ความสัมพันธ์เชิงปริมาณระหว่างโครงสร้างและกิจกรรม
แบบจำลอง ความสัมพันธ์เชิงปริมาณระหว่างโครงสร้างและกิจกรรม ( QSAR)เป็น แบบจำลอง การถดถอยหรือการจำแนกประเภทที่ใช้ในวิทยาศาสตร์เคมี ชีววิทยา และวิศวกรรม[ 1 ]ในแบบจำลองการถดถอย QSAR จะเชื่อมโยงชุดของตัวแปร "ตัวทำนาย" (X) กับศักยภาพของตัวแปรตอบสนอง (Y) ในขณะที่แบบจำลอง QSAR การจำแนกประเภทจะเชื่อมโยงตัวแปรทำนายกับค่าเชิงหมวดหมู่ของตัวแปรตอบสนอง[ 1 ] Nano-QSARเป็นความเชี่ยวชาญของ QSAR ในระดับนาโนสเกล[ 2 ]
ในการสร้างแบบจำลอง QSAR ตัวทำนายประกอบด้วยคุณสมบัติทางกายภาพและเคมีหรือตัวบ่งชี้โมเลกุล เชิงทฤษฎี [ 3 ] [ 4 ]ของสารเคมี ตัวแปรตอบสนอง QSAR อาจเป็นกิจกรรมทางชีวภาพของสารเคมี แบบจำลอง QSAR สรุปความสัมพันธ์ที่คาดการณ์ไว้ระหว่างโครงสร้างทางเคมีและกิจกรรมทางชีวภาพในชุดข้อมูลของสารเคมีก่อน จากนั้นแบบจำลอง QSAR จะทำนายกิจกรรมของสารเคมีใหม่[ 5 ] [ 6 ]
คำศัพท์ที่เกี่ยวข้อง ได้แก่ความสัมพันธ์เชิงปริมาณระหว่างโครงสร้างและคุณสมบัติ (QSPR) เมื่อคุณสมบัติทางเคมีถูกจำลองเป็นตัวแปรตอบสนอง[ 7 ] [ 8 ] "คุณสมบัติหรือพฤติกรรมที่แตกต่างกันของโมเลกุลทางเคมีได้รับการศึกษาในสาขา QSPR ตัวอย่างบางส่วน ได้แก่ความสัมพันธ์เชิงปริมาณระหว่างโครงสร้างและปฏิกิริยา (QSRRs) ความสัมพันธ์เชิงปริมาณระหว่างโครงสร้างและโครมาโทกรา ฟี (QSCRs) และความสัมพันธ์เชิงปริมาณระหว่างโครงสร้างและความเป็นพิษ (QSTRs) ความสัมพันธ์เชิงปริมาณระหว่างโครงสร้างและอิเล็กโทรเคมี (QSERs) และความสัมพันธ์เชิงปริมาณระหว่างโครงสร้างและการย่อยสลายทางชีวภาพ (QSBRs)" [ 9 ]
ตัวอย่างเช่น กิจกรรมทางชีวภาพสามารถแสดงออกมาในเชิงปริมาณได้ในรูปของความเข้มข้นของสารที่จำเป็นต่อการตอบสนองทางชีวภาพบางอย่าง นอกจากนี้ เมื่อคุณสมบัติทางกายภาพเคมีหรือโครงสร้างถูกแสดงออกมาในรูปของตัวเลข เราสามารถหาความสัมพันธ์ทางคณิตศาสตร์ หรือความสัมพันธ์เชิงปริมาณระหว่างโครงสร้างและกิจกรรมได้ การแสดงออกทางคณิตศาสตร์ หากได้รับการตรวจสอบอย่างรอบคอบ[ 10 ] [ 11 ] [ 12 ] [ 13 ]สามารถนำมาใช้ในการทำนายการตอบสนองของโครงสร้างทางเคมีอื่นๆ ได้[ 14 ]
QSAR มีรูปแบบเป็นแบบจำลองทางคณิตศาสตร์ :
- กิจกรรม = f (คุณสมบัติทางกายภาพเคมีและ/หรือคุณสมบัติเชิงโครงสร้าง) + ข้อผิดพลาด
ข้อผิดพลาดดังกล่าวรวมถึงข้อผิดพลาดของแบบจำลอง ( อคติ ) และความแปรปรวนในการสังเกต ซึ่งก็คือความแปรปรวนในการสังเกตแม้กระทั่งในแบบจำลองที่ถูกต้อง
ขั้นตอนสำคัญในการศึกษา QSAR
ขั้นตอนหลักของ QSAR/QSPR ประกอบด้วย: [ 9 ]
- การเลือกชุดข้อมูลและการสกัดตัวบ่งชี้เชิงโครงสร้าง/เชิงประจักษ์
- การเลือกตัวแปร
- การสร้างแบบจำลอง
- การประเมินความถูกต้อง
SAR และความขัดแย้งของ SAR
