MétaCan
Menu
Retour à la cohorte
Enregistrement W2006587580 · doi:10.2174/1573409052952288

Inductive Descriptors: 10 Successful Years in QSAR

2005· article· en· W2006587580 sur OpenAlexaff
Artem Cherkasov

Notice bibliographique

RevueCurrent Computer - Aided Drug Design · 2005
Typearticle
Langueen
DomaineComputer Science
ThématiqueComputational Drug Discovery Methods
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésQuantitative structure–activity relationshipElectronegativitySteric effectsContext (archaeology)SubstituentInductive effectBiological systemChemistryComputational chemistryComputer scienceArtificial intelligenceMachine learningStereochemistryOrganic chemistryBiology

Résumé

récupéré en direct d'OpenAlex

The paper overviews the developments of A New Model of Inductive Effect - an approach introduced 10 years ago for calculation of Tafts substituent constants. The original model enabled accurate quantification of inductive parameters σ* and allowed approaching numerous important theoretical problems associated with inductive and steric interactions. A number of methods derived from the original approach have been reviewed and discussed including those for inductive electronegativity, inductive hardness-softness and inductive partial charges. The practical use of inductive reactivity indices as a novel and effective class of QSAR (quantitative structure-activity relationships) descriptors has been illustrated in the context of QSAR studies of antibacterial activity of organic chemicals and cationic peptides. The further developments and prospective applications of inductive 3D QSAR descriptors in the area of computer-aided drug design have also been discussed. Keywords: qsar, correlation analysis, descriptors, charges, electronegativity, hardness, antimicrobials, antibiotic peptides

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,042

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,010
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0020,004
Études des sciences et des technologies0,0000,003
Communication savante0,0020,005
Science ouverte0,0020,003
Intégrité de la recherche0,0020,004
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,048
Tête enseignante GPT0,309
Écart entre enseignants0,261 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations58
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCurrent Computer - Aided Drug DesignMême sujetComputational Drug Discovery MethodsTravaux en français237 207