chemicallytechFine Chemical TechnologiesТонкие химические технологии2410-65932686-7575MIREA – Russian Technological University (RTU MIREA).chemicallytech-1519Research ArticleMATHEMATICAL METHODS AND INFORMATION SYSTEMS IN CHEMICAL TECHNOLOGYМАТЕМАТИЧЕСКИЕ МЕТОДЫ И ИНФОРМАЦИОННЫЕ СИСТЕМЫ В ХИМИЧЕСКОЙ ТЕХНОЛОГИИPrediction of complex organic compounds activity with artificial neural networks.Прогнозирование активности органических соединений с использованием искусственных нейронных сетей.БурляеваЕ. В.BurljaevaE. V.

кафедра Информационных технологий, профессор

noemail@neicon.ruУшаковП. А.UshakovP. A.

кафедра Информационных технологий, аспирант

noemail@neicon.ruМИТХТ им. М.В. Ломоносова, 119571, Москва, пр-т Вернадского, д. 86РоссияM.V. Lomonosov Moscow State University of Fine Chemical Technologies, 86, Vernadskogo pr., Moscow 119571Russian Federation200828082008347983Copyright © Burljaeva E.V., Ushakov P.A., 20082008Бурляева Е.В., Ушаков П.А.Burljaeva E.V., Ushakov P.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.finechem-mirea.ru/jour/article/view/1519

The analysis of neural networks applicability for complex organic compounds activity prediction is provided. The regulation algorithm is offered to improve the prediction properties of the networks.

Выполнен анализ применимости нейронных сетей для прогнозирования активности производных дитиокарбаминовой кислоты и производных TIBO. Предложен алгоритм регуляризации нейронных сетей, позволяющий улучшить прогностические возможности сетей

нейронные сетикомпьютерная химияпроизводные дитиокарбаминовой кислотыTIBOструктура и свойства органических соединенийReferencesПоройков, В. В. Компьютерное предсказание биологической активности веществ: пределы возможного / В. В. Поройков // Химия в России. –1999. – № 2. – С. 8–12.Поройков, В. В. Компьютерное предсказание биологической активности веществ: пределы возможного / В. В. Поройков // Химия в России. –1999. – № 2. – С. 8–12.Crystal Structure at 3,5 Å Resolution of HIV-1 Reverse Transcriptase Complexed with an Inhibitor / L. A. Kohlstaedt [et al.] // Science. – 1992. –Vol. 256. – P.1783–1790.Crystal Structure at 3,5 Å Resolution of HIV-1 Reverse Transcriptase Complexed with an Inhibitor / L. A. Kohlstaedt [et al.] // Science. – 1992. –Vol. 256. – P.1783–1790.The structure of HIV-1 reverse transcriptase complexed with 9-cloro-TIBO: lessons for inhibitor design / J. Ren [et al.] // Structure. – 1995. – Vol. 3. – P. 915–926.The structure of HIV-1 reverse transcriptase complexed with 9-cloro-TIBO: lessons for inhibitor design / J. Ren [et al.] // Structure. – 1995. – Vol. 3. – P. 915–926.Quantitative structure-activity relationships and comparative molecular field analysis of TIBO derivatised HIV-1 reverse transcriptase inhibitors / S. Hannongbua [et al.] // Journal of ComputerAided Molecular Design. – 1999. – № 13. – P. 563–577.Quantitative structure-activity relationships and comparative molecular field analysis of TIBO derivatised HIV-1 reverse transcriptase inhibitors / S. Hannongbua [et al.] // Journal of ComputerAided Molecular Design. – 1999. – № 13. – P. 563–577.Eriksson, Mats A. L. Prediction of the Binding Free Energies of New TIBO-like HIV-1 Reverse Transcriptase Inhibitors Using a Combination of PROFEC, PB/SA, CMC/MD and Free Energy Calculations / Mats A. L. Eriksson, J. Pitera, P. Kollman // Journal of Medicinal Chemistry. – 1999. – Vol. 42, № 5. – P. 868–881.Eriksson, Mats A. L. Prediction of the Binding Free Energies of New TIBO-like HIV-1 Reverse Transcriptase Inhibitors Using a Combination of PROFEC, PB/SA, CMC/MD and Free Energy Calculations / Mats A. L. Eriksson, J. Pitera, P. Kollman // Journal of Medicinal Chemistry. – 1999. – Vol. 42, № 5. – P. 868–881.Компьютерное моделирование противотуберкулезной активности производных дитиокарбаминовой кислоты / А. М. Юркевич, В. В. Бурляев, В. С. Боридко, С. В. Разливинская // Ученые зап. МИТХТ. – 2000. – Вып.1. – С. 39–42.Компьютерное моделирование противотуберкулезной активности производных дитиокарбаминовой кислоты / А. М. Юркевич, В. В. Бурляев, В. С. Боридко, С. В. Разливинская // Ученые зап. МИТХТ. – 2000. – Вып.1. – С. 39–42.Баскин, И. И. Применение искусственных нейронных сетей в химических и биохимических исследованиях / И. И. Баскин, В. А. Палюлин, Н. С. Зефиров // Вестник Московского Университета. Химия. – 1999. – Т. 40, № 5. – С. 323–325.Баскин, И. И. Применение искусственных нейронных сетей в химических и биохимических исследованиях / И. И. Баскин, В. А. Палюлин, Н. С. Зефиров // Вестник Московского Университета. Химия. – 1999. – Т. 40, № 5. – С. 323–325.The Use of Artificial Neural Networks in QSAR / D. W. Salt [et al.] // Pesticide Science. – 2002. – Vol. 32, № 1. – P. 161–170.The Use of Artificial Neural Networks in QSAR / D. W. Salt [et al.] // Pesticide Science. – 2002. – Vol. 32, № 1. – P. 161–170.www.statsoft.ruwww.statsoft.ruMarquardt, D. W. An algorithm for least-squares estimation of non-linear parameters / D. W. Marquardt // Journal of the Society of Industrial and Applied Mathematics. – 1997. – Vol. 11 (2). – P. 431–441.Marquardt, D. W. An algorithm for least-squares estimation of non-linear parameters / D. W. Marquardt // Journal of the Society of Industrial and Applied Mathematics. – 1997. – Vol. 11 (2). – P. 431–441.

The authors declare that there are no conflicts of interest present.