QSPR studies on normal boiling points and molar refractivities of organic compounds by correlation-ranking-based PCR and PC–ANN analyses of new topological indices
Notice bibliographique
Résumé
The new topological indices (Sh indices) based on the distance sum and connectivity of a molecular graph, previously developed by our team, were extended to predict the two physicochemical properties, including normal boiling point (NBP) and molar refractivity (MR), of a large set of organic compounds consisting of alkanes, alkenes, ethers, amines, alcohols, alkylbenzenes, and alkylhalides. The sets of molecular descriptors were derived directly from the two-dimensional molecular structure of the compounds based on graph theory. Both linear and nonlinear modelings were implemented by using principal component regression (PCR) and principal component – artificial neural network (PC–ANN) with back-propagation learning algorithm, respectively. Eigenvalue and correlation-ranking procedures were used to rank the principal components and entered them into the models. Principal component analysis of Sh data matrix showed that the respective six and seven PCs could explain 97.49% and 99.22% of variances in the Sh indices. PCR analysis of the NBP and MR data demonstrated that the proposed Sh indices could explain about 97.52% and 99.52% of variations, while the variations explained by the PC–ANN modeling were more than 99.00% and 99.82%, respectively. The predictive ability of the models were evaluated using an external test set for NBP and MR of the molecules with the respective root-mean-square errors lower than 9.69 K and 0.660 cm 3 mol –1 for the linear model and 6.17 K and 0.416 cm 3 mol –1 for the nonlinear model.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».