P.2583-2601
5. Zupan J., Gasteiger J. Neural Networks in Chemistry. Weinheim: Wiley-VCH, 1999.-380 p.
6. Lehtokangas M., Saarinen J. Weight initialization with reference patterns//Neurocomputing. 1998. - v.20. - P.265-278
7. Yam J.Y.F., Chow T.W.S. A Weight initialization method for improving training speed in feedforward neural network//Neurocomputing. 2000. - v.30. - P.219-232
8. Kovesdi I., Dominguez-Rodrigues M.F., Orfi L., Naray-Szabo G., Varro A., Papp J.G., Matyus P. Application of Neural Networks in Structure Activity Relation-ships//Med. Res. Rev. - 1999. - v. 19, No.3. - P.249-269
9. Neural Networks in QSAR and Drug Design/Ed. by J.Devillers. London: Acadimic Press, 1996. - 284 p.
10. Горбань A.H. Обучение нейронных сетей. M.: ПараГраф, 1990. 159 с.
11. Rumelhart D.E., Hinton G.E., Williams. Learning internal representations by error propagation//Parallel data processing/Ed. by D.E.Rumelhart, J.L.McClelland. -Cambridge, MA: M.I.T. Press, 1986. v. 1. - P.318-362.
12. Stuttgart Neural Network Simulator/User Manual, Version 4.0. 1995. - 279 p.
13. MatLab/User Manual, Version 6.0. 2000.
14. Vogl T.P., Mangis J.K., Rigler A.K., Zink W.T., Alkon D.L. Accelerating the Convergence of the Backpropagation Method//Biological Cybernetics. 1988. -v.59. -P.256-264
15. Patnaik L.M., Rajan K. Target detection through image processing and resilient propagation algorithms//Neurocomputing. 2000. -v.35. - P. 123-135
16. Riedmiller M., Braun H. A direct adaptive method for faster backpropagation learning: The RPROP algorithm//Proceedings of the IEEE International Conference on Neural Networks. 1993. - P.586-591
17. Dennis J., Schnabel R.B. Numerical Methods for Unconstrained Optimization and Nonlinear Equations. Englewood Cliffs, NJ: Prentice-Hall, 1983. - 378 c.
18. Lee M.J., Chen J.T. Fluid Property Prediction with the Aid of Neural Networks//Ind. Eng. Chem. Res. 1993. - v.32, No.5. - P.995-997
19. Ajay. A Unified Framework for Using Neural Networks to Build QSARs.//J. Med. Chem. 1993. - v.36, No.23. -P.3565-3671
20. Dolmatova L., Tchistiakov V., Ruckebusch K., Dupuy N., Huvenne J.-P., Legrand P. Hierarchical Neural Network Modeling for Infrared Spectra Interpretation of Modified Starches//! Chem. Inf. Comput. Sci. 1999. - v.39. - P. 1027-1036
21. Kvasnicka V., Sklenak S., Pospichal J. Application of Recurrent Neural Networks in Chemistry. Prediction and Classification of C NMR Chemical Shifts in a Series of Monosubstituted Benzenes//! Chem. Inf. Comput. Sci. 1992. - v.32. - P.742 -747
22. Kvasnicka V., Pospichal J. Application of neural networks in chemistry. Prediction of product distribution of nitration in a series of monosubstituted benzenes//J. Mol. Struct. (Theochem). 1991. - v.235. - P.227 - 2421
23. Kvasnicka V. An application of neural networks in chemistry. Prediction of C NMR chemical shifts//! Math. Chem. 1991. - v.6. - P.63 - 76
24. Kireev D. B. ChemNet: A Novel Neural Network Based Method for Graph/Property Mapping//! Chem. Inf. Comput. Sci. 1995. - v.35. - P.175-180
25. Bienfait B. Applications of High-Resolution Self-Organizing Maps to Retrosynthetic and QSAR Analysis//! Chem. Inf. Comput. Sci. 1994. - v.34, No.4. - P.890-898
26. Polanski J. Neural Net for the Simulation of Molecular Recognition within MS-Windows Environment//! Chem. Inf. Comput. Sci. 1996. - v.36, No.4. - P.694-705
27. Polanski J. The Receptor-like Neural Network for Modeling Corticosteroid and Testosterone Binding Globulins//! Chem. Inf. Comput. Sci. 1997. - v.37. - P.553-561
28. Kocjanchich R., Zupan J. Application of a Feed-Forward Artificial Neural Network as a Mapping Device//! Chem. Inf. Comput. Sci. 1997. - v.37. - P.985-989
29. Rose V.S., Croall I.F., MacFie H.J. An Application of Unsupervised Neural Network Methodology (Kohonen-Topology Preserving Mapping) to QSAR Analysis//Quant. Struct.-Act. Relat. 1991. - v. 10. - P.6-15
30. Hecht-Nielsen R. Counterpropagation Networks//Appl.Opt. 1987. - v.26. -P.4979-4983
31. Hecht-Nielsen R. Applications of Counterpropagation Networks//Neural Networks. 1988.- v.l, No.2. - P. 131-139
32. Novic M., Nikolovska-Coleska Z., Solmajer T. Quantitative Structure-Activity Relationship of Flavonoid p56lck Protein Tyrosine Kinase Inhibitors. A Neural Network Approach//! Chem. Inf. Comput. Sei. 1997. - v.37. - P.990-998
33. Vracko M. A Study of Structure-Carcinogenic Potency Relationship with Artificial Neural Networks. The Using of Descriptors Related to Geometrical and Electronic Structures//J. Chem. Inf. Comput. Sei. 1997. - v.37. - P. 1037-1043
34. Peterson K.L. Counter-propagation Neural Networks in the Modeling and Prediction of Kovats Indexes for Substituted Phenols//Anal. Chem. 1992. v.64. P.379-386
