🗊Презентация Введение в хемоинформатику

Хемоинформатика- это мультидисциплинарное научное направление, возникшее на стыке химии, биологии, фармакологии, математики и информатики. Оно занимается обработкой накопленных экспериментальных данных о существующих химических элементах, а также развивает подходы, позволяющие заранее предсказывать химические, физические и биологические свойства новых, в том числе еще не синтезированных соединений. Хемоинформатика- это мультидисциплинарное научное направление, возникшее на стыке химии, биологии, фармакологии, математики и информатики. Оно занимается обработкой накопленных экспериментальных данных о существующих химических элементах, а также развивает подходы, позволяющие заранее предсказывать химические, физические и биологические свойства новых, в том числе еще не синтезированных соединений.

Основные понятия хемоинформатики Химическое пространство – набор химических объектов, для которых определено отношение, описывающее их сходство друг с другом Дескриптор – это числовой результат некоторого стандартного эксперимента, либо финальный результат математической процедуры, которая однозначно трансформирует структурную информацию о химическом объекте в число

Ч. 1. Представление молекул Легкость обработки при помощи компьютера. (Графическое изображение структурной формулы понятно химику, но крайне сложно при использовании компьютеров и поэтому не является кодирующим Высокая емкость. Хранимая информация должна занимать наименьший объем при максимальной полезности Эффективность. Желательно, чтобы для работы с кодирующими представлениями могли применяться высокоэффективные алгоритмы обработки информации Уникальность. Желательно, чтобы одной молекуле соответствовало одно представление. Процесс выбора уникально представления из множества возможных вариантов называется канонизацией. Однозначность. Каждому представлению в идеальном случае должна соответствовать только одно молекула. (Не удовлетворяет брутто-формула).

Ч.2. Химические базы данных Классификация баз данных. (1 Библиографические, полнотекстовые, фактографические. Структурный поиск в химических базах данных: поиск по структуре, поиск по подструктуре, поиск по подобию Важнейшие базы данных

Ч.3. Моделирование «структура-свойство» Задачей моделирования «структура-свойство» является создание статистических моделей, которые на основании структуры могут предсказать их свойства. Исторически, эти методы ассоциируются с исследованием биологической активности молекул, поэтому за отраслью закрепилось название QSAR- (Quantittative Structure-Activity Relationships). Вместе с тем, моделирование «структура-свойство» используется также в создании полимеров, материалов, катализаторов, композитов, реагентов, экстрагентов, ПАВ, ионных жидкостей и в целом для предсказания полезных для практ. целей свойств: спектров, растворимости, температур плавления, кипения и т.д.

Ч. 4. Методы машинного обучения Машинное обучение – это раздел искусственного интеллекта, рассматривающий методы построения алгоритмов и на их основе программ, способных обучаться. Обучение обычно ведется путем предъявления эмпирических данных (называемых прецедентами или наблюдениями), в которых выявляются закономерности, и на их основе строятся модели, позволяющие в дальнейшем прогнозировать определенные характеристики (называемые ответами) для новых объектов.