Multiway calibration in 3D QSAR

Nilsson, Jonas; Jong, S. De; Smilde, Age K.

doi:10.1002/(sici)1099-128x(199711/12)11:6<511::aid-cem488>3.0.co;2-w

Cited by 64 publications

(38 citation statements)

References 63 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Here, we will give a very short report on the feature extraction approaches used in QSAR/QSPR studies. The purpose of feature extraction is finding the best linear/ nonlinear combination of features based on a dimensionality reduction approaches [310][311][312][313]. Principal component analysis (PCA) [310,314], Rényientropy [315], hierarchical discriminate regression (HDR) [316], independent component analysis (ICA) [317], multidimensional scaling (MDS) [318], partial least squares (PLS) [319], nonlinear mapping (NLM) [320,321] and molecular maps (MOLMAP) [322][323][324] are the mostly applied feature extraction techniques.…”

Section: Dimension Reduction and Feature Extractionmentioning

confidence: 99%

Chemometrics tools in QSAR/QSPR studies: A historical perspective

Yousefinejad

Hemmateenejad

2015

Chemometrics and Intelligent Laboratory Systems

119

View full text Add to dashboard Cite

Section: Dimension Reduction and Feature Extractionmentioning

confidence: 99%

Chemometrics tools in QSAR/QSPR studies: A historical perspective

Yousefinejad

Hemmateenejad

2015

Chemometrics and Intelligent Laboratory Systems

119

View full text Add to dashboard Cite

“…Entretanto, programas modernos de modelagem usados em estudos de QSAR geram milhares de descritores que frequentemente são altamente correlacionados entre si, especialmente em análises de QSAR 3D e 4D. [24][25][26][27] Assim, o método MLR não pode ser usado nesses casos, a menos que se faça uma seleção de variáveis criteriosa. Para evitar esses problemas, uma boa alternativa é o uso dos métodos de projeção, também conhecidos como métodos bilineares, como a regressão por componentes principais (PCR) ou a regressão por quadrados mínimos parciais (PLS).…”

Section: Construção De Modelos De Regressão Com O Método Plsunclassified

QSAR modeling: um novo pacote computacional open source para gerar e validar modelos QSAR

Martins¹,

Ferreira²

2013

Quím. Nova

View full text Add to dashboard Cite

Recebido em 4/6/12; aceito em 15/11/12; publicado na web em 12/3/13 QSAR MODELING: A NEW OPEN SOURCE COMPUTATIONAL PACKAGE TO GENERATE AND VALIDATE QSAR MODELS. QSAR modeling is a novel computer program developed to generate and validate QSAR or QSPR (quantitative structure-activity or property relationships) models. With QSAR modeling, users can build partial least squares (PLS) regression models, perform variable selection with the ordered predictors selection (OPS) algorithm, and validate models by using y-randomization and leave-N-out cross validation. An additional new feature is outlier detection carried out by simultaneous comparison of sample leverage with the respective Studentized residuals. The program was developed using Java version 6, and runs on any operating system that supports Java Runtime Environment version 6. The use of the program is illustrated. This program is available for download at lqta. iqm.unicamp.br.Keywords: QSAR models; OPS variable selection; outlier detection. INTRODUÇÃOO estudo das relações quantitativas entre a estrutura química e a atividade biológica ou alguma propriedade físico-química (QSAR/ QSPR) é uma área de destaque hoje na comunidade científica. Por exemplo, na área da físico-química estudos de QSPR são essenciais na predição de propriedades que são difíceis de serem medidas experimentalmente. Já na área de química medicinal teórica, a predição da atividade biológica de novos compostos usando relações matemáticas baseadas em propriedades estruturais, físico-químicas e conformacionais de potenciais agentes previamente testados é um campo de pesquisa extremamente ativo e promissor. Relações QSAR são úteis para entender e explicar o mecanismo de ação de fármacos em nível molecular e permite o projeto e o desenvolvimento de novos compostos com propriedades biológicas desejáveis. 1 Um modelo quantitativo QSAR (ou QSPR) é representado por meio de uma equação matemática que relaciona as propriedades dos compostos investigados com suas atividades biológicas e que possui significância estatística. Essa equação deve não somente possuir um bom poder de predição, mas deve também ser validada mostrando-se robusta e não obtida ao acaso. 2-7Existem diversos programas disponíveis na literatura que podem ser utilizados para gerar modelos QSAR. 17 A Tabela 1 mostra uma comparação das principais características presentes no programa QSAR modeling com os programas supracitados. É notório que dentre os programas livres, apenas o QSAR modeling incorpora todos os testes sugeridos na literatura para a validação 3 e obtenção de modelos robustos, não obtidos por correlações espúrias e com a avaliação crítica dos compostos com comportamento atípico.Neste trabalho, é apresentado um novo programa open source, denominado QSAR modeling, cujo objetivo é construir e validar modelos de QSAR utilizando as ferramentas quimiométricas. Esse é o primeiro programa que implementa o método de seleção de variáveis recentemente desenvolvido ordered predictors selection (OPS), 18 incorpora os processos de vali...

show abstract

“…where k is the number of variables in the model and n is the number of compounds used in the study [26][27][28].…”

Section: Comfa Analysismentioning

confidence: 99%

Interactions between cycloguanil derivatives and wild type and resistance-associated mutant Plasmodium falciparum dihydrofolate reductases

Maitarad

Kamchonwongpaisan

Vanichtanankul

et al. 2009

J Comput Aided Mol Des

View full text Add to dashboard Cite

Comparative molecular field analysis (CoMFA) and quantum chemical calculations were performed on cycloguanil (Cyc) derivatives of the wild type and the quadruple mutant (Asn51Ile, Cys59Arg, Ser108Asn, Ile164Leu) of Plasmodium falciparum dihydrofolate reductase (PfDHFR). The represented CoMFA models of wild type (r(2) = 0.727 and r(2) = 0.985) and mutant type (r(2) = 0.786 and r(2) = 0.979) can describe the differences of the Cyc structural requirements for the two types of PfDHFR enzymes and can be useful to guide the design of new inhibitors. Moreover, the obtained particular interaction energies between the Cyc and the surrounding residues in the binding pocket indicated that Asn108 of mutant enzyme was the cause of Cyc resistance by producing steric clash with p-Cl of Cyc. Consequently, comparing the energy contributions with the potent flexible WR99210 inhibitor, it was found that the key mutant residue, Asn108, demonstrates attractive interaction with this inhibitor and some residues, Leu46, Ile112, Pro113, Phe116, and Leu119, seem to perform as second binding site with WR99210. Therefore, quantum chemical calculations can be useful for investigating residue interactions to clarify the cause of drug resistance.

show abstract

Multiway calibration in 3D QSAR

Cited by 64 publications

References 63 publications

Chemometrics tools in QSAR/QSPR studies: A historical perspective

Chemometrics tools in QSAR/QSPR studies: A historical perspective

QSAR modeling: um novo pacote computacional open source para gerar e validar modelos QSAR

Interactions between cycloguanil derivatives and wild type and resistance-associated mutant Plasmodium falciparum dihydrofolate reductases

Contact Info

Product

Resources

About