PuSH - Publication Server of Helmholtz Zentrum München

Applicability domain of QSAR models.

Anwendbarkeitsbereich von QSAR-Modellen.

München, Technische Universität, Fakultät Wissenschaftszentrum Weihenstephan, Diss., 2011, 149 S.
Full text
as soon as is submitted to ZB.
In recent decades, computational models have gained popularity for predictions of biological activities and physico-chemical properties. The major limiting point of computational models is a lack for a clear definition of their applicability domain. The work introduces the methodology for the AD assessment and performs a comprehensive benchmarking analysis of existing and new approaches. The practical AD assessment is demonstrated in a number of studies on the prediction of such properties as mutagenicity (Ames test), toxicity (inhibition growth concentration), lipophilicity and cytochromes inhibition. It is shown that the AD approaches allow to estimate the prediction accuracy for every compound individually and, thereby, to identify highly accurate predictions with the accuracy close to that of experimental measurements. All the introduced AD methods are implemented as a part of a new platform for chemical modeling (OCHEM) and are publicly available online at http://ochem.eu.
In den vergangenen Jahrzehnten wurde die Anwendung von QSAR-Modellen zur Vorhersage von biologischen Aktivitäten oder physikochemischen Eigenschaften immer gebräuchlicher. Das derzeit größte Problem, das eine praktische Anwendung dieser Modelle behindert, ist das Fehlen einer klaren Definition für den Anwendbarkeitsbereich (~Applicability Domain, AD) eines Modells. Diese Arbeit stellt neue Methoden für die AD-Bestimmung vor und vergleicht sie in einer Benchmarking Analyse mit bereits bestehenden Ansätzen. Eine praktische Bewertung der ermittelten AD wird anhand von Untersuchungen solcher Moleküleigenschaften, wie Mutagenizität, Toxizität und Lipophilie veranschaulicht. Die entwickelten Verfahren für die AD-Bestimmung erlauben es, die Vorhersagegenauigkeit verschiedenster chemischer Verbindungen abzuschätzen und weiterhin genau diejenigen zu identifizieren, deren, vom Modell vorhergesagter Wert, nahezu gleichwertig zu einer experimentellen Bestimmung ist.
Additional Metrics?
Edit extra informations Login
Publication type Other: Thesis
Thesis type Doctoral thesis
Keywords QSAR; chemoinformatics; applicability domain; machine learning
University Technische Universität
University place München
Faculty Fakultät Wissenschaftszentrum Weihenstephan
Reviewing status