Application 2D Descriptors and Artificial Neural Networks for Beta-Glucosidase Inhibitors Screening - Publikacja - MOST Wiedzy

Wyszukiwarka

Application 2D Descriptors and Artificial Neural Networks for Beta-Glucosidase Inhibitors Screening

Abstrakt

Beta-glucosidase inhibitors play important medical and biological roles. In this study, simple two-variable artificial neural network (ANN) classification models were developed for beta-glucosidase inhibitors screening. All bioassay data were obtained from the ChEMBL database. The classifiers were generated using 2D molecular descriptors and the data miner tool available in the STATISTICA package (STATISTICA Automated Neural Networks, SANN). In order to evaluate the models’ accuracy and select the best classifiers among automatically generated SANNs, the Matthews correlation coefficient (MCC) was used. The application of the combination of maxHBint3 and SpMax8_Bhs descriptors leads to the highest predicting abilities of SANNs, as evidenced by the averaged test set prediction results (MCC = 0.748) calculated for ten different dataset splits. Additionally, the models were analyzed employing receiver operating characteristics (ROC) and cumulative gain charts. The thirteen final classifiers obtained as a result of the model development procedure were applied for a natural compounds collection available in the BIOFACQUIM database. As a result of this beta-glucosidase inhibitors screening, eight compounds were univocally classified as active by all SANNs.

Cytowania

  • 1

    CrossRef

  • 1

    Web of Science

  • 1

    Scopus

Autor (1)

Cytuj jako

Pełna treść

pobierz publikację
pobrano 11 razy
Wersja publikacji
Accepted albo Published Version
Licencja
Creative Commons: CC-BY otwiera się w nowej karcie

