نرم افزار alvaModel ایجاد مدل‌های QSAR/QSPR

نرم افزار alvaModel جهت ایجاد مدل‌های فعالیت ساختار کمی/ارتباط خصوصی (QSAR/QSPR) محصول شرکت Alvascience  است. این مدل ها را می توان برای پیش بینی خواص بیولوژیکی، فیزیکوشیمیایی و محیطی مواد شیمیایی استفاده کرد. راه حل Alvascience برای ساخت و استقرار مدل های رگرسیون و طبقه بندی QSAR/QSPR دو نرم افزار alvaModel و alvaRunner است. alvaRunner یک ابزار نرم افزاری است که به شما امکان می دهد مدل های ایجاد شده با استفاده از alvaModel را بر روی مجموعه جدیدی از مولکول ها بدون نیاز به ابزار نرم افزار دیگری اعمال کنید.

نرم افزار alvaModel به شما این امکان را می‌دهد که مدل‌های خود را برای طرف‌های دیگر مستقر کنید (به عنوان مثال، اگر می‌خواهید آنها را برای اثبات تکرارپذیری آنها در دسترس قرار دهید) یا از مدل‌های ایجاد شده توسط دیگران استفاده کنید (به عنوان مثال، اگر می‌خواهید مدلی را که در یک مقاله علمی توضیح داده شده است آزمایش کنید) .

با استفاده از alvaModel می‌توانید مدل‌های رگرسیون و طبقه‌بندی QSAR/QSPR را با استفاده از توصیف‌گرها و اثر انگشت‌هایی که قبلاً در alvaDesc محاسبه شده‌اند، آموزش دهید. متغیر هدفی که می خواهید پیش بینی کنید می تواند از یک فایل متنی خارجی وارد شود. همچنین با استفاده از یک روش ساده گام به گام می‌توانید مدل‌هایی ایجاد کنید که توصیفگرها و اثر انگشت‌هایی را که می‌خواهید استفاده کنید انتخاب کنید.

بیشتر بخوانید: نرم افزار AlvaDESC محاسبه انواع توصیفگرهای مولکولی

انتخاب ویژگی با استفاده از الگوریتم ژنتیک:

از آنجایی که تعداد توصیفگرها در یک پروژه alvaDesc می‌تواند بسیار زیاد باشد (تا 5000)، alvaModel می‌تواند یک انتخاب ویژگی را بر اساس الگوریتم‌های ژنتیک انجام دهد تا بهترین مدل‌ها را با توجه به یک امتیاز تعریف‌شده (مانند R2، Q2، RMSE).

چندین ابزار کاهش ویژگی را می توان برای کاهش تعداد توصیفگرها برای آموزش مدل استفاده کرد (به عنوان مثال، مقادیر ثابت، انحراف استاندارد، همبستگی جفت).

انواع مدل رگرسیون در AlvaModel

انواع مدل رگرسیون:

مدل حداقل مربعات معمولی (OLS).

مدل حداقل مربعات جزئی (PLS).

مدل رگرسیون KNN

مدل ماشین بردار پشتیبانی (SVM).

مدل اجماع به عنوان میانگین حسابی مقادیر پیش بینی شده توسط مدل های انتخاب شده تعریف می شود

مدل طبقه بندی:

انواع مدل های طبقه بندی باینری مختلف موجود است:

مدل تحلیل متمایز خطی و درجه دوم (LDA/QDA).

مدل تحلیل متمایز حداقل مربعات جزئی (PLS-DA).

مدل طبقه بندی KNN

مدل ماشین بردار پشتیبانی (SVM).

مدل اجماع تخصیص کلاس را بر اساس اکثر مقادیر پیش بینی شده توسط مدل های انتخاب شده تعریف می کند

دامنه کاربردی مدل را می توان با اندازه گیری شباهت بین مجموعه داده آموزشی و مولکول های داده شده تخمین زد. یک نشانه in/out نشان می دهد که آیا یک مولکول در داخل یا خارج از دامنه کاربردی قرار دارد. روش‌های دامنه کاربردی موجود مبتنی بر فاصله (مثلاً فاصله متوسط) و اهرم (که از به اصطلاح ماتریس کلاه استفاده می‌کنند) هستند.

هر مدل را می توان با استفاده از یکی از نمودارهای موجود تجزیه و تحلیل کرد:

نمودار پراکندگی مقادیر تجربی و پیش بینی شده (برای مدل های رگرسیون)
نمودار باقیمانده (برای مدل های رگرسیون)
نمودار نوارهای بتا (برای مدل های رگرسیون OLS و PLS)
نمودار ویلیامز (برای مدل های رگرسیون بر اساس توصیفگرها)
هیستوگرام برای مقادیر تجربی، پیش بینی شده و باقیمانده و همچنین برای توصیفگرهای مورد استفاده در مدل

تحلیل پیش بینی:

alvaModel عملکردی را برای ارزیابی یک پیش‌بینی واحد از طریق یک رابط گرافیکی به نام جزئیات پیش‌بینی ارائه می‌کند.

برای مشاهده اطلاعات کامل نرم افزار alvaModel جهت ایجاد مدل‌های QSAR/QSPR به اینجا مراجعه کنید. در ادامه عکس هایی از محیط نرم افزار alvaModel نشان خواهیم داد.