ಮಾಲಿಕ್ಯುಲರ್ ಪ್ರಾಪರ್ಟಿ ಪ್ರಿಡಿಕ್ಷನ್ ಮತ್ತು QSAR: ರೆಸಲ್ಯೂಶನ್, pKa ಮತ್ತು ಮಾದರಿ ಮಿತಿಗಳು — ರಸಾಯನಶಾಸ್ತ್ರದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (ಮೂಲ ವಿಜ್ಞಾನ)

ಲಾಭಗಳು:

ನಿರ್ಣಾಯಕವಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡಲಾದ ವೈಶಿಷ್ಟ್ಯಗಳು ಮತ್ತು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಅಂದಾಜಿಸಲಾದ ವೈಶಿಷ್ಟ್ಯಗಳ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸುವ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹ ಮಟ್ಟವನ್ನು ನಿರ್ಧರಿಸುವ ಸಾಮರ್ಥ್ಯ
ಅನ್ವಯಿಕತೆಯ ಡೊಮೇನ್ ಪರಿಕಲ್ಪನೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಮಾದರಿಯು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿರುವ ಪ್ರದೇಶವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ
ಅಭ್ಯರ್ಥಿಗಳನ್ನು ಶ್ರೇಣೀಕರಿಸಲು ಮತ್ತು ಪ್ರಯೋಗದ ಮೂಲಕ ಅಂತಿಮ ನಿರ್ಧಾರವನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಗುಣಲಕ್ಷಣದ ಮುನ್ನೋಟಗಳನ್ನು ಬಳಸಬೇಕು ಎಂದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ.

ಅಣುವನ್ನು ಸಂಶ್ಲೇಷಿಸುವ ಮೊದಲು, ನಾವು ಸಾಮಾನ್ಯವಾಗಿ ಕೇಳುತ್ತೇವೆ: "ಇದು ನೀರಿನಲ್ಲಿ ಕರಗುತ್ತದೆಯೇ? ಅದು ಎಷ್ಟು ಆಮ್ಲೀಯವಾಗಿದೆ? ಇದು ಜೀವಕೋಶದ ಪೊರೆಯನ್ನು ದಾಟುತ್ತದೆಯೇ? ಇದು ಔಷಧಿ ಅಭ್ಯರ್ಥಿಯಾಗಿ ತೋರಿಕೆಯಿದೆಯೇ?" ಪ್ರಯೋಗದ ಮೊದಲು ಈ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಗಳನ್ನು ಊಹಿಸುವುದು ಬಹಳಷ್ಟು ಸಮಯವನ್ನು ಉಳಿಸುತ್ತದೆ. AI ಮತ್ತು ಅದರ ವಿಶೇಷ ಮಾದರಿಗಳು (ವಿಶೇಷವಾಗಿ QSAR — ಕ್ವಾಂಟಿಟೇಟಿವ್ ಸ್ಟ್ರಕ್ಚರ್-ಆಕ್ಟಿವಿಟಿ ರಿಲೇಶನ್‌ಶಿಪ್, ಅಂದರೆ ಅಣುವಿನ ರಚನಾತ್ಮಕ ವಿವರಣೆಗಳಿಂದ ಆಸ್ತಿಯನ್ನು ಮುನ್ಸೂಚಿಸುವ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮಾದರಿ) ಈ ಭವಿಷ್ಯವಾಣಿಗಳಲ್ಲಿ ಶಕ್ತಿಯುತವಾಗಿದೆ. ಆದರೆ ಈ ಮುನ್ನೋಟಗಳು ಸಂಭವನೀಯತೆಯ ಮುನ್ಸೂಚನೆಗಳು, ಮಾಪನಗಳಲ್ಲ. ಈ ಘಟಕದಲ್ಲಿ, ವೈಶಿಷ್ಟ್ಯದ ಭವಿಷ್ಯ, ಅದರ ಸಾಮರ್ಥ್ಯಗಳು ಮತ್ತು ಅತ್ಯಂತ ನಿರ್ಣಾಯಕ ಪರಿಕಲ್ಪನೆ, ಅನ್ವಯಿಕ ವಲಯ (ಮಾದರಿಯು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿರುವ ಪ್ರದೇಶ) ಕುರಿತು ನಾವು ಕಲಿಯುತ್ತೇವೆ.