ข้อสันนิษฐานพื้นฐานสำหรับ สมมติฐานที่อิงตามโมเลกุลทั้งหมดคือ โมเลกุลที่คล้ายคลึงกันจะมีกิจกรรมที่คล้ายคลึงกัน หลักการนี้เรียกอีกอย่างว่า ความสัมพันธ์ระหว่างโครงสร้างและกิจกรรม ( SAR ) ดังนั้น ปัญหาพื้นฐานคือ จะกำหนด ความแตกต่าง เล็กน้อยในระดับโมเลกุลได้อย่างไร เนื่องจากกิจกรรมแต่ละประเภท เช่นความสามารถในการทำปฏิกิริยาความสามารถในการเปลี่ยนแปลงทางชีวภาพ ความสามารถ ในการละลายกิจกรรมเป้าหมาย และอื่นๆ อาจขึ้นอยู่กับความแตกต่างอื่นๆ ตัวอย่างได้ถูกนำเสนอใน บทวิจารณ์ เกี่ยวกับไบโอไอโซสเตอริซึมโดย Patanie/LaVoie [ 15 ]และ Brown [ 16 ]
โดยทั่วไปแล้ว เรามักสนใจค้นหาแนวโน้ม ที่ชัดเจนมากกว่า สมมติฐานที่สร้างขึ้นมักอาศัย สารเคมีจำนวน จำกัดดังนั้นจึงต้องระมัดระวังเพื่อหลีกเลี่ยง การเกิดภาวะ โอเวอร์ฟิตติ้ง (overfitting ) ซึ่งหมายถึงการสร้างสมมติฐานที่สอดคล้องกับข้อมูลฝึกฝนอย่างมาก แต่กลับทำงานได้ไม่ดีเมื่อนำไปใช้กับข้อมูลใหม่
ปรากฏการณ์ SAR paradoxหมายถึงข้อเท็จจริงที่ว่าโมเลกุลที่คล้ายคลึงกันทั้งหมดไม่ได้มีกิจกรรมที่คล้ายคลึงกันเสมอไป[ 17 ]
ประเภท
อิงตามส่วนย่อย (การมีส่วนร่วมของกลุ่ม)
ในทำนองเดียวกัน " สัมประสิทธิ์การแบ่งส่วน " ซึ่งเป็นการวัดความสามารถในการละลายที่แตกต่างกันและเป็นส่วนประกอบหนึ่งของการทำนาย QSAR สามารถทำนายได้โดยวิธีการอะตอม (เรียกว่า "XLogP" หรือ "ALogP") หรือโดยวิธีการชิ้นส่วนทางเคมี (เรียกว่า "CLogP" และรูปแบบอื่นๆ) ได้มีการแสดงให้เห็นแล้วว่าlogPของสารประกอบสามารถกำหนดได้จากผลรวมของชิ้นส่วน วิธีการที่ใช้ชิ้นส่วนโดยทั่วไปได้รับการยอมรับว่าเป็นตัวทำนายที่ดีกว่าวิธีการที่ใช้อะตอม[ 18 ]ค่าชิ้นส่วนได้รับการกำหนดทางสถิติโดยอิงจากข้อมูลเชิงประจักษ์สำหรับค่า logP ที่ทราบ วิธีนี้ให้ผลลัพธ์ที่หลากหลายและโดยทั่วไปไม่น่าเชื่อถือว่ามีความแม่นยำมากกว่า ±0.1 หน่วย[ 19 ]
QSAR แบบกลุ่มหรือแบบชิ้นส่วนเรียกอีกอย่างว่า GQSAR [ 20 ] GQSAR ช่วยให้มีความยืดหยุ่นในการศึกษาชิ้นส่วนโมเลกุลต่างๆ ที่น่าสนใจโดยสัมพันธ์กับการเปลี่ยนแปลงในการตอบสนองทางชีวภาพ ชิ้นส่วนโมเลกุลอาจเป็นสารทดแทนที่ตำแหน่งการทดแทนต่างๆ ในชุดโมเลกุลที่คล้ายคลึงกัน หรืออาจอยู่บนพื้นฐานของกฎทางเคมีที่กำหนดไว้ล่วงหน้าในกรณีของชุดที่ไม่คล้ายคลึงกัน GQSAR ยังพิจารณาตัวบ่งชี้ชิ้นส่วนแบบไขว้ ซึ่งอาจเป็นประโยชน์ในการระบุปฏิสัมพันธ์ของชิ้นส่วนที่สำคัญในการกำหนดการเปลี่ยนแปลงของกิจกรรม[ 20 ] การค้นพบสารนำโดยใช้แฟรกโนมิกส์เป็นกระบวนทัศน์ที่กำลังเกิดขึ้น ในบริบทนี้ FB-QSAR พิสูจน์แล้วว่าเป็นกลยุทธ์ที่น่าสนใจสำหรับการออกแบบไลบรารีชิ้นส่วนและในความพยายามในการระบุชิ้นส่วนไปสู่สารนำ[ 21 ]