35. Peterson K. L. Quantitative Structure-Activity Relationships in Carboquinones and Benzodiazepines Using Counter-Propagation Neural Networks//! Chem. Inf. Comput. Sei. 1995. - v.35. - P.896-904
36. Lohninger H. Evaluation of Neural Networks Based on Radial Basis Functions and their Application to the Prediction of Boiling Points from Structural Parameters/AI. Chem. Inf. Comput. Sei. 1993. - v.33, No.5. - P.736-744
37. Tetteh J., Suzuki T., Metcalfe E., Howells S. Quantative Structure Property Relationships for the Estimation of Boiling point and Flash Point Using a Radial Basis Function Neural Network//! Chem. Inf. Comput. Sei. - 1999. - v.39.- P.491-507
38. Wan C., Harrington P. de B. Self-Configuring Radial Basis Function Newral Networks for Chemical Patters Recognition//!. Chem. Inf. Comput. Sei. 1999. -v.39. - P.1049-1056
39. Liu Q., Hirono S., Moriguchi I. Comparison of the Functional-Link Net and the Generalized Delta Rule Net in Quantitative Structure-Activity Relationship Studies//Chem. Pharm. Bull. 1992. - v.40. - P.2962-2969
40. Choy W.Y., Sanctuary B.C. Using Neural Network Predicted Secondary Structure Information in Automatic Protein NMR Assignment//! Chem. Inf. Comput. Sei. -1997.-v.37.-P.1086-1094
41. Cai C., Harrington P. de B. Wavelet Transform Processing for Temperature Constrained Cascade Correlation Neural Networks//J. Chem. Inf. Comput. Sci. -1999. v.39. - P.874-880
42. Kovalishyn V.V., Tetko I.V., Luik A.I., Kholodovych V.V, Villa A.E.P, Livingstone D.J. Neural Network Studies. 3. Variable Selection in the Cascade-Correlation Learning Architecture//J. Chem. Inf. Comput. Sci. 1999. - v.38. -P.651-659
43. Elrod D.W., Maggiora G.M., Trenary R.G. Applications of Neural Networks in Chemistry. 1. Prediction of Electrophilic Aromatic Substitution Reactions.//J. Chem. Inf. Comput. Sci. 1990. - v.30. - P.477-484
44. Elrod D.W., Maggiora G.M., Trenary R.G. Applications of Neural Networks in Chemistry. 2. A General Connectivity Representation for the Prediction of Regiochemistry//Tetrahedron Comput. Meth. 1990. - v.3, No.3/4. - P.163-174
45. Bakken G.A., Jurs P.C. Prediction of Methyl Radical Addition Rate Constants from Molecular Structure//J. Chem. Inf. Comput. Sci. 1999. - v.39. - P.508-514
46. McClelland H.E., Jurs P.C. Quantitative Structure Property Relationships for the Prediction of Vapor Pressures of Organic Compounds from Molecular Structures//! Chem. Inf. Comput. Sci. - 2000. - v.40. - P.967-975
47. Patankar S.J., Jurs P.C. Prediction of IC50 Values for ACAT Inhibitors from Molecular Structure//J. Chem. Inf. Comput. Sci. 2000. - v.40. - P.706-723
48. Baskin I.I., Palyulin V.A., Zefirov N.S. A Neural Device for Searching Direct Correlations between Structures and and Properties of Chemical Compounds//J. Chem. Inf. Comput. Sci. 1997. - v.37. - P.715-721
49. Guo M., Xu L., Li H., Hu C.-Y. Prediction of Molar Absorptivities of Color Reagents During their Color Reaction with Cerium Using Multiple Regression Analysis and Neural Network//Anal. Sci. 1996. - v. 12, No.2. - P.291-294
50. Nefati H., Cense J.-M., Legendre J.-J. Prediction of the Impact Sensitivity by Neural Networks//J. Chem. Inf. Comput. Sci. 1996. - v.36, No.4. - P.804-810
51. Castellano G., Fanelli A.M. Variable Selecion Using Neural-Network Models//Neurocomputing. 2000. - v.31. - P. 1 -13
52. So S.-S., Karplus M. Evolutionary Optimization in Quantitative Structure-Activity Relationship: An Application of Genetic Neural Networks//J. Med. Chem. -1996. v.39. -P.1521-1530
53. So S.-S., Karplus M. Three-Dimentional Quantitative Structure Activity Relationships from Molecular Similarity Matrices and Genetic Neural Networks. 1. Method and Validation//J. Med. Chem. -1997. - v.40. - P.4347-4359
54. So S.-S., Karplus M. Three-Dimentional Quantitative Structure Activity Relationships from Molecular Similarity Matrices and Genetic Neural Networks. 2. Applications//;. Med. Chem. -1997. - v.40. - P.4360-4371
55. Rogers D.R., Hopfinger A.J. Application of genetic function approximation to quantitative structure-activity relationships and quantitative structure-property relationships//!. Chem. Inf. Comput.Sci. 1994. - v.34. - P.854-866
56. Luke B.T. Evolutionary programming applied to the development of quantitative structure-activity relationships and quantitative structure-property relationships//! Chem. Inf. Comput. Sci. 1994. - v.34. - P. 1279-1287
57. Brinn M. W., Payne M. P., Walsh P. T. Neural Network Prediction of Mutagenicity Using Structure-Property Relationships//Chem. Eng. Res. Des. 1993. - v.71, No.A3. - P.337-339
58. Karnin E.D. A Simple Procedure for Pruning Back-Propagation Trained Neural Networks//IEEE Trans. Neural Networks. 1990. - v.l, No.2. - P.239-242
59. Wikel J.H., Dow E.R. The Use of Neural Networks for Variable Selection in QSAR//Bioorg. Med. Chem. Lett. 1993. - v.3, No.4. - P.645-651.
60. Reed R. Pruning Algorithms a Survey//IEEE Trans. Neural Networks. - 1993. -v.4. - P.740-747
61. Tetko I.V., Villa A.E.P., Livingstone D.J. Neural Network Studies. 2. Variable Selection//J. Chem. Inf. Comput. Sci. 1996. - v.36, No.4. - P.794-803
62. Tetko I. V., Tanchuk V. Yu., Luik A. I. Anti-AIDS Drug Design with the Help of Neural Networks//AIP Conf. Proc. 330 (E.C.C.C. 1 Computational Chemistry). -1995. P.761-766
63. Tetko I. V., Tanchuk V.Yu., Chentsova N.P., Antonenko S.V., Poda G.I., Kukhar V.P., Luik A.I. HIV-1 Reverse Transcriptase Inhibitor Design Using Artificial Neural Networks//! Med. Chem. 1994. - v.37, No. 16. - P.2520-2526
64. Isu Y., Nagashima U., Aoyama T., Hosoya H. Development of Neural Network Simulator for Structure-Activity Correlation of Molecules (NECO). Prediction of Endo/Exo Substitution of Norbornane Derivatives and of Carcinogenic Activity of
65. PAHs from 13C-NMR Shifts//J. Chem. Inf. Comput. Sci. 1996. - v.36. - P.286 -293
66. Svozil D., Sevcik J.G.K., Kvasnicka V. Neural network prediction of therjsolvatochromic polarity/polarizability parameter k 2 //J. Chem. Inf. Comput. Sci. -1997. v.37, No.2. - P.338-342
67. Domine D., Devillers J., Wienke D., Buydens L. Test series selection from nonlinear neural mapping//Quant. Struct.-Act. Relat. 1996. - v. 15, No.5. - P.395-402
68. Domine D., Devillers J., Wienke D., Buydens L. ART 2-A for Optimal Test Series Design in QSAR//J. Chem. Inf. Comput. Sci. 1997. - v.37, No.l. - P.10-17
69. Andrea T. A., Kalayeh H. Application of Neural Networks in Quantitative Structure-Activity Relationships of Dihydrofolate Reductase Inhibitors//J. Med. Chem. 1991. - v.34. - P.2824-2836
70. Song X.-H., Chen Z., Yu R.-Q. Artificial Neural Networks Applied to the Quantitative Structure-Activity Relationship Study of Para-Substituted Phenols//Sci. China, Ser. B. 1993. - v.36, No.12. - P. 1443-1450
71. Cherqaoui D., Villemin D., Mesbah A., Cense JM., Kvasnicka V. Use of a Neural Network to Determine the Normal Boiling Points of Acyclic Organic Molecules Containing Heteroatoms//AIP Conf. Proc. 330 (E.C.C.C. 1 Computational Chemistry).- 1995. P.767-773
72. So S.-S., Richards W. G. Application of Neural Networks: Quantitative Structure-Activity Relationships of the Derivatives of 2,4-Diamino-5-(substituted-benzyl)-pyrimidines as DHFR Inhibitors//! Med. Chem. 1992. - v.35. - P.3201-3207
73. Tetko I. V., Luik A. I., Poda G. I. Application of Neural Networks in Structure-Activity Relationships of a Small Number of Molecules//J. Med. Chem. 1993. -v.36, No.7.-P.811-814
74. Curry B., Rumelhart D.E. MSNET: a Neural Network which Classifies Mass Spectra//Tetrahedron Computer Methodology 1990. -v.3. - P.213-237
75. Weigend A.S., Huberman B.A., Rumelhart D.E. Predicting the Future: a Connectionist Approach//Int. Journ. of Neural Systems. 1990. -v.l. - P. 193-209
76. Manallack D.T., Livingstone D.J. Neural Networks in Drug Discovery: Have They Lived up to Their Promise?//Eur. J. Med. Chem. 1999. - v.34, No.3. - P. 195208
77. Baskin I.I., Skvortsova M.I., Palyulin V.A., Zefirov N.S. Quantitative Chemical Structure Property/Activity Relationship Studies Using Artificial Neural
78. Networks//Foundations of Computing and Decision Sciences. 1997. - v.22. - No.2. -P.107-116
79. Kvasnicka V., Sklenak S., Pospichal J. Neural Network Classification of Inductive and Resonance Effects of Substituents//J. Am. Chem. Soc. 1993. - v.l 15, No.4. - P.1495-1500
80. Choi J.Y., Choi C.-H. Sensitivity Analysis of Multilayer Perseptron with Differentiable Activation Functions//IEEE Trans. Neural Networks. 1992. - v.3, No.l. - P.101-107
81. Oh S.-H., Lee Y. Sensitivity Analysis of Single Hidden-Layer Neural Networks with Threshold Functions//IEEE Trans. Neural Networks. 1995. - v.6, No.4. -P. 1005-1007
82. Aoyama T., Ichikawa H. Neural Networks as Nonlinear Structure-Activity Relationship Analyzers. Useful Functions of the Partial Derivative Method in Multilayer Neural Networks//J. Chem. Inf. Comput. Sci. 1992. - v.32. No.5. -P.492-500
83. Aoyama T., Ichikawa H. Obtaining the Correlation Indexes Between Drugs Activity and Structural Parameters Using a Neural Network//Chem. Pharm. Bull. -1991.-v.39.-No.2.-P.372-378