ಯಾವ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಊಹಿಸಲಾಗಿದೆ?

logP: ಅಣುವಿನ ತೈಲ/ನೀರಿನ ವಿಭಜನಾ ಗುಣಾಂಕ; ಇದು ಲಿಪೊಫಿಲಿಸಿಟಿಯನ್ನು ತೋರಿಸುತ್ತದೆ (ಕೊಬ್ಬಿನ ಇಷ್ಟ). ಔಷಧ ಹೀರಿಕೊಳ್ಳುವಲ್ಲಿ ನಿರ್ಣಾಯಕ.
ಕರಗುವಿಕೆ (ಲಾಗ್ಎಸ್): ಇದು ನೀರಿನಲ್ಲಿ ಎಷ್ಟು ಕರಗುತ್ತದೆ.
pKa: ಆಮ್ಲತೆ/ಕ್ಷಾರತೆ; ಒಂದು ಗುಂಪು ಅಯಾನೀಕರಿಸುವ pH.
TPSA: ಟೋಪೋಲಾಜಿಕಲ್ ಪೋಲಾರ್ ಮೇಲ್ಮೈ ಪ್ರದೇಶ; ಪ್ರವೇಶಸಾಧ್ಯತೆಯ ಅಂದಾಜಿನಲ್ಲಿ ಇದನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.
ಲಿಪಿನ್ಸ್ಕಿ "ಐದು ನಿಯಮ": ಆಣ್ವಿಕ ತೂಕ, ಲಾಗ್‌ಪಿ, ಮೌಖಿಕ ಔಷಧ ಅಭ್ಯರ್ಥಿಗಳ H-ಬಾಂಡ್ ದಾನಿಗಳ/ಸ್ವೀಕರಿಸುವವರ ಸಂಖ್ಯೆಗೆ ಪ್ರಾಯೋಗಿಕ ಮಿತಿಗಳು.

ಈ ಕೆಲವು ಮೌಲ್ಯಗಳನ್ನು RDKit ನಂತಹ ಸಾಧನಗಳೊಂದಿಗೆ ನಿರ್ಣಾಯಕವಾಗಿ (ಉದಾ. TPSA, H-ಬಾಂಡ್ ಸಂಖ್ಯೆಗಳು) ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ; ಅವುಗಳಲ್ಲಿ ಕೆಲವು ಅಂಕಿಅಂಶಗಳ ಅಂದಾಜುಗಳು (ಲಾಗ್ಎಸ್, ಜೈವಿಕ ಚಟುವಟಿಕೆ). ಈ ವ್ಯತ್ಯಾಸವನ್ನು ತಿಳಿದುಕೊಳ್ಳುವುದು ನೀವು ಎಷ್ಟು ನಂಬುತ್ತೀರಿ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ.

ಸಲಹೆ: ವೈಶಿಷ್ಟ್ಯವನ್ನು "ಲೆಕ್ಕಾಚಾರ" (ನಿಯಮ-ಆಧಾರಿತ, ಪುನರಾವರ್ತಿತ) ಅಥವಾ "ಮುನ್ಸೂಚಿಸಲಾಗಿದೆ" (ಮಾದರಿಯಿಂದ, ಅನಿಶ್ಚಿತ) ಎಂಬುದನ್ನು ಪ್ರತ್ಯೇಕಿಸಿ. ಲೆಕ್ಕಾಚಾರಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ವಿಶ್ವಾಸವನ್ನು ಹೊಂದಿರಿ, ಮುನ್ನೋಟಗಳಲ್ಲಿ ಎಚ್ಚರಿಕೆಯ ವಿಶ್ವಾಸವನ್ನು ಹೊಂದಿರಿ ಮತ್ತು ಪ್ರಯೋಗದ ಮೂಲಕ ಭವಿಷ್ಯವಾಣಿಗಳನ್ನು ಪರಿಶೀಲಿಸಿ.

ಅನ್ವಯದ ವ್ಯಾಪ್ತಿ: ಪ್ರಮುಖ ಪರಿಕಲ್ಪನೆ

QSAR ಮಾದರಿಯು ತರಬೇತಿ ಪಡೆದ ಅಣುಗಳಂತೆಯೇ ಇರುವ ಅಣುಗಳ ಮೇಲೆ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ತರಬೇತಿ ಡೇಟಾದಿಂದ (ಉದಾಹರಣೆಗೆ, ಬಹಳ ದೊಡ್ಡದಾದ, ಅಸಾಮಾನ್ಯ ಅಸ್ಥಿಪಂಜರ) ನೀವು ಅಣುವನ್ನು ನೀಡಿದರೆ, ಮಾದರಿಯು ಇನ್ನೂ ಸಂಖ್ಯೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ಆದರೆ ಆ ಸಂಖ್ಯೆಯು ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ. ಇದನ್ನು "ಅನ್ವಯತೆಯ ವ್ಯಾಪ್ತಿಯಿಂದ ಹೊರಗಿರುವುದು" ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಮಾದರಿ ಯಾವಾಗಲೂ ಉತ್ತರವನ್ನು ನೀಡುತ್ತದೆ; ಉತ್ತರವು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿದೆಯೇ ಅಥವಾ ಇಲ್ಲವೇ ಎಂದು ಹೇಳುವುದು ನಿಮ್ಮ ಕೆಲಸ.