มีการพัฒนาแนวทางขั้นสูงสำหรับ QSAR แบบกลุ่มหรือแบบแยกส่วนโดยอิงตามแนวคิดความคล้ายคลึงของฟาร์มาโคฟอร์[ 22 ]วิธีนี้เรียกว่า QSAR แบบอิงความคล้ายคลึงของฟาร์มาโคฟอร์ (PS-QSAR) โดยใช้ตัวบ่งชี้ฟาร์มาโคฟอร์เชิงโทโพโลยีเพื่อพัฒนารูปแบบ QSAR การทำนายกิจกรรมนี้อาจช่วยในการประเมินการมีส่วนร่วมของคุณลักษณะฟาร์มาโคฟอร์บางอย่างที่เข้ารหัสโดยส่วนแยกแต่ละส่วนต่อการปรับปรุงกิจกรรมและ/หรือผลเสีย[ 22 ]
3D-QSAR
คำย่อ3D-QSARหรือ3-D QSARหมายถึงการประยุกต์ใช้ การคำนวณ สนามแรงที่ต้องใช้โครงสร้างสามมิติของชุดโมเลกุลขนาดเล็กที่มีกิจกรรมที่ทราบ (ชุดฝึกอบรม) ชุดฝึกอบรมจำเป็นต้องซ้อนทับ (จัดเรียง) โดยใช้ข้อมูลจากการทดลอง (เช่น อิงตามผลึกศาสตร์ ของลิแกนด์-โปรตีน ) หรือ ซอฟต์แวร์ การซ้อนทับ โมเลกุล โดยใช้ศักยภาพที่คำนวณได้ เช่นศักยภาพของ Lennard-Jonesแทนที่จะใช้ค่าคงที่จากการทดลอง และเกี่ยวข้องกับโมเลกุลโดยรวมมากกว่าตัวแทนเพียงตัวเดียว 3-D QSAR ตัวแรกได้รับการตั้งชื่อว่า Comparative Molecular Field Analysis (CoMFA) โดย Cramer และคณะ โดยตรวจสอบสนามสเตอริก (รูปร่างของโมเลกุล) และสนามไฟฟ้าสถิต[ 23 ]ซึ่งมีความสัมพันธ์กันโดยใช้การถดถอยกำลังสองน้อยที่สุดบางส่วน (PLS)
พื้นที่ข้อมูลที่สร้างขึ้นมักจะลดลงโดยการสกัดคุณลักษณะ ต่อไปนี้ (ดูการลดมิติ ด้วย ) วิธีการเรียนรู้ต่อไปนี้อาจเป็น วิธี การเรียนรู้ของเครื่อง ที่กล่าวถึงไปแล้ว เช่นเครื่องสนับสนุนเวกเตอร์ [ 24 ] แนวทางอื่นใช้การเรียนรู้แบบหลายอินสแตนซ์โดยการเข้ารหัสโมเลกุลเป็นชุดของอินสแตนซ์ข้อมูล ซึ่งแต่ละอินสแตนซ์แสดงถึงโครงสร้างโมเลกุลที่เป็นไปได้ ป้ายกำกับหรือการตอบสนองจะถูกกำหนดให้กับแต่ละชุดที่สอดคล้องกับกิจกรรมของโมเลกุล ซึ่งสันนิษฐานว่าจะถูกกำหนดโดยอย่างน้อยหนึ่งอินสแตนซ์ในชุด (เช่น โครงสร้างบางอย่างของโมเลกุล) [ 25 ]
เมื่อวันที่ 18 มิถุนายน 2554 สิทธิบัตรการวิเคราะห์สนามโมเลกุลเชิงเปรียบเทียบ (CoMFA) ได้ยกเลิกข้อจำกัดใดๆ ในการใช้เทคโนโลยี GRID และวิธีการกำลังสองน้อยที่สุดบางส่วน (PLS)
ตัวบ่งชี้ทางเคมี
ในแนวทางนี้ ตัวบ่งชี้ที่วัดปริมาณคุณสมบัติทางอิเล็กทรอนิกส์ เรขาคณิต หรือสเตอริกต่างๆ ของโมเลกุลจะถูกคำนวณและใช้เพื่อพัฒนา QSAR [ 26 ]แนวทางนี้แตกต่างจากแนวทางส่วนประกอบ (หรือกลุ่ม) ตรงที่ตัวบ่งชี้จะถูกคำนวณสำหรับระบบโดยรวม แทนที่จะคำนวณจากคุณสมบัติของส่วนประกอบแต่ละส่วน แนวทางนี้แตกต่างจากแนวทาง 3D-QSAR ตรงที่ตัวบ่งชี้จะถูกคำนวณจากปริมาณสเกลาร์ (เช่น พลังงาน พารามิเตอร์ทางเรขาคณิต) แทนที่จะคำนวณจากฟิลด์ 3 มิติ
ตัวอย่างของแนวทางนี้คือ QSAR ที่พัฒนาขึ้นสำหรับการพอลิเมอไรเซชันของโอเลฟินโดยใช้สารประกอบครึ่งแซนด์วิช[ 27 ] [ 28 ]
อิงตามสตริง
มีการแสดงให้เห็นว่าการทำนายกิจกรรมสามารถทำได้โดยอาศัยสตริงSMILES เพียงอย่างเดียว [ 29 ] [ 30 ] [ 31 ]
กราฟแบบอิงตาม
เช่นเดียวกับวิธีการที่ใช้สตริง กราฟโมเลกุลสามารถใช้เป็นอินพุตสำหรับโมเดล QSAR ได้โดยตรง[ 32 ] [ 33 ]แต่โดยทั่วไปจะให้ประสิทธิภาพที่ด้อยกว่าเมื่อเทียบกับโมเดล QSAR ที่ใช้ตัวอธิบาย[ 34 ] [ 35 ]