84. Ichikawa H., Aoyama T. How to See Characteristics of Structural Parameters in QSAR Analysis: Descriptor mapping Using Neural Networks//SAR and QSAR Env. Res. 1993. - v.l. -P.115-130
85. Maggiora G. M., Elrod D. W., Trenary R. G. Computational Neural Networks as Model-Free Mapping Devices//J. Chem. Inf. Comput. Sci. 1992. - v.32, No.6. -P.732-741
86. Schroeder R., Kraenz H., Vill V., Meyer B. Predicting the transition temperature of smectic liquid crystalline compounds from their structure using artificial neural networks//J. Chem. Soc., Perkin Trans. 2. 1996. - No.8. - P.1685-1690
87. Jordan S.N., Leach A.R., Bradshaw J. Neural Networks in Inhibitor Design//AIP Conf. Proc. 330 (E.C.C.C. 1 Computational Chemistry). 1995. - P.550-555
88. Gakh A. A., Gakh E.G., Sumpter B.G., Noid D.W. Neural Network Graph Theory Approach to the Prediction of the Physical Properties of Organic Compounds//! Chem. Inf. Comput. Sci. - 1994. - v.34, No.4. - P.832-839
89. Bruchmann A., Zinn P., Haffer C. M. Prediction of Gas Chromatographic Retention Index Data by Neural Networks//Anal. Chim. Acta. 1993. - v.283, No.2. -P.869-880
90. Glen R. C., Rose V.S., Lindon J.C., Ruane R.J., Wilson I.D., Nicholson J.K. Quantitative Structure-Chromatography Relationships: Prediction of TLC Behavior Using Theoretically Derived Molecular Properties//!. Planar Chromatogr. 1991. -v.4. - P.432-438
91. Manallack D. T., Ellis D. D., Livingstone D. J. Analysis of Linear and Nonlinear QSAR Data Using Neural Networks//! Med. Chem. 1994. - v.37, No.22. -P.3758-3767
92. Aoyama T., Suzuki Y., Ichikawa H. Neural Networks Applied to Quantitative Structure-Activity Relationship Analysis//! Med. Chem. 1990. - v.33. - P.2583-2590
93. Lucic B., Trinajstic N. Multivariate Regression OutperfoRMS Several Robust Architectures of Neural Networks in QSAR Modeling//! Chem. Inf. Comput. Sci. -1999. v.39. - P. 121-132
94. Lucic B., Amic D., Trinajstic N. Nonlinear Multivariate Regression OutperfoRMS Several Concisely Designed Neural Networks on Three QSPR Data Sets//! Chem. Inf. Comput. Sci. 2000. - v.40. - P.403-413
95. Barden C.J., Boysworth M.K., Palocsay F.A. Neural Network Correction of PM3-Predicted Infrared Spectra//! Chem. Inf. Comput. Sci. 1998. - v.38. - P.483-488
96. Meiler J., Meusinger R., Will M. Fast Determination of 13C NMR Chemical Shifts Using Artificial Neural Networks//! Chem. Inf. Comput. Sci. 2000. - v.40. -P.1169-1176
97. Mitchell B., Jurs P.C. Computer Assisted Simulation of 13C Nuclear Magnetic Spectra of Monosaccharides//!. Chem. Inf. Comput. Sci. 1996. - v.36. - P.58-64
98. Clouser D.L., Jurs P.C. Simulation of the 13C Nuclear Magnetic Resonance Spectra of Ribonucleosides Using Multiple Linear Regression Analysis and Neural Networks//J. Chem. Inf. Comput. Sci. 1996. - v.36. -P.168-172
99. Ivanciuc O., Rabine J.-P., Cabrol-Bass D., Panaye A., Doucet J.P. 13C NMR Chemical Shift Prediction of sp2 Carbon Atoms in Acyclic Alkenes Using Neural Networks//! Chem. Inf Comput. Sei. 1996. - v.36. - P.644-653
100. Liu L., Guo Q.-X. Wavelet Neural Network and Its Application to the Inclusion of ß-Cyclodextrin with Benzene Derivatives//!. Chem. Inf. Comput. Sei. 1999. -v.39. - P.133-138
101. Brewster M. E., Huang M.-J., Harget A., Bodor N. Neural Network Studies. 2. Use of a Neural Net to Estimate Oxidation Energies for Substituted Dihydropyridines and Related Heterocycles//Tetrahedron. 1992. - v.48. - P.3463-3472
102. Ventura S., Silva M., Perez-Bendito D., Hervas C. Computational Neural Networks in Conjuction with Principal Component Analysis for Resolving Highly Nonlinear Kinetics//! Chem. Inf. Comput. Sei. 1997. - v.37. - P.287-291
103. Ventura S., Silva M., Perez-Bendito D. Estimation of Parameters of Kinetic Compartmental Models by Use of Computational Neural Networks//! Chem. Inf. Comput. Sei. 1997.-v.37.-P.517-521
104. Hervas C., Algar J.A., Silva M. Correction of Temperature Variations in Kinetic-Based Determinations by Use of Pruning Computational Neural Networks in Conjunction with Genetic Algorithms//! Chem. Inf. Comput. Sei. 2000. - v.40. -P.724-731