Słowa kluczowe

Informacje szczegółowe

Kategoria:
Publikacja w czasopiśmie
Typ:
Publikacja w czasopiśmie
Opublikowano w:
MOLECULES nr 25, wydanie 24,
ISSN: 1420-3049
ISSN:
1420-3049
Rok wydania:
2020
DOI:
Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.3390/molecules25245942
Bibliografia: test
  1. De Melo, B.E.; Da Silveira, G.A.; Carvalho, I. α-and β-Glucosidase inhibitors: Chemical structure and biological activity. Tetrahedron 2006, 62, 10277-10302. [CrossRef] otwiera się w nowej karcie
  2. Campo, V.L.; Aragão-Leoneti, V.; Carvalho, I. Glycosidases and diabetes: Metabolic changes, mode of action and therapeutic perspectives. In Carbohydrate Chemistry; Royal Society of Chemistry: London, UK, 2013; Volume 39, pp. 181-203.
  3. Bieberich, E. Synthesis, Processing, and Function of N-glycans in N-glycoproteins. In Glycobiology of the Nervous System. Advances in Neurobiology; otwiera się w nowej karcie
  4. Yu, R., Schengrund, C.L., Eds.; Springer: New York, NY, USA, 2014; Volume 9, pp. 47-70.
  5. Heightman, T.D.; Vasella, A.T. Recent Insights into Inhibition, Structure, and Mechanism of Con-figuration-Retaining Glycosidases. Angew. Chem. Int. Ed. 1999, 38, 750-770. [CrossRef] Molecules 2020, 25, 5942 otwiera się w nowej karcie
  6. Krasikov, V.V.; Karelov, D.V.; Firsov, L.M. α-Glucosidases. Biochemistry 2001, 66, 267-281. otwiera się w nowej karcie
  7. Lillelund, V.H.; Jensen, H.H.; Liang, X.; Bols, M. Recent Developments of Transition-State Analogue Glycosidase Inhibitors of Non-Natural Product Origin. Chem. Rev. 2002, 102, 515-554. [CrossRef] [PubMed] otwiera się w nowej karcie
  8. Legler, G. Glycoside Hydrolases: Mechanistic Information from Studies with Reversible and Irre-versible Inhibitors. Adv. Carbohydr. Chem. Biochem. 1990, 48, 319-384. [PubMed] otwiera się w nowej karcie
  9. Chiba, S. Molecular Mechanism in α-Glucosidase and Glucoamylase. Biosci. Biotechnol. Biochem. 1997, 61, 1233-1239. [CrossRef] [PubMed] otwiera się w nowej karcie
  10. Piszkiewicz, D.; Bruice, T.C. Glycoside Hydrolysis. II. Intramolecular Carboxyl and Acetamido Group Catalysis in β-Glycoside Hydrolysis. J. Am. Chem. Soc. 1968, 90, 2156-2163. [CrossRef] otwiera się w nowej karcie
  11. Bauer, M.W.; Bylina, E.J.; Swanson, R.V.; Kelly, R.M. Comparison of a β-Glucosidase and a β-Mannosidase from the Hyperthermophilic ArchaeonPyrococcus furiosus. J. Biol. Chem. 1996, 271, 23749-23755. [CrossRef] otwiera się w nowej karcie
  12. Mahapatra, S.; Vickram, A.S.; Sridharan, T.B.; Parameswari, R.; Pathy, M.R. Screening, production, optimization and characterization of β-glucosidase using microbes from shellfish waste. 3 Biotech 2016, 6, 213. [CrossRef] otwiera się w nowej karcie
  13. Zhang, S.; Xie, J.; Zhao, L.; Pei, J.; Su, E.; Xiao, W.; Wang, Z. Cloning, overexpression and character-ization of a thermostable β-xylosidase from Thermotoga petrophila and cooperated transformation of ginsenoside extract to ginsenoside 20(S)-Rg3 with a β-glucosidase. Bioorg. Chem. 2019, 85, 159-167. [CrossRef] otwiera się w nowej karcie
  14. Tiwari, P.; Misra, B.N.; Sangwan, N.S. β-Glucosidases from the FungusTrichoderma: An Efficient Cellulase Machinery in Biotechnological Applications. BioMed Res. Int. 2013, 2013, 1-10. [CrossRef] [PubMed] otwiera się w nowej karcie
  15. Sørensen, A.; Lübeck, M.; Lubeck, P.S.; Ahring, B.K. Fungal Beta-Glucosidases: A Bottleneck in Industrial Use of Lignocellulosic Materials. Biomolecules 2013, 3, 612-631. [CrossRef] otwiera się w nowej karcie
  16. Del Cueto, J.; Møller, B.L.; Dicenta, F.; Sánchez-Pérez, R. β-Glucosidase activity in almond seeds. Plant Physiol. Biochem. 2018, 126, 163-172. [CrossRef] [PubMed] otwiera się w nowej karcie