คิว-ราซาร์
QSAR ได้ถูกผสานรวมกับเทคนิคการอ่านข้ามข้อมูลโดยอาศัยความคล้ายคลึงกัน เพื่อพัฒนาเป็นสาขาใหม่ที่เรียกว่าq-RASARห้องปฏิบัติการ DTCที่มหาวิทยาลัย Jadavpurได้พัฒนาวิธีการแบบผสมผสานนี้ขึ้นมา และสามารถดูรายละเอียดได้ที่หน้าเว็บของห้องปฏิบัติการล่าสุด กรอบงาน q-RASAR ได้รับการปรับปรุงให้ดียิ่งขึ้นโดยการบูรณาการกับตัวบ่งชี้ ARKA ใน QSAR
การสร้างแบบจำลอง
ในเอกสารทางวิชาการมักพบว่านักเคมีมักนิยมใช้ วิธีการวิเคราะห์ ส่วนประกอบหลักบางส่วน (Partial Least Squares: PLS) เนื่องจากวิธีการนี้สามารถสกัดและสร้าง คุณลักษณะได้ ในขั้นตอนเดียว
แนวทางการขุดข้อมูล
แบบจำลอง SAR ด้วยคอมพิวเตอร์มักคำนวณคุณลักษณะจำนวนมาก เนื่องจากแบบจำลองเหล่านี้ขาดความสามารถในการตีความโครงสร้าง ขั้นตอนการประมวลผลล่วงหน้าจึงเผชิญกับ ปัญหา การเลือกคุณลักษณะ (เช่น ควรตีความคุณลักษณะโครงสร้างใดเพื่อกำหนดความสัมพันธ์ระหว่างโครงสร้างและกิจกรรม) การเลือกคุณลักษณะสามารถทำได้โดยการตรวจสอบด้วยสายตา (การเลือกเชิงคุณภาพโดยมนุษย์) โดยการขุดค้นข้อมูล หรือโดยการขุดค้นโมเลกุล
โดยทั่วไปแล้ว การทำนายโดยใช้ การทำเหมืองข้อมูลจะใช้เครื่องมือต่างๆ เช่นเครื่องสนับสนุนเวกเตอร์ (Support Vector Machines) , ต้นไม้ตัดสินใจ (Decision Trees) , เครือข่ายประสาทเทียม (Artificial Neural Networks)เพื่อสร้างแบบจำลองการเรียนรู้เชิงทำนาย
แนวทาง การขุดโมเลกุลซึ่งเป็นกรณีพิเศษของ แนวทาง การขุดข้อมูลที่มีโครงสร้างจะใช้การทำนายตามเมทริกซ์ความคล้ายคลึงหรือแผนการแบ่งส่วนอัตโนมัติเป็นโครงสร้างย่อยของโมเลกุล นอกจากนี้ ยังมีแนวทางที่ใช้ การค้นหา กราฟย่อยร่วมสูงสุดหรือเคอร์เนลกราฟอีก ด้วย [ 36 ] [ 37 ]
การวิเคราะห์คู่โมเลกุลที่ตรงกัน
โดยทั่วไปแล้ว โมเดล QSAR ที่ได้มาจากการเรียนรู้ของเครื่องจักรแบบ ไม่เชิงเส้น จะถูกมองว่าเป็น "กล่องดำ" ซึ่งไม่สามารถชี้นำนักเคมีทางการแพทย์ได้ เมื่อเร็วๆ นี้ มีแนวคิดใหม่เกี่ยวกับการวิเคราะห์คู่โมเลกุลที่ตรงกัน[ 38 ]หรือ MMPA ที่ขับเคลื่อนด้วยการทำนาย ซึ่งเชื่อมโยงกับโมเดล QSAR เพื่อระบุจุดเปลี่ยนของกิจกรรม[ 39 ]
การประเมินคุณภาพของแบบจำลอง QSAR
การสร้างแบบจำลอง QSAR สร้างแบบ จำลองการทำนาย ที่ได้มาจากการประยุกต์ใช้เครื่องมือทางสถิติที่เชื่อมโยงกิจกรรมทางชีวภาพ (รวมถึงผลการรักษาที่พึงประสงค์และผลข้างเคียงที่ไม่พึงประสงค์) หรือคุณสมบัติทางกายภาพและเคมีในแบบจำลอง QSAR ของสารเคมี (ยา/สารพิษ/มลพิษทางสิ่งแวดล้อม) กับตัวบ่งชี้ที่เป็นตัวแทนของโครงสร้างโมเลกุลหรือคุณสมบัติ QSAR ถูกนำไปใช้ในหลายสาขาวิชา เช่นการประเมินความเสี่ยงการทำนายความเป็นพิษ และการตัดสินใจด้านกฎระเบียบ[ 40 ]นอกเหนือจากการค้นพบยาและการปรับปรุงสารตั้งต้น[ 41 ]การได้รับแบบจำลอง QSAR ที่มีคุณภาพดีนั้นขึ้นอยู่กับหลายปัจจัย เช่น คุณภาพของข้อมูลป้อนเข้า การเลือกตัวบ่งชี้ และวิธีการทางสถิติสำหรับการสร้างแบบจำลองและการตรวจสอบความถูกต้อง การสร้างแบบจำลอง QSAR ใดๆ ควรนำไปสู่แบบจำลองการทำนายที่แข็งแกร่งทางสถิติและสามารถทำนายการตอบสนองของสารประกอบใหม่ได้อย่างแม่นยำและน่าเชื่อถือ