105. Hervas C., Ventura S., Silva M., Perez-Bendito D. Computational Neural Networks for Resolving Nonlinear Multicomponent Systems Based on Chemiluminescence Methods//! Chem. Inf. Comput. Sei. 1998. - v.38. - P. 11191124
106. Balaban A. T., Basak S. C., Colburn T., Grunwald G. D. Correlation between Structure and Normal Boiling Points of Haloalkanes C1-C4 Using Neural Networks//! Chem. Inf. Comput. Sei. 1994. - v.34, No.5. - P.l 118-1121
107. Egolf L.M., Jurs P.C. Prediction of Boiling Points of Organic Heterocyclic Compounds Using Regression and Neural Network Techniques//!. Chem. Inf. Comput. Sei. 1993,- v.33. - P.616-625
108. Hall L.H., Story C.T. Boiling Point and Critical Temperature of a Heterogeneous Data Set: QSAR with Atom Type Electrotopological State Indices Using Artificial Neural Networks//! Chem. Inf. Comput. Sci. 1996. - v36. - P.1004-1014
109. Gakh A. A., Gakh E. G., Sumpter B. G., Noid D. W., Trowbridge L.D. Estimation of the Properties of Hydrofluorocarbons by Computer Neural Networks.//! Fluorine Chem. 1995. - v.73. - P.107-111
110. Liu S., Zhang R., Liu M, Hu Z. Neural Network Topological Indices Approach to the Prediction of Properties of Alkene//! Chem. Inf. Comput. Sci. - 1997. - v.37. -P.1146- 1151
111. Espinosa G., Yaffe D., Cohen Y., Arenas A., Giralt F. Neural Network Based Quantitative Structural Property Relations (QSPRs) for Predicting Boiling Points of Aliphatic Hydrocarbons//! Chem. Inf. Comput. Sci. 2000. - v.40. - P.859-879
112. Goll E.S., Jurs P.C. Prediction of the Normal Boiling Points of Organic Compounds from Molecular Structures with a Computational Neural Network Model//! Chem. Inf. Comput. Sci. 1999. - v.39. - P.974-983
113. Mitchel B.E., Jurs P.C. Prediction of Autoignition Temperatured of Organic Compounds from Molecular Structure//J. Chem. Inf. Comput. Sci. 1997. - v.37. -P.538-547
114. Goll E.S., Jurs P.C. Prediction of Vapor Pressures of Hydrocarbons and halohydrocarbons from Molecular Structure with a Computational Neural Network Model//J. Chem. Inf. Comput. Sci. 1999. - v.39. - P. 1081-1089
115. Suzuki T., Ebert R.-U., Schuurmann G. Development of Both Linear and Nonlinear Methods To Predict the Liquid Viscosity at 20°C of Organic Compounds//J. Chem. Inf. Comput. Sci. 1997. - v.37. - P.l 122-1128
116. Bodor N., Harget A., Huang M.-J. Neural Network Studies. 1. Estimation of the Aqueous Solubility of Organic Compounds//J. Am. Chem. Soc. 1991. - v. 113 -P.9480-9483
117. Mitchell B.E., Jurs P.C. Prediction of Aqueous Solubility of Organic Compounds from Molecular Structure//J. Chem. Inf. Comput. Sci. 1998. - v.38. -P.489-496
118. Huuskonen J., Salo M., Taskinen J. Aqueous Solubility Prediction of Drugs Based on Molecular Topology and Neural Network Modeling//J. Chem. Inf. Comput. Sci. 1998. - v.38. - P.450-456
119. Sutter J.M., Jurs P.C. Prediction of Aqueous Solubility for a Diverse Set of Heteroatom-Containing Organic Compounds Using a Quantitative Structure -Property Relationship//.!. Chem. Inf. Comput. Sci. 1996. - v.36. - P. 100-107
120. Engelhardt H.L., Jurs p.C. Prediction of Supercritical Carbon Dioxide Solubility of Organic Compounds from Molecular Structure//J. Chem. Inf. Comput. Sci. -1997. v.37. - P.478-484
121. Mitchell B.E., Jurs P.C. Prediction of Infinite Dilution Activity Coefficients of Organic Compounds in Aqueous Solution from Molecular Structure//J. Chem. Inf. Comput. Sci. 1998. - v.38. - P.200-209
122. Cense J.M., Diawara B., Legendre J.J., Roullet G. Neural Networks Prediction of Partition Coefficients//AIP Conf. Proc. 330 (E.C.C.C. 1 Computational Chemistry). -1995. P.556-561
123. Huuskonen J.J., Livingstone D.J., Tetko I.V. Neural Network Modeling for Estimation of Partition Coefficient Based on Atom-Type Electrotopological State Indices//! Chem. Inf. Comput. Sci. 2000. - v.40. - P.947-955
124. Duprat A.F., Huynh T., Dreyfus G. Toward a Principled Methodology for Neural network Design and Performance Evaluation in QSAR. Application to the Prediction of LogP//J. Chem. Inf. Comput. Sci. 1998. - v.38. - P.586-594