ಭಾಷಾ ಮಾದರಿಯು ಗುಣಲಕ್ಷಣದ ಮೌಲ್ಯವನ್ನು ನೀಡಿದಾಗ ಅದು ಇನ್ನೂ ಅಪಾಯಕಾರಿಯಾಗಿದೆ: ಇದು ಯಾವುದೇ ಆಧಾರವಾಗಿರುವ ಲೆಕ್ಕಾಚಾರವಿಲ್ಲದೆ ಸಂಖ್ಯೆಯನ್ನು "ಸಂಭವನೀಯವಾಗಿ ಕಾಣುವ" ಮೌಲ್ಯವಾಗಿ ಉತ್ಪಾದಿಸುತ್ತದೆ. ಆದ್ದರಿಂದ ಸಾಧ್ಯವಾದರೆ, ಡಿಟರ್ಮಿನಿಸ್ಟಿಕ್ ಟೂಲ್ (RDKit) ಅಥವಾ ಅನಿಶ್ಚಿತತೆಯನ್ನು ನೀಡುವ QSAR ಮಾದರಿಯಿಂದ ವೈಶಿಷ್ಟ್ಯದ ಮೌಲ್ಯಗಳನ್ನು ಪಡೆಯಿರಿ, ಭಾಷಾ ಮಾದರಿಯಿಂದ ಅಲ್ಲ.

ಹಂತ ಹಂತವಾಗಿ: ಸುರಕ್ಷಿತ ವೈಶಿಷ್ಟ್ಯದ ಮುನ್ಸೂಚನೆ

ಅಣುವನ್ನು ಪರಿಶೀಲಿಸಿ: RDKit (ಘಟಕ 2) ನೊಂದಿಗೆ SMILES ಅನ್ನು ಪಾರ್ಸ್ ಮಾಡಿ.
ನಿರ್ಣಾಯಕವಾದವುಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ: MA, logP (ಲೆಕ್ಕ), TPSA, RDKit ನಿಂದ H-ಬಾಂಡ್ ಸಂಖ್ಯೆಗಳು.
ಭವಿಷ್ಯವಾಣಿಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಗುರುತಿಸಿ: ಲಾಗ್‌ಎಸ್, ಚಟುವಟಿಕೆ, ಇತ್ಯಾದಿಗಳಂತಹ ಮಾದರಿ ಮುನ್ನೋಟಗಳನ್ನು "ಪ್ರಿಡಿಕ್ಷನ್" ಟ್ಯಾಗ್‌ನೊಂದಿಗೆ ಇರಿಸಿ.
ಅನ್ವಯಿಸುವ ಡೊಮೇನ್ ಅನ್ನು ಪರಿಶೀಲಿಸಿ: ಅಣುವು ತರಬೇತಿ ಡೇಟಾದಂತೆ ಕಾಣುತ್ತದೆಯೇ? ಇದು ತುಂಬಾ ದೊಡ್ಡದು/ಅಸಾಮಾನ್ಯವೇ?
ಶ್ರೇಯಾಂಕಕ್ಕಾಗಿ ಬಳಸಿ, ನಿರ್ಧಾರವಲ್ಲ: ಅಭ್ಯರ್ಥಿಗಳನ್ನು ಶ್ರೇಣೀಕರಿಸಲು ಮುನ್ನೋಟಗಳನ್ನು ಬಳಸಿ; ಅಂತಿಮ ಆಯ್ಕೆಯು ಪ್ರಯೋಗವಾಗಿದೆ.
ಪ್ರಯೋಗದ ಮೂಲಕ ಮುಚ್ಚಿ: ಮಾಪನದ ಮೂಲಕ ನಿರ್ಣಾಯಕ ಗುಣಲಕ್ಷಣಗಳನ್ನು (ದ್ರಾವ್ಯತೆ, pKa) ಪರಿಶೀಲಿಸಿ.

