A Semelhança com Moléculas no Conjunto de Treinamento é um Bom Discriminador para a Precisão da Predição em QSAR

Quão bem um modelo QSAR pode prever a atividade de uma molécula que não está no conjunto de treinamento usado para criar o modelo? Um conjunto de experimentos de validação cruzada retrospectiva usando 20 conjuntos de atividade diversos foi realizado para encontrar um bom discriminador da precisão da predição, medida pela diferença quadrática média entre a atividade observada e a predita. Entre as medidas que testamos, duas parecem úteis: a semelhança da molécula a ser prevista com a molécula mais próxima no conjunto de treinamento e/ou o número de vizinhos no conjunto de treinamento, onde vizinhos são aqueles mais semelhantes do que um limiar escolhido pelo usuário. As moléculas com a maior semelhança e/ou o maior número de vizinhos são as melhor previstas. Essa tendência se mantém verdadeira para conjuntos de treinamento estreitos e, em menor grau, para muitos conjuntos de treinamento diversos e não depende de qual método ou descritor QSAR é utilizado. Pode-se definir a semelhança usando um descritor diferente daquele usado para o modelo QSAR. A dependência da semelhança para conjuntos de treinamento diversos é um pouco inesperada. Parece ser maior para aqueles conjuntos de dados onde a associação de atividades semelhantes versus estruturas semelhantes (como codificado no gráfico de Patterson) é mais forte. Propomos uma maneira de estimar a confiabilidade da predição de uma estrutura química arbitrária em um determinado modelo QSAR, dado o conjunto de treinamento do qual o modelo foi derivado.