125. Devilers J., Domine D., Guillon C., Karcher W. Simulating Lipophilicity of
126. Organic Molecules with a Back-Propagation Neural Network//J. Pharm. Sci. 1998. -v.87, No.9. -P.1086-1090
127. Nefati H., Legendre J.-J., Michot C. Impact Sensitivity Prediction by the Means of Feed-Forward Multilayer Neural Networks//AIP Conf. Proc. 330 (E.C.C.C. 1 Computational Chemistry). 1995. - P.562-567
128. Chastrette M., Cretin D., Aidi C.E. Structure Odor Relationships: Using Neural Networks in the Estimation of Camphoraceous or Fruity Odors and Olfactory Thresholds of Aliphatic Alcohols/J. Chem. Inf. Comput. Sci. - 1996. - v.36. - P. 108113
129. Ivanciuc O. Artificial neural networks applications. Part 1. Estimation of the total 7i-electron energy of benzenoid hydrocarbons//Rev. Roum. Chim. 1995. -v.40, No.6. - P.567-574
130. Kvasnicka V., Sklenak S., Pospichal J. Application of High-Order Neural Networks in Chemistry//Theor. Chim. Acta. 1993. - v.86, No.3. - P.257-267
131. Ghoshal N., Mukhopadhayay S. N., Ghoshal T. K., Achari B. Quantitative Structure-Activity Relationship Studies Using Artificial Neural Networks//Indian J. Chem., Sect. B.- 1993.-v.32B, No.10. P.1045-1050
132. So S.-S., Karplus M. Genetic Neural Networks for Quantitative Structure -Activity Relationships: Improvements and Application of Benzodiazepine Affinity for Benzodiazepine/GABAA Receptors//! Med. Chem. 1996. - v.39. - P.5246-5256
133. Jalali-Heravi M., Parastar F. Use of Artificial Neural Networks in a QSAR Study of Anti-HIV Activity for a Large Group of HEPT Derivatives//J. Chem. Inf. Comput. Sci. 2000. - v.40. - P. 147-154
134. Burden F.R., Winkler D.A. Robust QSAR Models Using Bayesian Regularized Neural Networks//J. Med. Chem. 1999.- v.42.- P.3183-3187
135. Burden F.R., Ford M.G., Whitley D.C., Winkler D.A. Use of automatic Relevance Determination in QSAR Studies Using Bayesian Neural Networks//! Chem. Inf. Comput. Sci. 2000. - v.40, No.6. - P. 1423-1430
136. Wiese M. Application of neural networks in the analysis of percent effect biological data//Quant. Struct.-Act. Relat. 1991. - v.10, No.4. - P.369-371
137. Aoyama T., Suzuki Y., Ichikawa H. Neural Networks Applied to Structure-Activity Relationships//! Med. Chem. 1990. - v.33. - P.905-908
138. Hatrik S., Zahradnik P. Neural Network Approach to the Prediction of the Toxicity of Benzothiazolium Salts from Molecular Structure//! Chem. Inf. Comput. Sci. 1996. - v.36, No.5. - P.992-995
139. Gini G., Lorenzini M. Predictive Carcinogenicity: A Model for Aromatic Compounds, with Nitrogen-Containing Substituents, Based on Molecular
140. Descriptors Using an Artificial Neural Network//J. Chem. Inf. Comput. Sci. 1999. - v.39. - P.1076-1080
141. Ghoshal N., Mukhopadhayay S. N., Ghoshal T. K., Achari B. Quantitative Structure-Activity Relationship Studies of Aromatic and Heteroaromatic Nitro Compounds Using Neural Network//Bioorg. Med. Chem. Lett. 1993. - v.3, No.2. -P.329-332
142. Brinn M., Walsh P.T., Payne M.P., Bott B. Neural Network Classification of Mutagens Using Structural Fragment Data//SAR and QSAR Env. Res. 1993. - v.l. -P. 169-211
143. Kauffman G.W., Jurs. P.C. Prediction of Inhibition of the Sodium Ion Proton Antiporter by Benzoylguanidine Derivatives from Molecular Structure J. Chem. Inf. Comput. Sci. - 2000. - v.40. - P.753-761
144. Wessel M.D., Jurs P.C., Tolan J.W., Muskal S.M. Prediction of Human Intestinal Absorption of Drug Compounds from Molecular Structure//.!. Chem. Inf. Comput. Sci. 1998. - v.38. - P.726-735
145. Jaen-Oltra J., Salabert-Salvador T., Garcia-March F.J., Perez-Gimenez F., Tomas-Vert F. Artificial Neural Network Applied to Prediction of Fluorquinolone Antibacterial Activity by Topological Methods//.!. Med. Chem. -2000. v.43. -P.1143-1148
146. Goldblum A., Yoshimoto M., Hanch C. Quantitative Structure Activity Relationship of Phenyl N-methylcarbamate. Inhibition of Acetylcholinesterase//!. Agric. Food Chem. - 1981. - v. 29. - P.277-288
147. Korn G., Korn T. Mathematical Handbook for Scientists and Engineers. Definitions, Theorems and Formulas for Reference and Review. New York, Toronto, London: McGraw-Hill Book Company, Inc., 1961. - 943 p.
