ਲਾਭ:
- ਨਿਰਧਾਰਿਤ ਤੌਰ 'ਤੇ ਗਣਨਾ ਕੀਤੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਅੰਕੜਾਤਮਕ ਤੌਰ 'ਤੇ ਅਨੁਮਾਨਿਤ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਵਿਸ਼ਵਾਸ ਦੇ ਪੱਧਰਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਦੀ ਯੋਗਤਾ
- ਉਪਯੋਗਤਾ ਡੋਮੇਨ ਦੀ ਧਾਰਨਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਉਸ ਖੇਤਰ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਜਿਸ ਵਿੱਚ ਮਾਡਲ ਭਰੋਸੇਯੋਗ ਹੈ
- ਇਹ ਸਮਝਣ ਦੀ ਯੋਗਤਾ ਕਿ ਕਿਸੇ ਨੂੰ ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਦਰਜਾਬੰਦੀ ਕਰਨ ਅਤੇ ਪ੍ਰਯੋਗ ਦੁਆਰਾ ਅੰਤਿਮ ਫੈਸਲਾ ਕਰਨ ਲਈ ਵਿਸ਼ੇਸ਼ਤਾ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ।
ਇੱਕ ਅਣੂ ਦੇ ਸੰਸਲੇਸ਼ਣ ਤੋਂ ਪਹਿਲਾਂ, ਅਸੀਂ ਅਕਸਰ ਪੁੱਛਦੇ ਹਾਂ: "ਕੀ ਇਹ ਪਾਣੀ ਵਿੱਚ ਘੁਲਣਸ਼ੀਲ ਹੈ? ਇਹ ਕਿੰਨਾ ਤੇਜ਼ਾਬੀ ਹੈ? ਕੀ ਇਹ ਸੈੱਲ ਝਿੱਲੀ ਨੂੰ ਪਾਰ ਕਰਦਾ ਹੈ? ਕੀ ਇਹ ਇੱਕ ਡਰੱਗ ਉਮੀਦਵਾਰ ਦੇ ਰੂਪ ਵਿੱਚ ਪ੍ਰਸੰਸਾਯੋਗ ਹੈ?" ਪ੍ਰਯੋਗ ਤੋਂ ਪਹਿਲਾਂ ਇਹਨਾਂ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਨਾਲ ਬਹੁਤ ਸਮਾਂ ਬਚਦਾ ਹੈ। AI ਅਤੇ ਇਸਦੇ ਵਿਸ਼ੇਸ਼ ਮਾਡਲ (ਖਾਸ ਤੌਰ 'ਤੇ QSAR - ਮਾਤਰਾਤਮਕ ਢਾਂਚਾ-ਸਰਗਰਮੀ ਸਬੰਧ, ਭਾਵ ਅੰਕੜਾ ਮਾਡਲ ਜੋ ਅਣੂ ਦੇ ਸੰਰਚਨਾਤਮਕ ਵਰਣਨਕਰਤਾਵਾਂ ਤੋਂ ਕਿਸੇ ਵਿਸ਼ੇਸ਼ਤਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ) ਇਹਨਾਂ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਵਿੱਚ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹਨ। ਪਰ ਇਹ ਭਵਿੱਖਬਾਣੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਹਨ, ਨਾਪਾਂ ਦੀਆਂ ਨਹੀਂ। ਇਸ ਇਕਾਈ ਵਿੱਚ, ਅਸੀਂ ਵਿਸ਼ੇਸ਼ਤਾ ਪੂਰਵ-ਅਨੁਮਾਨ, ਇਸ ਦੀਆਂ ਸ਼ਕਤੀਆਂ ਅਤੇ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਸੰਕਲਪ, ਉਪਯੋਗਤਾ ਖੇਤਰ (ਉਹ ਖੇਤਰ ਜਿੱਥੇ ਮਾਡਲ ਭਰੋਸੇਯੋਗ ਹੈ) ਬਾਰੇ ਸਿੱਖਾਂਗੇ।
ਕਿਹੜੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਗਈ ਹੈ?
- logP: ਅਣੂ ਦਾ ਤੇਲ/ਪਾਣੀ ਭਾਗ ਗੁਣਾਂਕ; ਇਹ ਲਿਪੋਫਿਲਿਸਿਟੀ (ਚਰਬੀ ਪਸੰਦ) ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਡਰੱਗ ਸਮਾਈ ਵਿੱਚ ਨਾਜ਼ੁਕ.
