ISSN: 2379-1764
ఫాతిమా ఆదిలోవా మరియు అలిషర్ ఇక్రమోవ్
మెడిసినల్ కెమిస్ట్రీకి యాక్టివిటీ క్లిఫ్ కాన్సెప్ట్ అధిక ఔచిత్యం. ఇక్కడ, మేము "డేటా సెట్ మోడలబిలిటీ" అనే కాన్సెప్ట్ను అన్వేషిస్తాము, అనగా బయోయాక్టివ్ కాంపౌండ్ల డేటా సెట్ కోసం బాహ్యంగా ప్రిడిక్టివ్ QSAR మోడల్లను పొందే సాధ్యత యొక్క ముందస్తు అంచనా. QSAR మోడల్స్ యొక్క మొత్తం పనితీరుపై "కార్యాచరణ శిఖరాలు" అని పిలవబడే ప్రభావాన్ని విశ్లేషించడం ద్వారా ఈ భావన ఉద్భవించింది. "మోడబిలిటీ" (SALI, ISAC మరియు MODI) యొక్క కొన్ని సూచికలు ఇప్పటికే తెలిసినవి. మేము MODI సంస్కరణను వాస్తవ కార్యాచరణ విలువలతో కూడిన సమ్మేళనాల డేటా సెట్లకు విస్తరించాము. QSAR నమూనాల అంచనా సామర్థ్యం SVM అల్గారిథమ్ ద్వారా సరైన వర్గీకరణ రేటుగా వ్యక్తీకరించబడింది, ఇది ఇతర రెండు అల్గారిథమ్ల ఫలితాలతో పోల్చబడింది: అల్గోరిథం MODI మరియు వోరోనిన్ యొక్క అల్గోరిథం రచయితలచే సవరించబడింది. పియర్సన్ సహసంబంధ గుణకం స్క్వేర్ ఉపయోగించి ప్రదర్శించిన ఫలితాల తులనాత్మక విశ్లేషణ. మా అధ్యయనం కేవలం "కార్యకలాప శిఖరాలు" ఆధారంగా సెట్ చేయబడిన డేటా యొక్క ప్రిడిక్టివ్ ఎఫిషియన్సీ యొక్క మూల్యాంకనం యొక్క తీవ్ర లోపాన్ని చూపించింది. డేటా నమూనాలపై ప్రభావవంతమైన నమూనాలను రూపొందించే అవకాశాన్ని అంచనా వేయడానికి అనుమతించే మరింత ఖచ్చితమైన పద్ధతుల అభివృద్ధిలో, "కార్యకలాప శిఖరాల" ఉనికి (మరియు సంఖ్య) మాత్రమే కాకుండా, నమూనా యొక్క ఇతర లక్షణాలను పరిగణనలోకి తీసుకోవడం అవసరం. .