สำหรับการตรวจสอบความถูกต้องของแบบจำลอง QSAR โดยทั่วไปจะใช้กลยุทธ์ต่างๆ ดังนี้: [ 42 ]
- การตรวจสอบความถูกต้องภายในหรือการตรวจสอบความถูกต้องแบบไขว้ (อันที่จริง ในระหว่างการดึงข้อมูล การตรวจสอบความถูกต้องแบบไขว้เป็นการวัดความแข็งแกร่งของแบบจำลอง ยิ่งแบบจำลองมีความแข็งแกร่งมากเท่าไร (ค่า q2 สูงขึ้น) การดึงข้อมูลก็จะรบกวนแบบจำลองเดิมน้อยลงเท่านั้น)
- การตรวจสอบความถูกต้องภายนอกโดยการแบ่งชุดข้อมูลที่มีอยู่เป็นชุดข้อมูลฝึกฝนสำหรับการพัฒนาแบบจำลองและชุดข้อมูลทำนายสำหรับการตรวจสอบความสามารถในการทำนายของแบบจำลอง
- การตรวจสอบความถูกต้องภายนอกแบบไม่เปิดเผยตัวตน โดยการประยุกต์ใช้แบบจำลองกับข้อมูลภายนอกใหม่ และ
- การสุ่มข้อมูลหรือการสลับค่า Y เพื่อตรวจสอบว่าไม่มีความสัมพันธ์โดยบังเอิญระหว่างผลตอบสนองและตัวแปรอธิบายแบบจำลอง
ความสำเร็จของแบบจำลอง QSAR ใดๆ ขึ้นอยู่กับความแม่นยำของข้อมูลป้อนเข้า การเลือกตัวบ่งชี้และเครื่องมือทางสถิติที่เหมาะสม และที่สำคัญที่สุดคือการตรวจสอบความถูกต้องของแบบจำลองที่พัฒนาขึ้น การตรวจสอบความถูกต้องคือกระบวนการที่สร้างความน่าเชื่อถือและความเกี่ยวข้องของขั้นตอนสำหรับวัตถุประสงค์เฉพาะ สำหรับแบบจำลอง QSAR การตรวจสอบความถูกต้องจะต้องมุ่งเน้นไปที่ความแข็งแกร่ง ประสิทธิภาพการทำนาย และขอบเขตการใช้งาน (AD) ของแบบจำลองเป็น หลัก [ 10 ] [ 11 ] [ 13 ] [ 43 ] [ 44 ]
วิธีการตรวจสอบความถูกต้องบางอย่างอาจมีปัญหา ตัวอย่างเช่น การตรวจสอบความถูกต้องแบบตัดออกทีละชุด ( leave one-out cross-validation) มักนำไปสู่การประเมินความสามารถในการทำนายที่สูงเกินจริง แม้จะมีการตรวจสอบความถูกต้องจากภายนอกแล้ว ก็ยังยากที่จะระบุได้ว่าการเลือกชุดข้อมูลฝึกฝนและชุดข้อมูลทดสอบนั้นถูกบิดเบือนเพื่อเพิ่มความสามารถในการทำนายของแบบจำลองที่เผยแพร่ให้สูงสุดหรือไม่
แง่มุมต่างๆ ของการตรวจสอบความถูกต้องของแบบจำลอง QSAR ที่ต้องให้ความสนใจ ได้แก่ วิธีการเลือกสารประกอบชุดฝึกอบรม[ 45 ]การกำหนดขนาดชุดฝึกอบรม[ 46 ]และผลกระทบของการเลือกตัวแปร[ 47 ] สำหรับแบบจำลองชุดฝึกอบรมเพื่อกำหนดคุณภาพของการทำนาย การพัฒนาพารามิเตอร์การตรวจสอบความถูกต้องใหม่สำหรับการตัดสินคุณภาพของแบบจำลอง QSAR ก็มีความสำคัญเช่นกัน[ 13 ] [ 48 ] [ 49 ]
แอปพลิเคชัน
เคมี
หนึ่งในแอปพลิเคชัน QSPR ทางประวัติศาสตร์แรกๆ (เป็นเงื่อนไขเบื้องต้นของ QSAR) คือการทำนายจุดเดือด[ 50 ]