  17. Li, Y.-K.; Chang, L.-F.; Shu, H.-H.; Chir, J. Characterization of an Isozyme of β-Glucosidase from Sweet Almond. J. Chin. Chem. Soc. 1997, 44, 81-87. [CrossRef] otwiera się w nowej karcie
  18. Cicek, M.; Esen, A. Structure and Expression of a Dhurrinase (β-Glucosidase) from Sorghum. Plant Physiol. 1998, 116, 1469-1478. [CrossRef] otwiera się w nowej karcie
  19. Pankoke, H.; Buschmann, T.; Müller, C. Role of plant β-glucosidases in the dual defense system of iridoid glycosides and their hydrolyzing enzymes in Plantago lanceolata and Plantago major. Phytochemistry 2013, 94, 99-107. [CrossRef] otwiera się w nowej karcie
  20. Barrett, T.; Suresh, C.G.; Tolley, S.P.; Dodson, E.J.; Hughes, M.A. The crystal structure of a cyanogenic β-glucosidase from white clover, a family 1 glycosyl hydrolase. Structure 1995, 3, 951-960. [CrossRef] otwiera się w nowej karcie
  21. Ioku, K.; Pongpiriyadacha, Y.; Konishi, Y.; Takei, Y.; Nakatani, N.; Terao, J. β-Glucosidase Activity in the Rat Small Intestine toward Quercetin Monoglucosides. Biosci. Biotechnol. Biochem. 1998, 62, 1428-1431. [CrossRef] otwiera się w nowej karcie
  22. Raychaudhuri, C.; Desai, I.D. Lysosomal β-glucosidase and β-xylosidase of rat intestine. Int. J. Biochem. 1972, 3, 684-690. [CrossRef] otwiera się w nowej karcie
  23. Gopalan, V.; Vander Jagt, D.J.; Libell, D.P.; Glew, R.H. Transglucosylation as a probe of the mecha-nism of action of mammalian cytosolic β-glucosidase. J. Biol. Chem. 1992, 267, 9629-9638.
  24. Philip, J.S.; Gilbert, H.J.; Smithard, R.R. Growth, viscosity and beta-glucanase activity of intestinal fluid in broiler chickens fed on barley-based diets with or without exogenous beta-glucanase. Br. Poult. Sci. 1995, 36, 599-603. [CrossRef] [PubMed] otwiera się w nowej karcie
  25. Lelieveld, L.T.; Mirzaian, M.; Kuo, C.L.; Artola, M.; Ferraz, M.J.; Peter, R.E.A.; Akiyama, H.; Greimel, P.; Van den Berg, R.J.B.H.N.; Overkleeft, H.S.; et al. Role of β-glucosidase 2 in aberrant glycosphin-golipid metabolism: Model of glucocerebrosidase deficiency in zebrafish. J. Lipid Res. 2019, 60, 1851-1867. [CrossRef] [PubMed] otwiera się w nowej karcie
  26. Yeoman, C.J.; Han, Y.; Dodd, D.; Schroeder, C.M.; Mackie, R.I.; Cann, I.K.O. Thermostable enzymes as biocatalysts in the biofuel industry. Adv. Appl. Microbiol. 2010, 70, 1-55. [PubMed] otwiera się w nowej karcie
  27. Asati, V.; Sharma, P.K. Purification and characterization of an isoflavones conjugate hydrolyzing β-glucosidase (ICHG) from Cyamopsis tetragonoloba (guar). Biochem. Biophys. Rep. 2019, 20, 100669. [CrossRef] [PubMed] otwiera się w nowej karcie
  28. Amiri, B.; Hosseini, N.S.; Taktaz, F.; Amini, K.; Rahmani, M.; Amiri, M.; Sadrjavadi, K.; Jangholi, A.; Esmaeili, S. Inhibitory effects of selected antibiotics on the activities of α-amylase and α-glucosidase: In-vitro, in-vivo and theoretical studies. Eur. J. Pharm. Sci. 2019, 138, 105040. [CrossRef] otwiera się w nowej karcie
  29. Martínez-Bailén, M.; Jiménez-Ortega, E.; Carmona, A.T.; Robina, I.; Sanz-Aparicio, J.; Talens-Perales, D.; Polaina, J.; Matassini, C.; Cardona, F.; Moreno-Vargas, A.J. Structural basis of the inhibition of GH1 β-glucosidases by multivalent pyrrolidine iminosugars. Bioorg. Chem. 2019, 89, 103026. [CrossRef] otwiera się w nowej karcie
  30. Durantel, D.; Alotte, C.; Zoulim, F. Glucosidase inhibitors as antiviral agents for hepatitis B and C. Curr. Opin. Investig. 2007, 8, 125-129.
  31. Pandey, S.; Sree, A.; Dash, S.S.; Sethi, D.P.; Chowdhury, L. Diversity of marine bacteria producing beta-glucosidase inhibitors. Microb. Cell Fact. 2013, 12, 35. [CrossRef] otwiera się w nowej karcie