ನಾಲ್ಕು ನಕಲಿಸಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

1) RDKit ನೊಂದಿಗೆ ನಿರ್ಣಾಯಕ ವೈಶಿಷ್ಟ್ಯಗಳು:

rdkit ಇಂಪೋರ್ಟ್ Chemfrom rdkit.Chem ಇಂಪೋರ್ಟ್ ಡಿಸ್ಕ್ರಿಪ್ಟರ್ಸ್, rdMolDescriptorsmol = Chem.MolFromSmiles("CC(=O)Oc1cccc1C(=O)O") # aspirinprint("MA:", round(Descriptors.MolWt(mol),2)) ಸುತ್ತು(Descriptors.MolLogP(mol),2))ಮುದ್ರಣ("TPSA:", ಸುತ್ತು(Descriptors.TPSA(mol),1))ಪ್ರಿಂಟ್("H-ಬಾಂಡ್ ಡೋನರ್:", rdMolDescriptors.CalcNumHBD(mol))print("H-ಬಾಂಡ್ ಸ್ವೀಕಾರ:", rdHBACMolDle)

2) ಲಿಪಿನ್ಸ್ಕಿ ನಿಯಮದ ಮೌಲ್ಯಮಾಪನ:

ಮಾಲಿಕ್ಯೂಲ್ (ಸ್ಮೈಲ್ಸ್): [ಸ್ಮೈಲ್ಸ್] ಕಾರ್ಯ: RDKit ನಿಂದ ಲೆಕ್ಕಾಚಾರ ಮಾಡಬೇಕಾದ MA, logP, HBD, HBA ಮೌಲ್ಯಗಳೊಂದಿಗೆ ಐದು ಲಿಪಿನ್ಸ್ಕಿ ನಿಯಮದ ಅನುಸರಣೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ. ಪ್ರತಿ ಮಾನದಂಡವನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಪಾಸ್/ಫೇಲ್ ಎಂದು ಗುರುತಿಸಿ. ನಿಯಮ: ಸಂಖ್ಯೆಗಳನ್ನು ರೂಪಿಸಬೇಡಿ; ನಾನು ಅದನ್ನು RDKit ನಿಂದ ಪಡೆಯುತ್ತೇನೆ, ನೀವು ಕಾಮೆಂಟ್ ಮಾಡಿ.

3) ವೈಶಿಷ್ಟ್ಯದ ಅಂದಾಜು + ಅನಿಶ್ಚಿತತೆಯ ವಿನಂತಿ:

ಅಣು (ಸ್ಮೈಲ್ಸ್): [ಸ್ಮೈಲ್ಸ್] ಕಾರ್ಯ: ನೀರಿನ ಕರಗುವಿಕೆಯ ಗುಣಾತ್ಮಕ ಅಂದಾಜನ್ನು ನೀಡಿ (ಲಾಗ್‌ಎಸ್) (ಹೆಚ್ಚಿನ/ಮಧ್ಯಮ/ಕಡಿಮೆ) ಮತ್ತು ರಚನಾತ್ಮಕ ವೈಶಿಷ್ಟ್ಯಗಳೊಂದಿಗೆ ತಾರ್ಕಿಕತೆಯನ್ನು ವಿವರಿಸಿ. ನಿಖರವಾದ ಸಂಖ್ಯೆಯನ್ನು ನೀಡಬೇಡಿ; ಇದು ಒಂದು ಮುನ್ಸೂಚನೆ ಮತ್ತು ಪ್ರಯೋಗದ ಮೂಲಕ ದೃಢೀಕರಿಸುವ ಅಗತ್ಯವಿದೆ ಎಂದು ತಿಳಿಸಿ. ಅಣು ಅಸಾಮಾನ್ಯ ರಚನೆಯನ್ನು ಹೊಂದಿದ್ದರೆ ಎಚ್ಚರಿಕೆ ನೀಡಿ (ಅನ್ವಯಿಕತೆಯ ಅಪಾಯ).

4) ಅಭ್ಯರ್ಥಿ ಶ್ರೇಯಾಂಕ (ಭವಿಷ್ಯದ ಮೂಲಕ ಆದ್ಯತೆ):