เป็นที่ทราบกันดีว่า ในกลุ่มสารประกอบทางเคมี กลุ่มหนึ่ง โดยเฉพาะอย่างยิ่งในเคมีอินทรีย์มีความสัมพันธ์ อย่างแน่นแฟ้น ระหว่างโครงสร้างและคุณสมบัติที่สังเกตได้ ตัวอย่างง่ายๆ คือ ความสัมพันธ์ระหว่างจำนวนคาร์บอนในแอลเคนและจุดเดือด ของมัน มีแนวโน้มที่ชัดเจนว่าจุดเดือดจะเพิ่มขึ้นเมื่อจำนวนคาร์บอนเพิ่มขึ้น และนี่เป็นวิธีการหนึ่งในการทำนายจุดเดือดของแอลเคนที่มีจำนวนคาร์บอนมากขึ้น
การประยุกต์ใช้ที่น่าสนใจมากอีกอย่างหนึ่งคือสมการ Hammettสมการ Taftและวิธีการทำนาย pKa [ 51 ]
ชีวภาพ
กิจกรรมทางชีวภาพของโมเลกุลมักจะวัดได้จากการทดสอบเพื่อกำหนดระดับการยับยั้งการส่งสัญญาณหรือวิถีการเผาผลาญ ที่เฉพาะ เจาะจงการค้นพบยามักเกี่ยวข้องกับการใช้ QSAR เพื่อระบุโครงสร้างทางเคมีที่อาจมีผลยับยั้งที่ดีต่อเป้าหมาย ที่เฉพาะเจาะจง และมีความเป็นพิษ ต่ำ (กิจกรรมที่ไม่จำเพาะเจาะจง) สิ่งที่น่าสนใจเป็นพิเศษคือการทำนายค่าสัมประสิทธิ์การแบ่งส่วน log Pซึ่งเป็นการวัดที่สำคัญที่ใช้ในการระบุ " ความเป็นยา " ตามกฎห้าข้อของ Lipinski [ 52 ]
ในขณะที่การวิเคราะห์ความสัมพันธ์เชิงปริมาณระหว่างโครงสร้างและกิจกรรมจำนวนมากเกี่ยวข้องกับปฏิสัมพันธ์ของกลุ่มโมเลกุลกับเอนไซม์หรือ ไซต์การจับตัว รับ QSAR ยังสามารถใช้เพื่อศึกษาปฏิสัมพันธ์ระหว่างโดเมนโครงสร้างของโปรตีนได้อีกด้วย ปฏิสัมพันธ์ระหว่างโปรตีนกับโปรตีนสามารถวิเคราะห์เชิงปริมาณสำหรับการเปลี่ยนแปลงโครงสร้างที่เกิดจากการกลายพันธุ์แบบกำหนดไซต์ได้[ 53 ]
เป็นส่วนหนึ่งของ วิธี การเรียนรู้ของเครื่องจักรเพื่อลดความเสี่ยงของความขัดแย้ง SAR โดยเฉพาะอย่างยิ่งเมื่อพิจารณาว่ามีข้อมูลจำกัดเท่านั้น (ดูMVUE ด้วย ) โดยทั่วไป ปัญหา QSAR ทั้งหมดสามารถแบ่งออกเป็นการเข้ารหัส[ 54 ] และการเรียนรู้[ 55 ]
แอปพลิเคชัน
แบบจำลอง (Q)SAR ถูกนำมาใช้ในการจัดการความเสี่ยง QSAR ได้รับการแนะนำโดยหน่วยงานกำกับดูแล ในสหภาพยุโรป QSAR ได้รับการแนะนำโดย ระเบียบ REACHซึ่ง "REACH" ย่อมาจาก "Registration, Evaluation, Authorisation and Restriction of Chemicals" การประยุกต์ใช้ระเบียบวิธี QSAR ในด้านกฎระเบียบรวมถึงการประเมินความเป็นพิษของสารปนเปื้อนที่ก่อให้เกิดการกลายพันธุ์ในคอมพิวเตอร์[ 56 ]ซอฟต์แวร์ประเมิน QSAR ที่ใช้กันทั่วไป เช่น DEREK หรือ CASE Ultra (MultiCASE) ใช้ในการประเมินความเป็นพิษต่อพันธุกรรมของสารปนเปื้อนตาม ICH M7 [ 57 ]
พื้นที่คำอธิบายทางเคมีที่มีขอบเขตนูนที่สร้างขึ้นโดยชุดฝึกอบรมเฉพาะของสารเคมีเรียกว่าโดเมนการใช้งาน ของชุดฝึกอบรม การทำนายคุณสมบัติของสารเคมีใหม่ที่อยู่นอกโดเมนการใช้งานจะใช้การประมาณค่าภายนอกดังนั้นจึงมีความน่าเชื่อถือน้อยกว่า (โดยเฉลี่ย) การทำนายภายในโดเมนการใช้งาน การประเมินความน่าเชื่อถือของการทำนาย QSAR ยังคงเป็นหัวข้อการวิจัย เนื่องจากยังไม่มีการนำกลยุทธ์ที่เป็นเอกภาพมาใช้โดยผู้สร้างแบบจำลองและหน่วยงานกำกับดูแล[ 58 ]