  32. Puls, W.; Keup, U.; Krause, H.P.; Thomas, G.; Hoffmeister, F. Glucosidase inhibition-A new approach to the treatment of diabetes, obesity, and hyperlipoproteinaemia. Naturwissenschaften 1977, 64, 536-537. [CrossRef] otwiera się w nowej karcie
  33. Brogard, J.M.; Willemin, B.; Blicklé, J.F.; Lamalle, A.M.; Stahl, A. Inhibiteurs des alpha-glucosidases: Une nouvelle approche thérapeutique du diabète et des hypoglycémies fonctionnelles. Rev. Med. Intern. 1989, 10, 365-374. [CrossRef] otwiera się w nowej karcie
  34. Lankatillake, C.; Huynh, T.; Dias, D.A. Understanding glycaemic control and current approaches for screening antidiabetic natural products from evidence-based medicinal plants. Plant Methods 2019, 15, 1-35. [CrossRef] otwiera się w nowej karcie
  35. Teng, H.; Chen, L.; Fang, T.; Yuan, B.; Lin, Q. Rb2 inhibits α-glucosidase and regulates glucose me-tabolism by activating AMPK pathways in HepG2 cells. J. Funct. Foods 2017, 28, 306-313. [CrossRef] otwiera się w nowej karcie
  36. Kato, A.; Kato, N.; Kano, E.; Adachi, I.; Ikeda, K.; Yu, L.; Okamoto, T.; Banba, Y.; Ouchi, H.; Takahata, H.; et al. Biological properties of D-and L-1-deoxyazasugars. J. Med. Chem. 2005, 48, 2036-2044. [CrossRef] [PubMed] otwiera się w nowej karcie
  37. Fan, J.-Q.; Ishii, S.; Asano, N.; Suzuki, Y. Accelerated transport and maturation of lysosomal α-galactosidase A in Fabry lymphoblasts by an enzyme inhibitor. Nat. Med. 1999, 5, 112-115. [CrossRef] [PubMed] otwiera się w nowej karcie
  38. Sawkar, A.R.; Cheng, W.C.; Beutler, E.; Wong, C.H.; Balch, W.E.; Kelly, J.W. Chemical chaperones increase the cellular activity of N370S β-glucosidase: A therapeutic strategy for Gaucher disease. Proc. Natl. Acad. Sci. USA 2002, 99, 15428-15433. [CrossRef] [PubMed] otwiera się w nowej karcie
  39. Gaulton, A.; Bellis, L.J.; Bento, A.P.; Chambers, J.; Davies, M.; Hersey, A.; Light, Y.; McGlinchey, S.; Michalovich, D.; Al-Lazikani, B.; et al. ChEMBL: A large-scale bioactivity database for drug discovery. Nucleic Acids Res. 2012, 40, D1100-D1107. [CrossRef] otwiera się w nowej karcie
  40. Bender, A. Databases: Compound bioactivities go public. Nat. Chem. Biol. 2010, 6, 309. [CrossRef] otwiera się w nowej karcie
  41. Kim, S.; Thiessen, P.A.; Bolton, E.E.; Chen, J.; Fu, G.; Gindulyte, A.; Han, L.; He, J.; He, S.; Shoemaker, B.A.; et al. PubChem Substance and Compound databases. Nucleic Acids Res. 2016, 44, D1202-D1213. [CrossRef] otwiera się w nowej karcie
  42. Toropov, A.A.; Toropova, A.P.; Raitano, G.; Benfenati, E. CORAL: Building up QSAR models for the chromosome aberration test. Saudi J. Biol. Sci. 2019, 26, 1101-1106. [CrossRef] otwiera się w nowej karcie
  43. Ahmadi, S.; Ghanbari, H.; Lotfi, S.; Azimi, N. Predictive QSAR modeling for the antioxidant activity of natural compounds derivatives based on Monte Carlo method. Mol. Divers. 2020, 1-11. [CrossRef] otwiera się w nowej karcie
  44. Przybyłek, M.; Jeliński, T.; Słabuszewska, J.; Ziółkowska, D.; Mroczyńska, K.; Cysewski, P. Application of Multivariate Adaptive Regression Splines (MARSplines) Methodology for Screening of Di-carboxylic Acid Cocrystal Using 1D and 2D Molecular Descriptors. Cryst. Growth Des. 2019, 19, 3876-3887. [CrossRef] otwiera się w nowej karcie
  45. Sundar, K.; Rosy, J.C.; Balamurali, S.; Mary, J.A.; Shenbagara, R. Generation of 2D-QSAR Model for Angiogenin Inhibitors: A Ligand-Based Approach for Cancer Drug Design. Trends Bioinform. 2016, 9, 1-13. [CrossRef] otwiera się w nowej karcie
  46. Toropov, A.A.; Toropova, A.P.; Veselinović, A.M.; Leszczynska, D.; Leszczynski, J. SARS-CoV Mpro inhibitory activity of aromatic disulfide compounds: QSAR model. J. Biomol. Struct. Dyn. 2020. [CrossRef] otwiera się w nowej karcie