- ਘੁਲਣਸ਼ੀਲਤਾ (logS): ਇਹ ਪਾਣੀ ਵਿੱਚ ਕਿੰਨਾ ਘੁਲਣਸ਼ੀਲ ਹੈ।
- pKa: ਐਸਿਡਿਟੀ/ਖਾਰੀਤਾ; pH ਜਿਸ 'ਤੇ ਇੱਕ ਸਮੂਹ ionize ਕਰਦਾ ਹੈ।
- TPSA: ਟੌਪੋਲੋਜੀਕਲ ਪੋਲਰ ਸਤਹ ਖੇਤਰ; ਇਹ ਪਾਰਦਰਸ਼ੀਤਾ ਅਨੁਮਾਨ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
- ਲਿਪਿੰਸਕੀ "ਪੰਜ ਦਾ ਨਿਯਮ": ਅਣੂ ਭਾਰ, ਲੌਗਪੀ, ਮੌਖਿਕ ਡਰੱਗ ਉਮੀਦਵਾਰਾਂ ਦੇ ਐਚ-ਬਾਂਡ ਦਾਨੀਆਂ / ਸਵੀਕਾਰ ਕਰਨ ਵਾਲਿਆਂ ਦੀ ਗਿਣਤੀ ਲਈ ਵਿਹਾਰਕ ਥ੍ਰੈਸ਼ਹੋਲਡ।
ਇਹਨਾਂ ਵਿੱਚੋਂ ਕੁਝ ਮੁੱਲਾਂ ਦੀ ਗਣਨਾ ਨਿਰਧਾਰਿਤ ਤੌਰ 'ਤੇ ਕੀਤੀ ਜਾਂਦੀ ਹੈ (ਜਿਵੇਂ ਕਿ TPSA, H-ਬਾਂਡ ਨੰਬਰ) ਜਿਵੇਂ ਕਿ RDKit; ਉਹਨਾਂ ਵਿੱਚੋਂ ਕੁਝ ਅੰਕੜਾ ਅਨੁਮਾਨ (ਲੌਗਸ, ਜੈਵਿਕ ਗਤੀਵਿਧੀ) ਹਨ। ਇਸ ਅੰਤਰ ਨੂੰ ਜਾਣਨਾ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਕਿੰਨਾ ਭਰੋਸਾ ਕਰਦੇ ਹੋ।
ਨੁਕਤਾ: ਫਰਕ ਕਰੋ ਕਿ ਕੀ ਕੋਈ ਵਿਸ਼ੇਸ਼ਤਾ "ਗਣਨਾ ਕੀਤੀ" (ਨਿਯਮ-ਅਧਾਰਿਤ, ਦੁਹਰਾਉਣ ਯੋਗ) ਜਾਂ "ਅਨੁਮਾਨਿਤ" (ਮਾਡਲ ਤੋਂ, ਅਨਿਸ਼ਚਿਤ) ਹੈ। ਗਣਨਾਵਾਂ ਵਿੱਚ ਉੱਚ ਭਰੋਸਾ ਰੱਖੋ, ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਵਿੱਚ ਸਾਵਧਾਨ ਭਰੋਸਾ ਰੱਖੋ, ਅਤੇ ਪ੍ਰਯੋਗ ਦੁਆਰਾ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ।
ਲਾਗੂ ਹੋਣ ਦਾ ਦਾਇਰਾ: ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਸੰਕਲਪ
ਇੱਕ QSAR ਮਾਡਲ ਉਹਨਾਂ ਅਣੂਆਂ 'ਤੇ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦਾ ਹੈ ਜੋ ਉਹਨਾਂ ਅਣੂਆਂ ਦੇ ਸਮਾਨ ਹਨ ਜਿਨ੍ਹਾਂ 'ਤੇ ਇਸਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ। ਜੇ ਤੁਸੀਂ ਇੱਕ ਅਣੂ ਦਿੰਦੇ ਹੋ ਜੋ ਸਿਖਲਾਈ ਡੇਟਾ (ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਬਹੁਤ ਵੱਡਾ, ਅਸਧਾਰਨ ਪਿੰਜਰ) ਤੋਂ ਬਹੁਤ ਵੱਖਰਾ ਹੈ, ਤਾਂ ਮਾਡਲ ਅਜੇ ਵੀ ਇੱਕ ਸੰਖਿਆ ਪੈਦਾ ਕਰੇਗਾ, ਪਰ ਉਹ ਸੰਖਿਆ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੋਵੇਗੀ। ਇਸਨੂੰ "ਲਾਗੂਯੋਗਤਾ ਦੇ ਦਾਇਰੇ ਤੋਂ ਬਾਹਰ ਹੋਣਾ" ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਮਾਡਲ ਹਮੇਸ਼ਾ ਇੱਕ ਜਵਾਬ ਦਿੰਦਾ ਹੈ; ਇਹ ਦੱਸਣਾ ਤੁਹਾਡਾ ਕੰਮ ਹੈ ਕਿ ਕੀ ਜਵਾਬ ਭਰੋਸੇਯੋਗ ਹੈ ਜਾਂ ਨਹੀਂ।
ਇਹ ਹੋਰ ਵੀ ਜੋਖਮ ਭਰਿਆ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਭਾਸ਼ਾ ਮਾਡਲ ਇੱਕ ਵਿਸ਼ੇਸ਼ਤਾ ਮੁੱਲ ਦਿੰਦਾ ਹੈ: ਇਹ ਸੰਖਿਆ ਨੂੰ "ਸੰਭਾਵਿਤ-ਦਿੱਖ" ਮੁੱਲ ਦੇ ਤੌਰ ਤੇ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਬਿਨਾਂ ਕਿਸੇ ਅੰਤਰੀਵ ਗਣਨਾ ਦੇ। ਇਸ ਲਈ ਜੇਕਰ ਸੰਭਵ ਹੋਵੇ, ਤਾਂ ਇੱਕ ਨਿਰਣਾਇਕ ਸਾਧਨ (RDKit) ਜਾਂ ਇੱਕ QSAR ਮਾਡਲ ਤੋਂ ਵਿਸ਼ੇਸ਼ਤਾ ਮੁੱਲ ਪ੍ਰਾਪਤ ਕਰੋ ਜੋ ਅਨਿਸ਼ਚਿਤਤਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਭਾਸ਼ਾ ਮਾਡਲ ਤੋਂ ਨਹੀਂ।
ਕਦਮ ਦਰ ਕਦਮ: ਸੁਰੱਖਿਅਤ ਵਿਸ਼ੇਸ਼ਤਾ ਦੀ ਭਵਿੱਖਬਾਣੀ
- ਅਣੂ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ: RDKit (ਯੂਨਿਟ 2) ਨਾਲ ਸਮਾਈਲਜ਼ ਨੂੰ ਪਾਰਸ ਕਰੋ।
- ਨਿਰਣਾਇਕ ਦੀ ਗਣਨਾ ਕਰੋ: RDKit ਤੋਂ MA, logP (ਗਣਿਤ), TPSA, H-ਬਾਂਡ ਨੰਬਰ।
- ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਚਿੰਨ੍ਹਿਤ ਕਰੋ: ਮਾਡਲ ਪੂਰਵ ਅਨੁਮਾਨਾਂ ਜਿਵੇਂ ਕਿ ਲੌਗਸ, ਗਤੀਵਿਧੀ, ਆਦਿ ਨੂੰ "ਭਵਿੱਖਬਾਣੀ" ਟੈਗ ਨਾਲ ਰੱਖੋ।
- ਉਪਯੋਗਤਾ ਡੋਮੇਨ ਦੀ ਜਾਂਚ ਕਰੋ: ਕੀ ਅਣੂ ਸਿਖਲਾਈ ਡੇਟਾ ਦੀ ਤਰ੍ਹਾਂ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ? ਕੀ ਇਹ ਬਹੁਤ ਵੱਡਾ/ਅਸਾਧਾਰਨ ਹੈ?
- ਰੈਂਕਿੰਗ ਲਈ ਵਰਤੋਂ, ਫੈਸਲੇ ਲਈ ਨਹੀਂ: ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਦਰਜਾ ਦੇਣ ਲਈ ਭਵਿੱਖਬਾਣੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰੋ; ਆਖਰੀ ਚੋਣ ਪ੍ਰਯੋਗ ਹੈ.