สมการ QSAR สามารถนำมาใช้ในการทำนายฤทธิ์ทางชีวภาพของโมเลกุลใหม่ๆ ก่อนการสังเคราะห์ได้
ตัวอย่างของเครื่องมือการเรียนรู้ของเครื่องสำหรับการสร้างแบบจำลอง QSAR ได้แก่: [ 59 ]
| ลำดับที่ | ชื่อ | อัลกอริทึม | ลิงก์ภายนอก |
|---|---|---|---|
| 1. | อาร์ | RF, SVM, Naïve Bayesian และ ANN | "R: โครงการ R สำหรับการคำนวณทางสถิติ " |
| 2. | libSVM | เอสวีเอ็ม | "LIBSVM -- ไลบรารีสำหรับเครื่องสนับสนุนเวกเตอร์ " |
| 3. | ส้ม | RF, SVM และ Naïve Bayesian | "Orange Data Mining" . เก็บถาวรจากต้นฉบับเมื่อ 2011-01-10 . เรียกดูเมื่อ2016-03-24 . |
| 4. | แรพิดไมเนอร์ | SVM, RF, Naïve Bayes, DT, ANN และ k-NN | "RapidMiner |แพลตฟอร์มวิเคราะห์เชิงทำนายแบบโอเพนซอร์สอันดับ 1 " |
| 5. | เวก้า | RF, SVM และ Naïve Bayes | "Weka 3 - การขุดค้นข้อมูลด้วยซอฟต์แวร์แมชชีนเลิร์นนิงแบบโอเพนซอร์สในภาษา Java"เก็บถาวรจากต้นฉบับเมื่อ 2011-10-28 เรียกดูเมื่อ2016-03-24 |
| 6. | ไนม์ | DT, Naïve Bayes และ SVM | "KNIME |เปิดรับนวัตกรรม " |
| 7. | AZOrange [ 60 ] | RT, SVM, ANN และ RF | "AZCompTox/AZOrange: ผลิตภัณฑ์เสริมของ AstraZeneca สำหรับ Orange" . GitHub . 19 กันยายน 2018 |
| 8. | ทานากรา | SVM, RF, Naïve Bayes และ DT | "TANAGRA - ซอฟต์แวร์ขุดค้นข้อมูลฟรีสำหรับการสอนและการวิจัย"เก็บถาวรจากต้นฉบับเมื่อ 2017-12-19 เรียกดูเมื่อ2016-03-24 |
| 9. | เอลกี | k-NN | "กรอบงานการขุดข้อมูล ELKI"เก็บถาวรจากต้นฉบับเมื่อวันที่ 19 พฤศจิกายน 2016 |
| 10. | ค้อน | หน้าแรกของ MALLET | |
| 11. | มหกรรม | "MOA Massive Online Analysis |การวิเคราะห์ข้อมูลแบบเรียลไทม์สำหรับสตรีมข้อมูล"เก็บถาวรจากต้นฉบับเมื่อ 19 มิถุนายน 2017 | |
| 12. | เคมีเชิงลึก | การถดถอยโลจิสติกส์, ไบเยสแบบง่าย, RF, ANN และอื่นๆ | "DeepChem" deepchem.ioสืบค้นเมื่อ 20 ตุลาคม 2017 |
| 13. | alvaModel [ 61 ] | การวิเคราะห์การถดถอย ( OLS , PLS , k-NN , SVM , DT , RFและ Consensus) และการวิเคราะห์การจำแนกประเภท ( LDA/QDA , PLS-DA , k-NN , SVM , DT , RFและ Consensus) | "alvaModel: เครื่องมือซอฟต์แวร์สำหรับสร้างแบบจำลอง QSAR/QSPR" . alvascience.com . |
| 14. | scikit-learn ( Python ) [ 62 ] | การถดถอยโลจิสติก, ไบเยสแบบง่าย, kNN, RF, SVM, GP, ANN และอื่นๆ | "SciKit-Learn" . scikit-learn.org . สืบค้นเมื่อ 13 สิงหาคม 2023 . |
| 15. | สคิต-มอล[ 63 ] | การบูรณา การโมเดล Scikit-learnและการสร้างฟีเจอร์ด้วย RDKit | scikit-molบน pypi.org |
| 16. | scikit-fingerprints [ 64 ] | ลายนิ้วมือระดับโมเลกุล API ที่ใช้งานร่วมกับโมเดลScikit-learn ได้ | "scikit-fingerprints" . GitHub . สืบค้นเมื่อ 29 ธันวาคม 2024 . |