  47. Tran, T.-S.; Le, M.-T.; Tran, T.-D.; Tran, T.-H.; Thai, K.-M. Design of Curcumin and Flavonoid Derivatives with Acetylcholinesterase and Beta-Secretase Inhibitory Activities Using in Silico Approaches. Molecules 2020, 25, 3644. [CrossRef] [PubMed] otwiera się w nowej karcie
  48. Przybyłek, M.; Cysewski, P. Distinguishing Cocrystals from Simple Eutectic Mixtures: Phenolic Acids as Potential Pharmaceutical Coformers. Cryst. Growth Des. 2018, 18, 3524-3534. [CrossRef] otwiera się w nowej karcie
  49. Dieguez-Santana, K.; Pham-The, H.; Rivera-Borroto, O.M.; Puris, A.; Le-Thi-Thu, H.; Casanola-Martin, G.M. A Two QSAR Way for Antidiabetic Agents Targeting Using α-Amylase and α-Glucosidase In-hibitors: Model Parameters Settings in Artificial Intelligence Techniques. Lett. Drug Des. Discov. 2017, 14. [CrossRef] otwiera się w nowej karcie
  50. Taxak, N.; Bharatam, P.V. 2D QSAR study for gemfibrozil glucuronide as the mechanism-based in-hibitor of CYP2C8. Indian J. Pharm. Sci. 2013, 75, 680-687. otwiera się w nowej karcie
  51. Jafari, K.; Fatemi, M.H.; Toropova, A.P.; Toropov, A.A. Correlation Intensity Index (CII) as a criterion of predictive potential: Applying to model thermal conductivity of metal oxide-based ethylene glycol nanofluids. Chem. Phys. Lett. 2020, 754, 137614. [CrossRef] otwiera się w nowej karcie
  52. Yap, C.W. PaDEL-descriptor: An open source software to calculate molecular descriptors and fin-gerprints. J. Comput. Chem. 2011, 32, 1466-1474. [CrossRef] otwiera się w nowej karcie
  53. Lei, T.; Li, Y.; Song, Y.; Li, D.; Sun, H.; Hou, T.-J. ADMET evaluation in drug discovery: 15. Accurate prediction of rat oral acute toxicity using relevance vector machine and consensus modeling. J. Cheminform. 2016, 8, 1-19. [CrossRef] otwiera się w nowej karcie
  54. Goodarzi, M.; Dejaegher, B.; Heyden, Y. Vander Feature selection methods in QSAR studies. J. AOAC Int. 2012, 95, 636-651. [CrossRef] [PubMed] otwiera się w nowej karcie
  55. Li, Y.; Dai, Z.; Cao, D.; Luo, F.; Chen, Y.; Yuan, Z. Chi-MIC-share: A new feature selection algorithm for quantitative structure-activity relationship models. RSC Adv. 2020, 10, 19852-19860. [CrossRef] otwiera się w nowej karcie
  56. Alsenan, S.A.; Al-Turaiki, I.M.; Hafez, A.M. Feature extraction methods in quantitative struc-ture-activity relationship modeling: A comparative study. IEEE Access 2020, 8, 78737-78752. [CrossRef] otwiera się w nowej karcie
  57. Newby, D.; Freitas, A.A.; Ghafourian, T. Pre-processing Feature Selection for Improved C&RT Models for Oral Absorption. J. Chem. Inf. Model. 2013, 53, 2730-2742. [CrossRef] [PubMed] otwiera się w nowej karcie
  58. Antanasijević, J.; Antanasijević, D.; Pocajt, V.; Trišović, N.; Fodor-Csorba, K. A QSPR study on the liquid crystallinity of five-ring bent-core molecules using decision trees, MARS and artificial neural networks. RSC Adv. 2016, 6, 18452-18464. [CrossRef] otwiera się w nowej karcie
  59. Todeschini, R.; Consonni, V. Molecular Descriptors for Chemoinformatics. In Molecular Descriptors for Chemoinformatics; Wiley-VCH: Weinheim, Germany, 2009; Volume 2, ISBN 978-3-527-62876-6. otwiera się w nowej karcie
  60. Burden, F.R. Molecular identification number for substructure searches. J. Chem. Inf. Model. 1989, 29, 225-227. [CrossRef] otwiera się w nowej karcie
  61. Burden, F.R. A Chemically Intuitive Molecular Index Based on the Eigenvalues of a Modified Adjacency Matrix. Quant. Struct. Relatsh. 1997, 16, 309-314. [CrossRef] otwiera się w nowej karcie