148. Baskin I.I., Halberstam N.M., Mukhina T.V., Palyulin V.A., Zefirov N.S. The Learned Symmetry Concept in Revealing Quantitative Structure-Activity Relationships with Artificial neural networks//SAR and QSAR in Env.Res. -accepted for publication
149. Baskin I.I., Ait A.O., Halberstam N.M., Palyulin V.A., Zefirov N.S. An Approach to the Interpretation of Backpropagation Neural Network Models in QSAR studies// SAR and QSAR in Env.Res. accepted for publication
150. Gerasimenko V.A., Trepalin S.V., Raevsky O.A. MOLDIVS A New Program for Molecular Similarity and Diversity Calculations//in Molecular Modelling and Prediction of Bioactivity/ed. K.Gundertofte. - London: 1999.
151. Karelson М., Lobanov V.S., Katritzky A.R. Quantum-Chemical Descriptors in QSAR/QSPR Studies//Chem. Rev. 1996. - v.96. - P. 1027-1043
152. Дьячков П.Н. Квантовохимические расчеты в изучении механизма действия и токсичности чужеродных веществ/Итоги науки и техники. Токсикология. Том 16-М.: ВИНИТИ, 1990. -279 с.
153. Coburn R.A., Wierzba M., Suto M.J., Solo A.J., Triggle A.M., Triggle D.J. 1,4-Dihydropyridine Antagonist Activities at the Calcium Channel: A Quantitative Structure-Activity Relationship approachIIJ. Med. Chem. 1988. v.31. - P.2103-2107
154. Gupta S.P. QSAR Studies on Drugs Acting at the Central Nervous System//C/zem. Rev. 1989. - v. 89. - P. 1765-1800.
155. Бурштейн К.Я., Багатурьянц А. А., Алфимов M.B. Компьютерное моделирование формы полос в электронных спектрах поглощения органических красителей//Журн. физ. химии. 1994. - Вып.68, №. 11. - С.2001-2008
156. Лифшиц Э.Б., Райхина Р.Д., Куркина Л.Г. и др.//Журн. науч. и прикл. фото-и кинематографии. 1996. - Вып. 41, №. 1. - С.43-62.
157. Киприанов А.И. Избранные труды. Киев: Наук. Думка. - 1979. - 649 с
158. Левкоев И.И. Избранные труды. -М.: Наука. 1982. - 368 с
159. Фэрстер Т. Окраска и строение органических соединений с точки зрения современной физической теории.//Успехи химии. 1940. - Вып.9, № 1. - С.71-104
160. Dewar M.I.S. Colour and Constitution. Part I. Basic Dyes.//J. Chem. Soc. 1950. - № 3. - P.2329-2334
161. Knott E.B. The Colour of Organic Compounds. Part I. A General Colour Rule.//J. Chem. Soc. 1951. - № 2. - P. 1024-1028
162. Rosenkranz H.S., Klopman J. CASE, the Computer-Automated Structure Evaluation System, as an Alternative to Extensive Animal Testing//Toxicol. Ind. Health. 1988. - v.4. - P.533-540
163. You Z., Brezzell M.D., Das S.K., Espadas-Torre M.C., Hooberman B.H., Sinsheimer J.E. Ortho-Substituent Effects on the in Vitro and in Vivo Genotoxicity of Benzidine Derivatives/Mutation Res. 1994. - v. 319. - P. 19-30
164. You Z., Brezzell M.D., Das S.K., Hooberman B.H., Sinsheimer J.E. Substituent Effects on the in Vitro and in Vivo Genotoxicity of 4-Aminobiphenyl and 4-Aminostilbene Derivatives//Mutation Res. 1994. - v. 320. - P. 45-58
165. Абилев C.K., Любимова И.К., Мигачев Г.И. Влияние структурных особенностей нитропроизводных флуоренона и бифенила на фреймшифт-мутагенез в тестерных штаммах Salmonella typhimurium//FeHeTHKa. 1993. Вып.29, №10. - С. 1640-1645
166. Любимова И.К., Абилев С.К., Мигачев Г.И. Взаимосвязь между мутагенной активностью и химической структурой в ряду производных бифенила//Генетика. 1995. - Вып. 31, № 2. - С.268-272
167. Любимова И.К., Абилев С.К., Мигачев Г.И. Влияние некоторых структурных особенностей в молекулах производных пирена и его гетероциклических аналогов на мутагенную активность//Генетика. 1995. -Вып. 31, № 1. -С.128-132
168. Баскин И.И., Любимова И.К., Абилев С.К., Палюлин В.А., Зефиров Н.С. Исследование количественной связи между мутагенной активностью химических соединений и их структурой. Замещенные бифенилы//ДАН. 1993. -Вып. 332, № 5. - С.587-589
169. Баскин И.И., Любимова И.К., Абилев С.К., Палюлин В.А., Зефиров Н.С. Количественная связь между мутагенной активностью гетероциклическиханалогов пирена и фенантрена и их структурой//ДАН. 1994. - Вып.339, № 1. -С.106-108
170. Любимова И.К., Абилев С.К., Гальберштам Н.М., Баскин И.И., Палюлин В.А., Зефиров Н.С. Компьютерное предсказание мутагенной активности замещенных полициклических соединений//Известия АН. Серия биология. -2001. -№2.-С.180-186
171. Любимова И.К. Зависимость мутагенной активности полициклических ароматических соединений от их структуры//Автореферат диссертации на соискание ученой степени кандидата биологических наук. М. 1994