- ਪ੍ਰਯੋਗ ਦੁਆਰਾ ਬੰਦ ਕਰੋ: ਮਾਪ ਦੁਆਰਾ ਨਾਜ਼ੁਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਘੁਲਣਸ਼ੀਲਤਾ, pKa) ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
1) RDKit ਨਾਲ ਨਿਰਣਾਇਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ:
rdkit ਆਯਾਤ Chemfrom rdkit.Chem ਆਯਾਤ ਵਰਣਨਕਰਤਾਵਾਂ ਤੋਂ, rdMolDescriptorsmol = Chem.MolFromSmiles("CC(=O)Oc1cccc1C(=O)O") # ਐਸਪਰਿਨਪ੍ਰਿੰਟ("MA:", round(Descriptors.MolWt(mol),2", calculated (Printculated) round(Descriptors.MolLogP(mol),2))print("TPSA:", round(Descriptors.TPSA(mol),1))print("H-bond donor:", rdMolDescriptors.CalcNumHBD(mol))ਪ੍ਰਿੰਟ("H-ਬਾਂਡ ਸਵੀਕਾਰ ਕਰਨ ਵਾਲਾ:", rdMolDescriptors(mol))
2) ਲਿਪਿੰਸਕੀ ਨਿਯਮ ਦਾ ਮੁਲਾਂਕਣ:
ਅਣੂ (ਮੁਸਕਾਨ): [SMILES]ਟਾਸਕ: RDKit ਤੋਂ ਗਣਨਾ ਕੀਤੇ ਜਾਣ ਵਾਲੇ MA, logP, HBD, HBA ਮੁੱਲਾਂ ਦੇ ਨਾਲ ਪੰਜ ਦੇ ਲਿਪਿੰਸਕੀ ਨਿਯਮ ਦੀ ਪਾਲਣਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ। ਹਰੇਕ ਮਾਪਦੰਡ ਨੂੰ ਪਾਸ/ਫੇਲ ਵਜੋਂ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਚਿੰਨ੍ਹਿਤ ਕਰੋ। ਨਿਯਮ: ਨੰਬਰ ਨਾ ਬਣਾਓ; ਮੈਂ ਇਸਨੂੰ RDKit ਤੋਂ ਪ੍ਰਾਪਤ ਕਰਾਂਗਾ, ਤੁਸੀਂ ਟਿੱਪਣੀ ਕਰੋ।
3) ਵਿਸ਼ੇਸ਼ਤਾ ਅਨੁਮਾਨ + ਅਨਿਸ਼ਚਿਤਤਾ ਬੇਨਤੀ:
ਅਣੂ (ਮੁਸਕਰਾਹਟ): [SMILES]ਟਾਸਕ: ਪਾਣੀ ਦੀ ਘੁਲਣਸ਼ੀਲਤਾ (ਲੌਗਸ) (ਉੱਚ/ਮੱਧਮ/ਘੱਟ) ਦਾ ਗੁਣਾਤਮਕ ਅਨੁਮਾਨ ਦਿਓ ਅਤੇ ਸੰਰਚਨਾਤਮਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਨਾਲ ਤਰਕ ਦੀ ਵਿਆਖਿਆ ਕਰੋ। ਕੋਈ ਸਹੀ ਨੰਬਰ ਨਾ ਦਿਓ; ਦੱਸੋ ਕਿ ਇਹ ਇੱਕ ਪੂਰਵ-ਅਨੁਮਾਨ ਹੈ ਅਤੇ ਪ੍ਰਯੋਗ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕੀਤੇ ਜਾਣ ਦੀ ਲੋੜ ਹੈ। ਚੇਤਾਵਨੀ ਦਿਓ ਜੇਕਰ ਅਣੂ ਦੀ ਇੱਕ ਅਸਧਾਰਨ ਬਣਤਰ ਹੈ (ਲਾਗੂ ਹੋਣ ਦਾ ਜੋਖਮ)।
4) ਉਮੀਦਵਾਰ ਦਰਜਾਬੰਦੀ (ਭਵਿੱਖਬਾਣੀ ਦੁਆਰਾ ਤਰਜੀਹ):
ਹੇਠਾਂ 5 ਅਣੂਆਂ ਦੇ ਮੁਸਕਰਾਹਟ ਹਨ। ਟਾਸਕ: ਸੰਰਚਨਾਤਮਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਧਰੁਵੀ ਸਮੂਹਾਂ ਦੀ ਸੰਖਿਆ, ਰਿੰਗਾਂ, ਲਿਪੋਫਿਲਿਸਿਟੀ) ਦੇ ਆਧਾਰ 'ਤੇ ਪਾਣੀ ਦੀ ਘੁਲਣਸ਼ੀਲਤਾ (ਸਭ ਤੋਂ ਘੱਟ ਤੋਂ ਘੱਟ ਘੁਲਣਸ਼ੀਲ) ਦੇ ਰੂਪ ਵਿੱਚ ਉਹਨਾਂ ਨੂੰ ਦਰਜਾ ਦਿਓ। ਹਰੇਕ ਰੈਂਕਿੰਗ ਦੇ ਫੈਸਲੇ ਲਈ ਤਰਕਸੰਗਤ ਲਿਖੋ। ਨੋਟ: ਇਹ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਕ੍ਰਮ ਹੈ; ਅੰਤਿਮ ਚੋਣ ਮਾਪ ਦੁਆਰਾ ਕੀਤੀ ਜਾਵੇਗੀ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ:
ਇਸ ਅਣੂ ਦੀ ਘੁਲਣਸ਼ੀਲਤਾ ਕੀ ਹੈ?
