Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Моделирование свойств и реакционной способности органических соединений с использованием искусственных нейронных сетей

Диссертация: Моделирование свойств и реакционной способности органических соединений с использованием искусственных нейронных сетей
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

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… Читать ещё >

Содержание

  • 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

Моделирование свойств и реакционной способности органических соединений с использованием искусственных нейронных сетей (реферат, курсовая, диплом, контрольная)

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 наукицеленаправленной 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 — условиясвойство.

Прежде чем изложить полученные в настоящей работе результаты, приведем краткий обзор литературы, посвященной моделированию зависимостей структура — свойство при помощи искусственных нейронных сетей.

ВЫВОДЫ.

1. Разработана методика построения нелинейных зависимостей структураусловия — 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.

11. Построены нейросетевые зависимости положения длинноволновой полосы поглощения симметричных цианиновых красителей.

12. Построены нейросетевые модели биологической активности:

— блокирования Саканалов 1,4-дигидропиридинами;

— галлюциногенной активности фенилалкиламинов;

— мутагенной активности замещенных полициклических соединений.

Показать весь текст

Список литературы

  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. 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.¾. — 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. 195 208
  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 ?-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. 11 191 124
  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. 108 113
  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. 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. 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. 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. 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. А.И. Избранные труды. Киев: Наук. Думка. — 1979. — 649 с
  158. И.И. Избранные труды. -М.: Наука. 1982. — 368 с
  159. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. ½. — 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. 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/9 006
  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.404−408 140
  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. 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
Заполнить форму текущей работой

На отлично!