  62. Broto, P.; Moreau, G.; Vandycke, C. Molecular structures: Perception, autocorrelation descriptor and sar studies: System of atomic contributions for the calculation of the n-octanol/water partition coef-ficients. Eur. J. Med. Chem. 1984, 19, 71-78.
  63. Broto, P.; Moreau, G.; Vandycke, C. Molecular structures: Perception, autocorrelation descriptor and sar studies: Autocorrelation descriptor. Eur. J. Med. Chem. 1984, 19, 66-70.
  64. Moreau, G.; Broto, P. Autocorrelation of molecular structures. Application to SAR studies. Nouv. J. Chim. 1980, 4, 757-764.
  65. Moreau, J.L.; Broto, P. The autocorrelation of a topologial structure: A new molecular descriptor. Nouv. J. Chim. 1980, 4, 359-360. otwiera się w nowej karcie
  66. Huuskonen, J.J.; Livingstone, D.J.; Tetko, I.V. Neural network modeling for estimation of partition coefficient based on atom-type electrotopological state indices. J. Chem. Inf. Comput. Sci. 2000, 40, 947-955. [CrossRef] [PubMed] otwiera się w nowej karcie
  67. Huuskonen, J.J.; Villa, A.E.P.; Tetko, I.V. Prediction of partition coefficient based on atom-type electrotopological state indices. J. Pharm. Sci. 1999, 88, 229-233. [CrossRef] [PubMed] otwiera się w nowej karcie
  68. Kier, L.B.; Hall, L.H. Molecular Structure Description: The Electrotopological State; Academic Press: London, UK, 1999; ISBN 978-0-12-406555-0.
  69. Kier, L.B.; Hall, L.H. An Electrotopological-State Index for Atoms in Molecules. Pharm. Res. 1990, 7, 801-807. [CrossRef] [PubMed] otwiera się w nowej karcie
  70. Kier, L.B.; Hall, L.H.; Frazer, J.W. An index of electrotopological state for atoms in molecules. J. Math. Chem. 1991, 7, 229-241. [CrossRef] otwiera się w nowej karcie
  71. Votano, J.R.; Parham, M.; Hall, L.H.; Kier, L.B.; Oloff, S.; Tropsha, A.; Xie, Q.; Tong, W. Three new consensus QSAR models for the prediction of Ames genotoxicity. Mutagenesis 2004, 19, 365-377. [CrossRef] otwiera się w nowej karcie
  72. Fjodorova, N.; Vračko, M.; Novič, M.; Roncaglioni, A.; Benfenati, E. New public QSAR model for carcinogenicity. Chem. Cent. J. 2010, 4, S3. [CrossRef] otwiera się w nowej karcie
  73. Parmeggiani, C.; Catarzi, S.; Matassini, C.; D'Adamio, G.; Morrone, A.; Goti, A.; Paoli, P.; Cardona, F. Human Acid β-Glucosidase Inhibition by Carbohydrate Derived Iminosugars: Towards New Pharmacological Chaperones for Gaucher Disease. ChemBioChem 2015, 16, 2054-2064. [CrossRef] otwiera się w nowej karcie
  74. Yamashita, T.; Yasuda, K.; Kizu, H.; Kameda, Y.; Watson, A.A.; Nash, R.J.; Fleet, G.W.J.; Asano, N. New polyhydroxylated pyrrolidine, piperidine, and pyrrolizidine alkaloids from Scilla sibirica. J. Nat. Prod. 2002, 65, 1875-1881. [CrossRef] otwiera się w nowej karcie
  75. Matthews, B.W. Comparison of the predicted and observed secondary structure of T4 phage lyso-zyme. BBA Protein Struct. 1975, 405, 442-451. [CrossRef] otwiera się w nowej karcie
  76. Boughorbel, S.; Jarray, F.; El-Anbari, M. Optimal classifier for imbalanced data using Matthews Correlation Coefficient metric. PLoS ONE 2017, 12, e0177678. [CrossRef] [PubMed] otwiera się w nowej karcie
  77. Paul, S.; Arlehamn, C.S.L.; Schulten, V.; Westernberg, L.; Sidney, J.; Peters, B.; Sette, A. Experimental validation of the RATE tool for inferring HLA restrictions of T cell epitopes. BMC Immunol. 2017, 18, 20. [CrossRef] [PubMed] otwiera się w nowej karcie
  78. Klingspohn, W.; Mathea, M.; Ter Laak, A.; Heinrich, N.; Baumann, K. Efficiency of different measures for defining the applicability domain of classification models. J. Cheminform. 2017, 9, 1-17. [CrossRef] [PubMed] otwiera się w nowej karcie