ಕೆಳಗೆ 5 ಅಣುಗಳ ಸ್ಮೈಲ್‌ಗಳಿವೆ. ಕಾರ್ಯ: ರಚನಾತ್ಮಕ ವೈಶಿಷ್ಟ್ಯಗಳ (ಧ್ರುವೀಯ ಗುಂಪುಗಳ ಸಂಖ್ಯೆ, ಉಂಗುರಗಳು, ಲಿಪೊಫಿಲಿಸಿಟಿ) ಆಧಾರದ ಮೇಲೆ ನೀರಿನಲ್ಲಿ ಕರಗುವ (ಅತ್ಯಂತ ಕರಗುವ ಅಥವಾ ಕನಿಷ್ಠ) ವಿಷಯದಲ್ಲಿ ಅವುಗಳನ್ನು ಶ್ರೇಣೀಕರಿಸಿ. ಪ್ರತಿ ಶ್ರೇಯಾಂಕದ ನಿರ್ಧಾರಕ್ಕೆ ಸಮರ್ಥನೆಯನ್ನು ಬರೆಯಿರಿ. ಗಮನಿಸಿ: ಇದು ಪ್ರಾಥಮಿಕ ವಿಧವಾಗಿದೆ ಅಂತಿಮ ಆಯ್ಕೆಯನ್ನು ಮಾಪನದಿಂದ ಮಾಡಲಾಗುತ್ತದೆ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ:

ಈ ಅಣುವಿನ ಕರಗುವಿಕೆ ಏನು?

AI ಲೆಕ್ಕಾಚಾರದ ಅಡಿಯಲ್ಲಿ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ಸಂಖ್ಯೆಯನ್ನು ರೂಪಿಸುತ್ತದೆ (ಉದಾ. "12 mg/mL"); ಇದು ಆತ್ಮವಿಶ್ವಾಸವನ್ನು ನೀಡುತ್ತದೆ ಆದರೆ ತಪ್ಪಾಗಿರಬಹುದು.

ಪ್ರಬಲ:

ಅಣುಗಳು (ಸ್ಮೈಲ್ಸ್): [ಸ್ಮೈಲ್ಸ್].ಕಾರ್ಯ: 1) RDKit ನೊಂದಿಗೆ ಲೆಕ್ಕಹಾಕಲು ನಾನು logP, TPSA, HBD/HBA ಅನ್ನು ನೀಡುತ್ತೇನೆ: [ಮೌಲ್ಯಗಳು].2) ಈ ಮೌಲ್ಯಗಳ ಆಧಾರದ ಮೇಲೆ, ರೆಸಲ್ಯೂಶನ್ ಹೆಚ್ಚು/ಮಧ್ಯಮ/ಕಡಿಮೆಯಾಗಿದೆಯೇ ಎಂಬುದನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳಿ.3) ನಿಖರವಾದ ಸಂಖ್ಯೆಯನ್ನು ನೀಡುವುದು; ಇದು ಊಹೆ ಮತ್ತು ಪ್ರಯೋಗಗಳ ಅಗತ್ಯವಿದೆ ಎಂದು ತಿಳಿಸಿ.

ವ್ಯತ್ಯಾಸ: ನಾವು ವಾಹನದಿಂದ ನಿರ್ಣಾಯಕ ಮೌಲ್ಯಗಳನ್ನು ತೆಗೆದುಕೊಂಡಿದ್ದೇವೆ ಮತ್ತು AI ಅವುಗಳನ್ನು ಅರ್ಥೈಸುವಂತೆ ಮಾಡಿದೆವು; ನಾವು ಅನಿಶ್ಚಿತತೆ ಮತ್ತು ಪ್ರಯೋಗದ ಅಗತ್ಯವನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಕೇಳಿದ್ದೇವೆ.

ವೈಶಿಷ್ಟ್ಯದ ಪ್ರಕಾರಗಳು ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹ ಮಟ್ಟ

ವೈಶಿಷ್ಟ್ಯ

ಹೇಗೆ ಪಡೆಯುವುದು

ನಂಬಿಕೆ

ಗಮನಿಸಿ

ಆಣ್ವಿಕ ತೂಕ

RDKit (ನಿರ್ಣಾಯಕ)

ತುಂಬಾ ಹೆಚ್ಚು

ಸೂತ್ರದಿಂದ ಕತ್ತರಿಸಿ

TPSA, HBD/HBA

RDKit (ನಿರ್ಣಾಯಕ)

ಹೆಚ್ಚು

ನಿಯಮ ಆಧಾರಿತ

logP (ಲೆಕ್ಕಾಚಾರ)

RDKit ಮಾದರಿ

ಮಧ್ಯಮ-ಎತ್ತರದ

ಪ್ರಾಯೋಗಿಕವಾಗಿ ವಿಪಥಗೊಳ್ಳಬಹುದು

ಲಾಗ್ಎಸ್ (ರೆಸಲ್ಯೂಶನ್)