AI ਇੱਕ ਸੰਖਿਆ ਬਣਾਉਂਦਾ ਹੈ ਜੋ ਗਣਨਾ ਦੇ ਅਧੀਨ ਮੌਜੂਦ ਨਹੀਂ ਹੈ (ਉਦਾਹਰਨ ਲਈ "12 mg/mL"); ਇਹ ਵਿਸ਼ਵਾਸ ਦਿੰਦਾ ਹੈ ਪਰ ਗਲਤ ਹੋ ਸਕਦਾ ਹੈ.
ਮਜ਼ਬੂਤ:
ਅਣੂ (ਮੁਸਕਾਨ): [ਮੁਸਕਾਨ]।ਟਾਸਕ: 1) ਮੈਂ RDKit ਨਾਲ ਗਣਨਾ ਕਰਨ ਲਈ logP, TPSA, HBD/HBA ਦੇਵਾਂਗਾ: [ਮੁੱਲਾਂ]। ਦੱਸੋ ਕਿ ਇਹ ਇੱਕ ਅਨੁਮਾਨ ਹੈ ਅਤੇ ਪ੍ਰਯੋਗਾਂ ਦੀ ਲੋੜ ਹੈ।
ਅੰਤਰ: ਅਸੀਂ ਵਾਹਨ ਤੋਂ ਨਿਰਣਾਇਕ ਮੁੱਲ ਲਏ ਅਤੇ ਏਆਈ ਨੂੰ ਸਿਰਫ਼ ਉਹਨਾਂ ਦੀ ਵਿਆਖਿਆ ਕੀਤੀ; ਅਸੀਂ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਅਤੇ ਪ੍ਰਯੋਗ ਦੀ ਜ਼ਰੂਰਤ ਲਈ ਕਿਹਾ।
ਵਿਸ਼ੇਸ਼ਤਾ ਕਿਸਮਾਂ ਅਤੇ ਵਿਸ਼ਵਾਸ ਦਾ ਪੱਧਰ
ਵਿਸ਼ੇਸ਼ਤਾ
ਕਿਵੇਂ ਪ੍ਰਾਪਤ ਕਰਨਾ ਹੈ
ਭਰੋਸਾ
ਨੋਟ
ਅਣੂ ਭਾਰ
RDKit (ਨਿਰਧਾਰਨਵਾਦੀ)
ਬਹੁਤ ਉੱਚਾ
ਫਾਰਮੂਲੇ ਤੋਂ ਕੱਟੋ
TPSA, HBD/HBA
RDKit (ਨਿਰਧਾਰਨਵਾਦੀ)
ਉੱਚ
ਨਿਯਮ ਆਧਾਰਿਤ
logP (ਗਣਿਤ)
RDKit ਮਾਡਲ
ਮੱਧਮ-ਉੱਚਾ
ਪ੍ਰਯੋਗਾਤਮਕ ਤੋਂ ਭਟਕ ਸਕਦਾ ਹੈ
logS (ਰੈਜ਼ੋਲਿਊਸ਼ਨ)
QSAR ਅਨੁਮਾਨ
ਮੱਧਮ
ਲਾਗੂ ਹੋਣ ਦੇ ਖੇਤਰ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ
pKa
ਵਿਸ਼ੇਸ਼ ਮਾਡਲ
ਮੱਧਮ
ਇਹ ਇੱਕ ਗੁੰਝਲਦਾਰ ਬਣਤਰ ਵਿੱਚ ਡਿੱਗਦਾ ਹੈ
ਜੈਵਿਕ ਗਤੀਵਿਧੀ
