当前位置：
X-MOL 学术
›
J. Chem. Inf. Model.
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
使用带有根拓扑扭转指纹的机器学习方法预测pKa：在脂肪胺中的应用。
Journal of Chemical Information and Modeling ( IF 5.6 ) Pub Date : 2019-11-05 , DOI: 10.1021/acs.jcim.9b00498 Yipin Lu 1 , Shankara Anand 1 , William Shirley 1 , Peter Gedeck 1 , Brian P Kelley 2 , Suzanne Skolnik 2 , Stephane Rodde 3 , Mai Nguyen 1 , Mika Lindvall 1 , Weiping Jia 1
Journal of Chemical Information and Modeling ( IF 5.6 ) Pub Date : 2019-11-05 , DOI: 10.1021/acs.jcim.9b00498 Yipin Lu 1 , Shankara Anand 1 , William Shirley 1 , Peter Gedeck 1 , Brian P Kelley 2 , Suzanne Skolnik 2 , Stephane Rodde 3 , Mai Nguyen 1 , Mika Lindvall 1 , Weiping Jia 1
Affiliation
|
酸碱解离常数pKa是定义化合物电离状态并直接影响其生物药物特性的关键参数。在这项研究中，我们开发了一种新颖的pKa预测方法，结合了根状的拓扑扭转指纹和五种机器学习（ML）方法：随机森林，偏最小二乘，极限梯度提升，套索回归和支持向量回归。拥有大量多样的14 499个实验pKa值，针对脂肪族胺开发了pKa模型。这些模型始终显示出良好的预测统计数据，并且能够生成准确的前瞻性预测，已通过726 pKa值的外部测试集验证（顶级模型的RMSE 0.45，MAE 0.33和R2 0.84）。仔细评估了可能影响预测准确性和模型适用性的因素。结果表明，扎根的拓扑扭转指纹与ML方法相结合为开发准确的pKa预测模型提供了一种有希望的方法。
"点击查看英文标题和摘要"
更新日期：2019-11-05
"点击查看英文标题和摘要"
京公网安备 11010802027423号