Примером нейросетевых алгоритмов может быть соответствующая сеть, использующая «генетический» алгоритм обучения. Это своего рода стохастический метод оптимизации, в основе которого лежат эволюционные принципы. Из разнообразных вариантов описания объектов на протяжении нескольких поколений выбирают те, которые включают в себя наиболее значимые параметры. В литературе описаны разнообразные методы генерирования нового поколения в рамках «генетического» алгоритма. Это так называемый метод аппроксимации генетической функции и эволюционное программирование.

Совокупность параметров, подаваемых на вход нейросети, как правило, представляют в виде вектора. Поэтому при выборе описания необходимо выполнить следующие условия: 1) количество и тип используемых дескрипторов одинаковы для всех описываемых структур; 2) каждому дескриптору соответствует определенная компонента в векторе параметров; 3) различным молекулам соответствуют различные вектора параметров.

Для того, чтобы осуществить анализ полученных нейросетевых зависимостей, необходимо вычислить значения частных производных исследуемых свойств последовательно по значениям всех исходных дескрипторов на множестве примеров из обучающей выборки. Таким способом вычисляется набор статистических функций, позволяющий оценить вклад всех исходных дескрипторов в построение нейросетевой модели.

Для оценки нейросетевых моделей используют стандартные статистические функции: вычисляют среднеквадратические ошибки, коэффициенты корреляции или распознавания.

Во многих случаях, для того чтобы сделать выводы об адекватности использования нейросетевого моделирования, сравнивают модели нейросетевых алгоритмов, с моделями, полученными другими методами (PLS, CoMFA).

Несмотря на ограниченность анализа полученных нейросетевых зависимостей, все же в ряде работ приведены результаты успешного количественного неиросетевого моделирования сродства веществ к различным рецепторам, транспортным белкам, моделирования констант ингибирования ферментов и ряда биологических активностей.

Теоретический (виртуальный) поиск вещества с определенными свойствами заканчивается получением информации об искомом средстве, например, структурная формула соединения или фармакофора, за созданием которых следует синтез и дальнейшее испытание его свойств. Химический синтез и биологический скрининг веществ довольно сложные, трудоемкие, а потому и дорогостоящие этапы изучения лекарственных средств. Поэтому во многих развитых странах в последнее время широкое распространение получили высокопродуктивные скрининговые технологии (High-Throughput Screening, HTS).

Особенности данной технологии следующие: 1) использование незначительного количества соединения; 2) создание больших коллекций веществ (100 тыс. — 1 млн.) с однотипным действием; 3) автоматизация процессов и высокая скорость (104—105 анализов за один день).

- Читать далее "Скрининговые технологии в фармации. Виды скрининговых технологий"