QSAR/ML
ਵੇਰੀਏਬਲ
ਜਾਂਚ ਅਤੇ ਤਸਦੀਕ ਕਰਨਾ ਯਕੀਨੀ ਬਣਾਓ
ਮਿੰਨੀ ਕੇਸ
ਕੇਸ 1 - ਫਿੱਟ ਕੀਤੇ ਗਏ ਸੰਕਲਪਾਂ ਦੀ ਸੰਖਿਆ। ਇੱਕ ਵਿਦਿਆਰਥੀ ਨੇ AI ਨੂੰ ਇੱਕ ਮਿਸ਼ਰਣ ਦੀ ਘੁਲਣਸ਼ੀਲਤਾ ਬਾਰੇ ਪੁੱਛਿਆ; ਉਸਨੂੰ "25 ਮਿਲੀਗ੍ਰਾਮ/ਐਮਐਲ" ਜਵਾਬ ਮਿਲਿਆ ਅਤੇ ਉਸ ਅਨੁਸਾਰ ਪ੍ਰਯੋਗਾਤਮਕ ਡਿਜ਼ਾਈਨ ਸਥਾਪਤ ਕੀਤਾ। ਮਾਪ ਵਿੱਚ ਅਸਲ ਮੁੱਲ ~2 mg/mL, ਇੱਕ 10-ਗੁਣਾ ਅੰਤਰ ਸੀ। AI ਨੇ ਨੰਬਰ ਬਣਾ ਲਿਆ ਸੀ। ਸਬਕ: ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਵਰਗੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਭਾਸ਼ਾ ਮਾਡਲ ਤੋਂ ਸੰਖਿਆਵਾਂ ਵਜੋਂ ਨਾ ਲਓ; ਗੁਣਾਤਮਕ ਪੂਰਵ ਅਨੁਮਾਨ + ਮਾਪ।
ਕੇਸ 2 - ਲਾਗੂ ਹੋਣ ਦੇ ਦਾਇਰੇ ਤੋਂ ਬਾਹਰ। ਇੱਕ QSAR ਮਾਡਲ ਨੇ ਕਿਹਾ ਕਿ ਇੱਕ ਵੱਡੇ ਮੈਕਰੋਮੋਲੀਕਿਊਲ ਲਈ "ਸਰਗਰਮੀ ਉੱਚ ਹੈ" ਜੋ ਸਿਖਲਾਈ ਸੈੱਟ ਤੋਂ ਬਹੁਤ ਵੱਖਰੀ ਸੀ। ਉਪਭੋਗਤਾ ਨੇ ਦੇਖਿਆ ਕਿ ਅਣੂ ਸਿਖਲਾਈ ਡੇਟਾ ਦੇ ਸਮਾਨ ਨਹੀਂ ਸੀ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਮੰਨਿਆ; ਪ੍ਰਯੋਗ ਨੇ ਅਸਲ ਵਿੱਚ ਘੱਟ ਗਤੀਵਿਧੀ ਦਿੱਤੀ. ਸਬਕ: ਮਾਡਲ ਹਮੇਸ਼ਾ ਜਵਾਬ ਦਿੰਦਾ ਹੈ; ਜੇ ਇਹ ਦਾਇਰੇ ਤੋਂ ਬਾਹਰ ਹੈ, ਤਾਂ ਜਵਾਬ ਬੇਕਾਰ ਹੈ.