QSAR ಅಂದಾಜು

ಮಧ್ಯಮ

ಅನ್ವಯಿಸುವ ಪ್ರದೇಶವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ

pKa

ವಿಶೇಷ ಮಾದರಿ

ಮಧ್ಯಮ

ಇದು ಸಂಕೀರ್ಣ ರಚನೆಯಲ್ಲಿ ಬೀಳುತ್ತದೆ

ಜೈವಿಕ ಚಟುವಟಿಕೆ

QSAR/ML

ವೇರಿಯಬಲ್

ಪರೀಕ್ಷಿಸಲು ಮತ್ತು ಪರಿಶೀಲಿಸಲು ಮರೆಯದಿರಿ

ಮಿನಿ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ಅಳವಡಿಸಲಾದ ನಿರ್ಣಯಗಳ ಸಂಖ್ಯೆ. ವಿದ್ಯಾರ್ಥಿಯೊಬ್ಬ ಸಂಯುಕ್ತದ ಕರಗುವಿಕೆಯ ಬಗ್ಗೆ AI ಯನ್ನು ಕೇಳಿದನು; ಅವರು "25 mg/mL" ಉತ್ತರವನ್ನು ಪಡೆದರು ಮತ್ತು ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಪ್ರಾಯೋಗಿಕ ವಿನ್ಯಾಸವನ್ನು ಸ್ಥಾಪಿಸಿದರು. ಮಾಪನದಲ್ಲಿ ನಿಜವಾದ ಮೌಲ್ಯವು ~2 mg/mL, 10-ಪಟ್ಟು ವ್ಯತ್ಯಾಸವಾಗಿದೆ. AI ಸಂಖ್ಯೆಯನ್ನು ರಚಿಸಿದೆ. ಪಾಠ: ರೆಸಲ್ಯೂಶನ್‌ನಂತಹ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಭಾಷಾ ಮಾದರಿಯಿಂದ ಸಂಖ್ಯೆಗಳಾಗಿ ತೆಗೆದುಕೊಳ್ಳಬೇಡಿ; ಗುಣಾತ್ಮಕ ಭವಿಷ್ಯ + ಮಾಪನ.

ಪ್ರಕರಣ 2 - ಅನ್ವಯದ ವ್ಯಾಪ್ತಿಯ ಹೊರಗೆ. ಒಂದು QSAR ಮಾದರಿಯು "ಚಟುವಟಿಕೆಯು ಅಧಿಕವಾಗಿದೆ" ಎಂದು ದೊಡ್ಡ ಮ್ಯಾಕ್ರೋಮಾಲಿಕ್ಯೂಲ್‌ಗೆ ಹೇಳಿತು, ಅದು ತರಬೇತಿ ಸೆಟ್‌ಗಿಂತ ತುಂಬಾ ಭಿನ್ನವಾಗಿದೆ. ಅಣುವು ತರಬೇತಿ ಡೇಟಾವನ್ನು ಹೋಲುವುದಿಲ್ಲ ಎಂದು ಬಳಕೆದಾರರು ಗಮನಿಸಿದರು ಮತ್ತು ಭವಿಷ್ಯವನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲವೆಂದು ಪರಿಗಣಿಸಿದರು; ಪ್ರಯೋಗವು ನಿಜವಾಗಿಯೂ ಕಡಿಮೆ ಚಟುವಟಿಕೆಯನ್ನು ನೀಡಿತು. ಪಾಠ: ಮಾದರಿ ಯಾವಾಗಲೂ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ; ಇದು ವ್ಯಾಪ್ತಿಯಿಂದ ಹೊರಗಿದ್ದರೆ, ಉತ್ತರವು ನಿಷ್ಪ್ರಯೋಜಕವಾಗಿದೆ.

ಪ್ರಕರಣ 3 - ಲಿಪಿನ್ಸ್ಕಿಯ ಸರಿಯಾದ ಬಳಕೆ. ಒಂದು ಅಭ್ಯರ್ಥಿ ಅಣುವಿನಲ್ಲಿ, AI ಲಿಪಿನ್ಸ್ಕಿಯನ್ನು RDKit ನಿಂದ ಮೌಲ್ಯಗಳೊಂದಿಗೆ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದೆ: MA 512 (>500, ಬಾರ್ಡರ್‌ಲೈನ್), logP 4.8 (ಅನುಕೂಲಕರ), HBD 2, HBA 7. ಬಳಕೆದಾರರು "ಒಂದು ಮಾನದಂಡ ಉಳಿದಿದೆ ಆದರೆ ನಿಯಮವು ಸಂಪೂರ್ಣವಲ್ಲ" ಮತ್ತು ಅಣುವಿಗೆ ಸಂಪೂರ್ಣವಾಗಿ ನಿರ್ಮೂಲನೆ ಮಾಡಲಿಲ್ಲ. ಪಾಠ: ನಿಯಮಗಳು ಮಾರ್ಗಸೂಚಿಗಳು, ಮಿತಿಗಳಲ್ಲ; ಸಂದರ್ಭದೊಂದಿಗೆ ವ್ಯಾಖ್ಯಾನಿಸಿ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