  79. Cai, C.; Fang, J.; Guo, P.; Wang, Q.; Hong, H.; Moslehi, J.; Cheng, F. In Silico Pharmacoepidemiologic Evaluation of Drug-Induced Cardiovascular Complications Using Combined Classifiers. J. Chem. Inf. Model. 2018, 58, 943-956. [CrossRef] [PubMed] otwiera się w nowej karcie
  80. Davis, J.; Goadrich, M. The relationship between precision-recall and ROC curves. ACM Int. Conf. Proc. Ser. 2006, 148, 233-240. otwiera się w nowej karcie
  81. Bradley, A.P. The use of the area under the ROC curve in the evaluation of machine learning algo-rithms. Pattern Recognit. 1997, 30, 1145-1159. [CrossRef] otwiera się w nowej karcie
  82. Brown, J. Classifiers and their Metrics Quantified. Mol. Inform. 2018, 37, 1700127. [CrossRef] otwiera się w nowej karcie
  83. Chicco, D.; Jurman, G. The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation. BMC Genom. 2020, 21, 1-13. [CrossRef] otwiera się w nowej karcie
  84. Halimu, C.; Kasem, A.; Newaz, S.H.S. Empirical comparison of area under ROC curve (AUC) and Mathew correlation coefficient (MCC) for evaluating machine learning algorithms on imbalanced datasets for binary classification. ACM Int. Conf. Proc. Ser. 2019, 1-6. [CrossRef] otwiera się w nowej karcie
  85. Lobo, J.M.; Jiménez-valverde, A.; Real, R. AUC: A misleading measure of the performance of pre-dictive distribution models. Glob. Ecol. Biogeogr. 2008, 17, 145-151. [CrossRef] otwiera się w nowej karcie
  86. Muschelli, J. ROC and AUC with a Binary Predictor: A Potentially Misleading Metric. J. Classif. 2020, 37, 696-708. [CrossRef] [PubMed] otwiera się w nowej karcie
  87. Kovalishyn, V.; Aires-de-Sousa, J.; Ventura, C.; Leitão, E.R.; Martins, F. QSAR modeling of an-titubercular activity of diverse organic compounds. Chemom. Intell. Lab. Syst. 2011, 107, 69-74. [CrossRef] otwiera się w nowej karcie
  88. Tropsha, A.; Gramatica, P.; Gombar, V.K. The Importance of Being Earnest: Validation is the Absolute Essential for Successful Application and Interpretation of QSPR Models. QSAR Comb. Sci. 2003, 22, 69-77. [CrossRef] otwiera się w nowej karcie
  89. Puzyn, T.; Mostrag-Szlichtyng, A.; Gajewicz-Skretna, A.; Skrzyński, M.; Worth, A. Investigating the influence of data splitting on the predictive ability of QSAR/QSPR models. Struct. Chem. 2011, 22, 795-804. [CrossRef] otwiera się w nowej karcie
  90. Pilón-Jiménez, B.A.; Saldívar-González, F.I.; Díaz-Eufracio, B.I.; Medina-Franco, J.L. BIOFACQUIM: A Mexican Compound Database of Natural Products. Biomolecules 2019, 9, 31. [CrossRef] otwiera się w nowej karcie
  91. Nikitina, A.; Orlov, A.; Kozlovskaya, L.; Palyulin, V.; Osolodkin, D.I. Enhanced taxonomy annotation of antiviral activity data from ChEMBL. Database 2019, 2019, 1-18. [CrossRef] otwiera się w nowej karcie
  92. Haudecoeur, R.; Peuchmaur, M.; Ahmed-Belkacem, A.; Pawlotsky, J.M.; Boumendjel, A. Structure-activity relationships in the development of allosteric hepatitis C virus RNA-dependent RNA polymerase inhibitors: Ten years of research. Med. Res. Rev. 2013, 33, 934-984. [CrossRef] otwiera się w nowej karcie
  93. Bankar, A.; Siriwardena, T.P.; Rizoska, B.; Rydergård, C.; Kylefjord, H.; Rraklli, V.; Eneroth, A.; Pinho, P.; Norin, S.; Bylund, J.; et al. 5-Fluorotroxacitabine Displays Potent Anti-Leukemic Effects and Circumvents Resistance to Ara-C. Blood 2018, 132, 3939. [CrossRef] otwiera się w nowej karcie
  94. Szilágyi, K.; Hajdú, I.; Flachner, B.; Lőrincz, Z.; Balczer, J.; Gál, P.; Závodszky, P.; Pirli, C.; Balogh, B.; Mándity, I.M.; et al. Design and Selection of Novel C1s Inhibitors by In Silico and In Vitro Approaches. Molecules 2019, 24, 3641. [CrossRef] otwiera się w nowej karcie
Weryfikacja:
Brak weryfikacji

wyświetlono 26 razy

Publikacje, które mogą cię zainteresować

Meta Tagi