ਕੇਸ 3 - ਲਿਪਿੰਸਕੀ ਦੀ ਸਹੀ ਵਰਤੋਂ। ਇੱਕ ਉਮੀਦਵਾਰ ਅਣੂ 'ਤੇ, AI ਨੇ RDKit: MA 512 (> 500, ਬਾਰਡਰਲਾਈਨ), logP 4.8 (ਅਨੁਕੂਲ), HBD 2, HBA 7 ਤੋਂ ਮੁੱਲਾਂ ਨਾਲ ਲਿਪਿਨਸਕੀ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ। ਉਪਭੋਗਤਾ ਨੇ "ਇੱਕ ਮਾਪਦੰਡ ਬਾਕੀ ਰਹਿੰਦਾ ਹੈ ਪਰ ਨਿਯਮ ਸੰਪੂਰਨ ਨਹੀਂ ਹੈ" ਅਤੇ ਅਲਥਰਿਕੂਲ ਨੂੰ ਖਤਮ ਨਹੀਂ ਕੀਤਾ। ਸਬਕ: ਨਿਯਮ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ ਹਨ, ਥ੍ਰੈਸ਼ਹੋਲਡ ਨਹੀਂ; ਸੰਦਰਭ ਨਾਲ ਵਿਆਖਿਆ ਕਰੋ।
ਆਮ ਗਲਤੀਆਂ
- ਭਾਸ਼ਾ ਮਾਡਲ ਤੋਂ ਵਿਸ਼ੇਸ਼ਤਾ ਦੀ ਗਿਣਤੀ ਪ੍ਰਾਪਤ ਕਰਨਾ। ਜਿਨ੍ਹਾਂ ਮੁੱਲਾਂ ਦੀ ਗਣਨਾ ਨਹੀਂ ਕੀਤੀ ਜਾਂਦੀ ਉਹ ਮਨਘੜਤ ਹਨ; ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਨਾਲ ਨਿਰਣਾਇਕ ਸੰਦ ਜਾਂ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰੋ।
- ਲਾਗੂ ਹੋਣ ਦੇ ਖੇਤਰ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ। ਮਾਡਲ ਹਰੇਕ ਅਣੂ ਲਈ ਨੰਬਰ ਬਣਾਉਂਦਾ ਹੈ; ਮੈਦਾਨ ਤੋਂ ਬਾਹਰ ਭਰੋਸੇਯੋਗ ਨਹੀਂ।
- ਇੱਕ ਅਨੁਮਾਨਿਤ ਮਾਪ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ। logS ਇੱਕ ਅਨੁਮਾਨ ਹੈ; ਇਹ ਪ੍ਰਯੋਗਾਤਮਕ ਰੈਜ਼ੋਲੂਸ਼ਨ ਦਾ ਬਦਲ ਨਹੀਂ ਹੈ।
- ਲਿਪਿੰਸਕੀ ਨੂੰ ਪੂਰਨ ਨਿਯਮ ਮੰਨਦੇ ਹੋਏ। ਜੋ ਉਮੀਦਵਾਰ ਸਰਹੱਦ 'ਤੇ ਹੈ, ਉਹ ਆਪਣੇ ਆਪ ਖਤਮ ਨਹੀਂ ਹੁੰਦਾ; ਬਹੁਤ ਸਾਰੀਆਂ ਦਵਾਈਆਂ ਨਿਯਮ ਦੀ ਉਲੰਘਣਾ ਕਰਦੀਆਂ ਹਨ।
- "ਅਨੁਮਾਨਿਤ" ਦੇ ਨਾਲ "ਗਣਿਤ" ਨੂੰ ਉਲਝਾਉਣਾ. TPSA ਦੀ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ (ਭਰੋਸੇਯੋਗ), ਗਤੀਵਿਧੀ ਅਨੁਮਾਨਿਤ (ਅਨਿਸ਼ਚਿਤ) ਹੈ।
ਸਾਵਧਾਨ: ਵਿਸ਼ੇਸ਼ਤਾ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਦਰਜਾਬੰਦੀ ਅਤੇ ਤਰਜੀਹ ਦੇਣ ਲਈ ਬਹੁਤ ਵਧੀਆ ਹਨ; ਪਰ ਇਕੱਲੇ ਫੈਸਲੇ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਨਹੀਂ। "ਮਾਡਲ ਨੇ ਕਿਹਾ ਘੁਲਣਸ਼ੀਲ" ਇੱਕ ਪਰਿਕਲਪਨਾ ਹੈ; "ਮੈਂ ਮਾਪਿਆ, ਇਹ ਘੁਲ ਜਾਂਦਾ ਹੈ" ਇੱਕ ਨਤੀਜਾ ਹੈ.