172. Vance W., Levin D. Structural Features of Nitroaromatics That Determine Mutagenic Activity in Salmonella Typhimurium//Environ.Mutagen. 1984. - v.6. -P.797-811
173. Hirayama Т., Kusakabe H., Watanabe Т., Ozasa S., Fujioka Y., Fukui S. Relationship Between Mutagenic Potency in Samonella Strains and the Chemical Structure of Nitrobipheniyls//Mutat.Res. 1986. - v.163, No. 2. - P.101-107
174. Lukovits I.The detour index//Croat. Chem. Acta. 1996. - v.69, No.3. - P.873-882
175. Toropov A., Toropova A., Ismailov Т., Bonchev D. 3D weighting of molecular descriptors for QSPR/QSAR by the method of ideal symmetry (MIS). 1. Application to boiling points of alkanes//THEOCHEM. 1998. - v.424, No.3. - P.237-247
176. Toropov A. A., Toropova A. P., Ismailov Т. Т., Voropaeva N. L., Ruban I. N. Extended molecular connectivity: prediction of boiling points of alkanes//J. Struct. Chem. 1998. - v. 38, No.6. - P.965-969
177. Kobakhidze N., Gverdtsiteli M. Algebraic study of cycloalkanes//Bull. Georgian Acad. Sci. 1996. -v.153, No.l. - P.55-56
178. Plavsic D., Trinajstic N., Amic D., Soskic M. Comparison between the structure-boiling point relationships with different descriptors for condensed benzenoids//New J. Chem. 1998. - v.22, No. 10. - P. 1075-1078
179. Ren B. A New Topological Index for QSPR of Alkanes//J. Chem. Inf. Comput. Sci. 1999,-v.39, No.l.-P.139-143
180. Castro E.A., Tueros M., Toropov A.A. Maximum topological distances based indices as molecular descriptors for QSPR. Application to aromatic hydrocarbons//Comput. Chem. 2000. - v.24, No.5. - P.571-576
181. Ivanciuc O., Ivanciuc Т., Balaban A.T. The complementary distance matrix, a new molecular graph metric//ACH Models Chem. - 2000. - v.137, No.l. - P.57-82
182. Randic M. High quality structure-property regressions. Boiling points of smaller alkanes//New J. Chem. 2000. - v.24,No.3. - P. 165-171
183. Gutman I., Tomovic Z. On the application of line graphs in quantitative structure-property studies//! Serb. Chem. Soc. 2000. - v.65, No.8. - P.577-580
184. Thanikaivelan P., Subramanian V., Raghava R.J., Unni N.B. Application of quantum chemical descriptor in quantitative structure activity and structure property relationship//Chem. Phys. Lett. 2000. - v.323, No. 1/2. - P.59-70
185. Randic M. Quantitative structure-property relationship. Boiling points of planar benzenoids//New J. Chem. 1996. -v.20, No. 10. - P. 1001-1009
186. Lucic В., Trinajstic N. New developments in QSPR/QSAR modeling based on topological indices//SAR QSAR Environ. Res. 1997. - v.7. - P.45-62
187. Liu S., Cao C., Li Z. Approach to Estimation and Prediction for Normal Boiling Point (NBP) of Alkanes Based on a Novel Molecular Distance-Edge (MDE) Vector, 1//J. Chem. Inf. Comput. Sci. 1998. - v.38, No.3. - P.387-394
188. Физико-химические свойства индивидуальных углеводородов/Ред. В.М.Татевский. М.: Гостоптехиздат, 1960. - 412 с.
189. Гордон А., Форд Р. Спутник химика. М.:Мир, 1976. - 541 с.
190. Kreiger A.G., Wallace С.К. Computer Iteration of Handbook Data.//J.Chem.Educ.- 1971. v.48.- P.457
191. Goodman J.M., Kirby P.D., Haustedt L.O. Some Calculations for Organic Chemists: Boiling Point Variation, Boltzman Factors and Eyring Equation//http://preprint.chemweb.com/orgchem/0009006
192. Yaffe D., Cohen Y. Neural Network Based Temperature-Dependent Quantitative Structure Property Relations (QSPRs) for Predicting Vapor Pressure of Hydrocarbons//! Chem. Inf. Comp.Sci. 2001. - v.41, No.2. -P. 463-477
193. Таблицы констант скорости и равновесия гетеролитических органических реакций/ Ред. В.А.Пальм. М.: ВИНИТИ, 1975. - Том 1, полутом 2. - 299 с.
194. Silver M.S. The Effect of the Nature of the Leaving Group Upon Relative Solvolytic Reactivity//JACS. 1961. - v.83. - P.404-408140
195. Seoud О. A., Martins M. F. Kinetics and Mechanism of the Hydrolysis of Substituted Phenyl Benzoates Catalyzed by the o-Iodosobenzoate Anion//J. Phys. Org. Chem. 1995. - v. 8, No. 10. - P.637-46.
196. Пальм В.А. Основы количественной теории органических реакций. JL: Химия, 1977.-359 с.
197. Stimson V.R. The Kinetics of Alkyl-Oxygen Fission in Ester Hydrolysis. Part II. tret.-Butyl 2:4:6-Trimethylbenzoate in Aqueous Acetone//! Chem. Soc. 1955. P.2010-2013
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.