定量構造−活性関係における進化的最適化：遺伝的神経ネットワークの応用

定量構造−活性関係（QSAR）研究のために、遺伝的アルゴリズムと人工ニューラルネットワークを組み合わせた新しいハイブリッド手法（GNN）が開発されました。遺伝的アルゴリズムによって適切な分子記述子のセットが選択され、このセットがニューラルネットワークへの入力として使用されます。ここでは、多変量データのモデルフリーのマッピングが行われます。複数の予測因子が生成され、これはこの手法をテストするために使用されるSelwoodデータセットの以前の研究から得られた結果よりも優れています。ニューラルネットワーク技術は、薬物活性を決定する上で重要な役割を果たす記述子の機能的形式のグラフィカルな説明を提供します。これは、将来的な薬物類似体の設計に役立ちます。GNNの有効性は、徹底的な列挙によって得られたベンチマークとその結果を比較することでテストされます。遺伝的モデルの進化を調整するさまざまなフィットネス戦略が検討され、高い予測能力を持つQSARが見つかります。これらの結果から、いくつかの高評価モデルの予測を平均化することにより複合モデルが構築されます。得られたQSARの予測は、情報をより多く使用し、誤差推定も可能であるため、単一の予測因子から導かれたものよりも信頼性が高いとされます。GNNによって選択された記述子のセットの分析は、このデータセットについて満足のいくQSARを得るためには、薬物候補の立体的、静電的、および疎水的特性のそれぞれに1つずつが不可欠であることを示しています。この種の結果は、QSARの設計と理解において一般的な有用性を持つことが期待されています。