ಭಾಷಾ ಮಾದರಿಯಿಂದ ವೈಶಿಷ್ಟ್ಯದ ಎಣಿಕೆಯನ್ನು ಪಡೆಯುವುದು. ಲೆಕ್ಕ ಹಾಕದ ಮೌಲ್ಯಗಳನ್ನು ನಿರ್ಮಿಸಲಾಗಿದೆ; ಅನಿಶ್ಚಿತತೆಯೊಂದಿಗೆ ನಿರ್ಣಾಯಕ ಸಾಧನ ಅಥವಾ ಮಾದರಿಯನ್ನು ಬಳಸಿ.
ಅನ್ವಯಿಸುವ ಕ್ಷೇತ್ರವನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತಿದೆ. ಮಾದರಿಯು ಪ್ರತಿ ಅಣುವಿಗೆ ಸಂಖ್ಯೆಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಕ್ಷೇತ್ರದ ಹೊರಗೆ ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ.
ಅಂದಾಜು ಅಳತೆಯನ್ನು ಪರಿಗಣಿಸಿ. logS ಒಂದು ಅಂದಾಜು; ಇದು ಪ್ರಾಯೋಗಿಕ ನಿರ್ಣಯಕ್ಕೆ ಪರ್ಯಾಯವಲ್ಲ.
ಲಿಪಿನ್ಸ್ಕಿಯನ್ನು ಸಂಪೂರ್ಣ ನಿಯಮವನ್ನು ಪರಿಗಣಿಸಿ. ಗಡಿಯಲ್ಲಿರುವ ಅಭ್ಯರ್ಥಿಯನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಹೊರಹಾಕಲಾಗುವುದಿಲ್ಲ; ಅನೇಕ ಔಷಧಿಗಳು ನಿಯಮವನ್ನು ಉಲ್ಲಂಘಿಸುತ್ತವೆ.
"ಅಂದಾಜು" ದೊಂದಿಗೆ "ಲೆಕ್ಕ" ಗೊಂದಲಗೊಳಿಸುವುದು. TPSA ಅನ್ನು ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ (ವಿಶ್ವಾಸಾರ್ಹ), ಚಟುವಟಿಕೆಯನ್ನು ಅಂದಾಜಿಸಲಾಗಿದೆ (ಅನಿಶ್ಚಿತ).

ಎಚ್ಚರಿಕೆ: ಅಭ್ಯರ್ಥಿಗಳಿಗೆ ಶ್ರೇಯಾಂಕ ನೀಡಲು ಮತ್ತು ಆದ್ಯತೆ ನೀಡಲು ವೈಶಿಷ್ಟ್ಯದ ಮುನ್ನೋಟಗಳು ಉತ್ತಮವಾಗಿವೆ; ಆದರೆ ನಿರ್ಧಾರವನ್ನು ಮಾತ್ರ ನಿರ್ಧರಿಸಲು ಅಲ್ಲ. "ಮಾಡೆಲ್ ಹೇಳಿದರು ಕರಗಬಲ್ಲದು" ಎಂಬುದು ಒಂದು ಊಹೆಯಾಗಿದೆ; "ನಾನು ಅಳತೆ ಮಾಡಿದ್ದೇನೆ, ಅದು ಕರಗುತ್ತದೆ" ಎಂಬುದು ಫಲಿತಾಂಶವಾಗಿದೆ.