ਸੰਖੇਪ ਵਿੱਚ
- ਪ੍ਰਯੋਗ ਤੋਂ ਪਹਿਲਾਂ ਅਣੂ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦਾ ਅਨੁਮਾਨ ਲਗਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਬਹੁਤ ਸਾਰਾ ਸਮਾਂ ਬਚਾਉਂਦਾ ਹੈ।
- ਕੁਝ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਗਣਨਾ ਨਿਰਧਾਰਿਤ ਤੌਰ 'ਤੇ ਕੀਤੀ ਜਾਂਦੀ ਹੈ (MA, TPSA, HBD/HBA), ਕੁਝ ਅੰਕੜਾ ਅਨੁਮਾਨ (ਲੌਗਸ, ਗਤੀਵਿਧੀ) ਹਨ।
- ਲਾਗੂ ਹੋਣ ਦਾ ਡੋਮੇਨ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਸੰਕਲਪ ਹੈ: ਮਾਡਲ ਹਮੇਸ਼ਾ ਜਵਾਬ ਦਿੰਦਾ ਹੈ, ਪਰ ਡੋਮੇਨ ਤੋਂ ਬਾਹਰ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੈ।
- RDKit ਜਾਂ ਅਸਪਸ਼ਟਤਾ ਮਾਡਲ ਤੋਂ ਵਿਸ਼ੇਸ਼ਤਾ ਗਿਣਤੀ ਪ੍ਰਾਪਤ ਕਰੋ, ਭਾਸ਼ਾ ਮਾਡਲ ਤੋਂ ਨਹੀਂ।
- ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਦਰਜਾ ਦੇਣ ਲਈ ਭਵਿੱਖਬਾਣੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰੋ; ਪ੍ਰਯੋਗ ਕਰਕੇ ਅੰਤਿਮ ਫੈਸਲਾ ਕਰੋ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਪੰਜ ਅਣੂਆਂ ਦੀ ਚੋਣ ਕਰੋ (ਜਿਵੇਂ ਕਿ ਇੱਕ ਡਰੱਗ ਲੜੀ)। RDKit ਨਾਲ ਹਰੇਕ ਲਈ MA, logP, TPSA, HBD, HBA ਦੀ ਗਣਨਾ ਕਰੋ ਅਤੇ ਲਿਪਿੰਸਕੀ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ। ਵੱਖਰੇ ਤੌਰ 'ਤੇ, AI ਨੂੰ ਹਰੇਕ ਅਣੂ ਦੀ ਘੁਲਣਸ਼ੀਲਤਾ ਦੇ ਗੁਣਾਤਮਕ ਅੰਦਾਜ਼ੇ (ਨੰਬਰ ਨਹੀਂ) ਅਤੇ ਲਾਗੂ ਹੋਣ ਦੀ ਚੇਤਾਵਨੀ ਦੇ ਖੇਤਰ ਲਈ ਪੁੱਛੋ। ਇੱਕ ਸਾਰਣੀ ਵਿੱਚ ਨਿਰਣਾਇਕ ਮੁੱਲ ਅਤੇ AI ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਨੂੰ ਇਕੱਠਾ ਕਰੋ। ਕਿਹੜੇ ਅਣੂ ਨੇ ਸਭ ਤੋਂ ਵੱਧ ਡਰੱਗ ਵਰਗਾ ਪ੍ਰੋਫਾਈਲ ਦਿੱਤਾ? ਅਨਿਸ਼ਚਿਤਤਾ ਸਭ ਤੋਂ ਵੱਧ ਕਿੱਥੇ ਹੈ?
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਨਿਰਧਾਰਿਤ ਗਣਨਾ ਅਤੇ ਅਨੁਮਾਨਿਤ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚ ਫਰਕ ਕਰਦਾ ਹਾਂ।
- [ ] ਮੈਂ RDKit/model ਤੋਂ ਸੰਪੱਤੀ ਮੁੱਲ ਪ੍ਰਾਪਤ ਕਰ ਰਿਹਾ/ਰਹੀ ਹਾਂ, ਭਾਸ਼ਾ ਮਾਡਲ ਤੋਂ ਨਹੀਂ।
- [ ] ਮੈਂ ਲਾਗੂ ਹੋਣ ਦੇ ਦਾਇਰੇ ਤੋਂ ਬਾਹਰ ਅਣੂ ਵੇਖਦਾ ਹਾਂ।
- [ ] ਮੈਂ ਲਿਪਿੰਸਕੀ ਨੂੰ ਇੱਕ ਗਾਈਡ ਵਜੋਂ ਵਰਤਦਾ ਹਾਂ, ਇੱਕ ਪੂਰਨ ਨਿਯਮ ਨਹੀਂ।
- [ ] ਮੈਂ ਰੈਂਕਿੰਗ ਲਈ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਅਤੇ ਪ੍ਰਯੋਗਾਂ ਲਈ ਫੈਸਲੇ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹਾਂ।
- [ ] ਮੇਰੇ ਕੋਲ ਮਾਪ ਦੁਆਰਾ ਨਾਜ਼ੁਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਯੋਜਨਾ ਹੈ।