| 17. | เครื่องมือห้องปฏิบัติการ DTC | การถดถอยเชิงเส้นหลายตัวแปร, กำลังสองน้อยที่สุดบางส่วน, ขอบเขตการใช้งาน, การตรวจสอบความถูกต้อง และอื่นๆ | "DTCLab Tools" . สืบค้นเมื่อ 12 พฤษภาคม 2025 . |
| 18. | เครื่องมือเสริมสำหรับห้องปฏิบัติการ DTC | เครื่องมือวิเคราะห์เชิงปริมาณแบบ Read-across, q-RASAR, ARKA, เครื่องมือแมชชีนเลิร์นนิงแบบอิงการถดถอยและการจำแนกประเภท และอื่นๆ | "เครื่องมือเสริมของ DTCLab" . สืบค้นเมื่อ12 พฤษภาคม 2568 . |
ดูเพิ่มเติม
- ADME
- เคมีสารสนเทศ
- การออกแบบยาโดยใช้คอมพิวเตอร์ช่วย (CADD)
- ความสัมพันธ์ระหว่างโครงสร้างและกิจกรรม
- ความสามารถในการละลายที่แตกต่างกัน
- การวิเคราะห์คู่โมเลกุลที่ตรงกัน
- ตัวบ่งชี้โมเลกุล
- ซอฟต์แวร์ออกแบบโมเลกุล
- สัมประสิทธิ์การแบ่งส่วน
- เภสัชจลนศาสตร์
- ฟาร์มาโคฟอร์
- คิว-ราซาร์
- ตัวบ่งชี้ ARKA ใน QSAR
- วารสาร วิทยาศาสตร์ QSAR และวิทยาศาสตร์เชิงการจัดเรียง –วารสารทางวิทยาศาสตร์
- ซอฟต์แวร์สำหรับการสร้างแบบจำลองกลศาสตร์โมเลกุล
- Chemicalize.org : รายชื่อคุณสมบัติที่คาดการณ์ตามโครงสร้าง
อ่านเพิ่มเติม
- Selassie CD (2003). "ประวัติความสัมพันธ์เชิงปริมาณระหว่างโครงสร้างและกิจกรรม" (PDF)ใน Abraham DJ (บรรณาธิการ). เคมีทางการแพทย์และการค้นพบยาของเบอร์เกอร์เล่ม 1 ( ฉบับที่ 6). นิวยอร์ก: Wiley. หน้า1–48 . ISBN 978-0-471-27401-8.
- Shityakov S, Puskás I, Roewer N, Förster C, Broscheit J (2014). "การศึกษาความสัมพันธ์เชิงปริมาณโครงสร้าง-กิจกรรมสามมิติและการศึกษาการจับตัวกันของอนุพันธ์แอนโทไซยานินหลายชนิดในฐานะสารยับยั้งไซโตโครม P450 3A4" Advances and Applications in Bioinformatics and Chemistry . 7 : 11– 21. doi : 10.2147/AABC.S56478 . PMC 3970920 . PMID 24741320 .
ลิงก์ภายนอก
- "สมาคมเคมีสารสนเทศและ QSAR" สืบค้นเมื่อ11 พฤษภาคม 2552
- "เซิร์ฟเวอร์ 3D QSAR" . สืบค้นเมื่อ2011-06-18 .
- Verma, Rajeshwar P.; Hansch, Corwin (2007). " Nature Protocols: การพัฒนาแบบจำลอง QSAR โดยใช้โปรแกรม C-QSAR" Protocol Exchange . doi : 10.1038/nprot.2007.125 . เก็บถาวรจากต้นฉบับเมื่อ 2007-05-01 . สืบค้นเมื่อ2009-05-11 .
โปรแกรมการถดถอยที่มีฐานข้อมูลคู่ของแบบจำลอง QSAR มากกว่า 21,000 แบบ
- "QSAR World"เก็บถาวรจากต้นฉบับเมื่อ 25 เมษายน 2552 เรียกดูเมื่อ 11 พฤษภาคม 2552
แหล่งข้อมูลออนไลน์ที่ครอบคลุมสำหรับผู้สร้างแบบจำลอง QSAR
- เครื่องมือเคมีสารสนเทศ (Chemoinformatics Tools) ถูกเก็บถาวรเมื่อวันที่ 4 กรกฎาคม 2017 ที่Wayback Machine , ห้องปฏิบัติการทฤษฎียาและเคมีสารสนเทศ (Drug Theoretics and Cheminformatics Laboratory)
- แผนภาพแบบจำลองเชิงแนวคิดหลายระดับสำหรับ QSAR ในวิทยาศาสตร์ชีวภาพและสิ่งแวดล้อม