ಸಾರಾಂಶದಲ್ಲಿ

ಪ್ರಯೋಗದ ಮೊದಲು ಆಣ್ವಿಕ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಊಹಿಸಬಹುದು ಮತ್ತು ಸಾಕಷ್ಟು ಸಮಯವನ್ನು ಉಳಿಸುತ್ತದೆ.
ಕೆಲವು ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ನಿರ್ಣಾಯಕವಾಗಿ ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ (MA, TPSA, HBD/HBA), ಕೆಲವು ಅಂಕಿಅಂಶಗಳ ಅಂದಾಜುಗಳು (ಲಾಗ್ಎಸ್, ಚಟುವಟಿಕೆ).
ಅನ್ವಯಿಕತೆಯ ಡೊಮೇನ್ ಅತ್ಯಂತ ನಿರ್ಣಾಯಕ ಪರಿಕಲ್ಪನೆಯಾಗಿದೆ: ಮಾದರಿಯು ಯಾವಾಗಲೂ ಉತ್ತರಿಸುತ್ತದೆ, ಆದರೆ ಡೊಮೇನ್‌ನ ಹೊರಗೆ ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ.
RDKit ಅಥವಾ ದ್ವಂದ್ವಾರ್ಥ ಮಾದರಿಯಿಂದ ವೈಶಿಷ್ಟ್ಯದ ಎಣಿಕೆಗಳನ್ನು ಪಡೆಯಿರಿ, ಭಾಷಾ ಮಾದರಿಯಿಂದಲ್ಲ.
ಅಭ್ಯರ್ಥಿಗಳನ್ನು ಶ್ರೇಣೀಕರಿಸಲು ಮುನ್ನೋಟಗಳನ್ನು ಬಳಸಿ; ಪ್ರಯೋಗದ ಮೂಲಕ ಅಂತಿಮ ನಿರ್ಧಾರವನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಐದು ಅಣುಗಳನ್ನು ಆಯ್ಕೆಮಾಡಿ (ಉದಾ. ಔಷಧ ಸರಣಿ). RDKit ನೊಂದಿಗೆ ಪ್ರತಿಯೊಂದಕ್ಕೂ MA, logP, TPSA, HBD, HBA ಅನ್ನು ಲೆಕ್ಕಹಾಕಿ ಮತ್ತು ಲಿಪಿನ್ಸ್ಕಿಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ. ಪ್ರತ್ಯೇಕವಾಗಿ, ಪ್ರತಿ ಅಣುವಿನ ಕರಗುವಿಕೆಯ ಗುಣಾತ್ಮಕ ಅಂದಾಜನ್ನು (ಸಂಖ್ಯೆಯಲ್ಲ) ಮತ್ತು ಅನ್ವಯಿಸುವ ಎಚ್ಚರಿಕೆಯ ಕ್ಷೇತ್ರಕ್ಕಾಗಿ AI ಅನ್ನು ಕೇಳಿ. ಕೋಷ್ಟಕದಲ್ಲಿ ನಿರ್ಣಾಯಕ ಮೌಲ್ಯಗಳು ಮತ್ತು AI ಮುನ್ಸೂಚನೆಗಳನ್ನು ಸಂಗ್ರಹಿಸಿ. ಯಾವ ಅಣುವು ಹೆಚ್ಚು ಔಷಧದಂತಹ ಪ್ರೊಫೈಲ್ ಅನ್ನು ನೀಡಿದೆ? ಅನಿಶ್ಚಿತತೆ ಎಲ್ಲಿದೆ?

ಪರಿಶೀಲನಾಪಟ್ಟಿ

[ ] ನಾನು ನಿರ್ಣಾಯಕ ಲೆಕ್ಕಾಚಾರ ಮತ್ತು ಭವಿಷ್ಯ ಗುಣಲಕ್ಷಣಗಳ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸುತ್ತೇನೆ.
[ ] ನಾನು ಆಸ್ತಿ ಮೌಲ್ಯಗಳನ್ನು RDKit/ಮಾದರಿಯಿಂದ ಪಡೆಯುತ್ತಿದ್ದೇನೆ, ಭಾಷಾ ಮಾದರಿಯಿಂದಲ್ಲ.
[ ] ನಾನು ಅನ್ವಯಿಕತೆಯ ವ್ಯಾಪ್ತಿಯ ಹೊರಗಿನ ಅಣುಗಳನ್ನು ಗಮನಿಸುತ್ತೇನೆ.
[ ] ನಾನು ಲಿಪಿನ್ಸ್ಕಿಯನ್ನು ಮಾರ್ಗದರ್ಶಿಯಾಗಿ ಬಳಸುತ್ತೇನೆ, ಸಂಪೂರ್ಣ ನಿಯಮವಲ್ಲ.
[ ] ನಾನು ಶ್ರೇಯಾಂಕಕ್ಕಾಗಿ ಮುನ್ಸೂಚನೆಗಳನ್ನು ಮತ್ತು ಪ್ರಯೋಗಕ್ಕಾಗಿ ನಿರ್ಧಾರವನ್ನು ಬಳಸುತ್ತೇನೆ.
[ ] ನಿರ್ಣಾಯಕ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಮಾಪನದ ಮೂಲಕ ಪರಿಶೀಲಿಸುವ ಯೋಜನೆಯನ್ನು ನಾನು ಹೊಂದಿದ್ದೇನೆ.