Міністерство освіти і науки, молоді та спорту України

Донецький Національний Університет

Хімічний факультет

Лабораторні роботи

з моделювання експерименту на ЕОМ

Виконав студент 4-го курсу

Викладач: проф. Опейда Йосип Олексійович

Донецьк 2012

ЗМІСТ

Лабораторна робота №1………………………………………………………3-6 стр.

Лабораторна робота №2………………………………………………………7-8 стр.

Лабораторна робота №3………………………………………………………9-11 стр.

Лабораторна робота №4……………………………………………………....12-13стр.

Лабораторна робота №5……………………………………………………….14стр.

Лабораторна робота №1

Тема: Місце математичної моделі структура-властивості у сучасному світі.

Пошук кількісних співвідношень структура-властивість - процедура побудови моделей, що дозволяють по структурам хімічних сполук передбачати їх різноманітні властивості. За моделями, що дозволяють прогнозувати кількісні характеристики біологічної активності, історично закріпилося англомовне назву Quantitative Structure-Activity Relationship (QSAR). Абревіатура QSAR часто трактується розширено для позначення будь-яких моделей структура-властивість. За моделями, що дозволяють прогнозувати фізичні і фізико-хімічні властивості органічних сполук, закріпилося англомовне назву Quantitative Structure-Property Relationship (QSPR). При якісному описі співвідношень між структурами хімічних сполук і їх біологічною активністю вживають англомовний термін Structure-Activity Relationship (SAR).

Пошук кількісних співвідношень структура-властивість заснований на застосуванні методів математичної статистики і машинного навчання для побудови моделей, що дозволяють за описом структур хімічних сполук передбачати їх властивості (фізичні, хімічні, біологічну активність). При прогнозуванні властивостей на якісному рівні (наприклад, чи буде дана хімічна сполука володіти даним видом біологічної активності) говорять про рішення класифікаційної задачі, тоді як при прогнозуванні числових значень властивостей говорять про рішення регресійної задачі. Опис структур хімічних сполук для цих цілей може бути векторним або невекторним (графовая).

Залежність «структура-властивість» характеризується трьома поняттями: залежність; структура; властивість:

• Залежність - зв'язаність явищ, обумовлює їх існування або співіснування - це обумовленість чого-небудь якими обставинами, причинами і т. п.

• Структура - сукупність стійких зв'язків предмета, що забезпечують його цілісність і тотожність самому собі, тобто збереження основних властивостей при різних змінах - це стійке взаємне розташування в просторі всіх утворюючих його елементів, їх внутрішня будова і характер взаємодії між ними.

• Властивість - це філософська категорія, що виражає таку сторону предмета, яка обумовлює його відмінність чи спільність з іншими предметами і виявляється в його ставленні до них.

Ресурси, що дозволяють будувати нові моделі структура-властивість

1. Online CHemical Modeling (OCHEM) - інформаційний та обчислювальний ресурс, що дозволяє працювати через Web-інтерфейс з базою даних по органічним сполукам та їх властивостям, поповнювати її, здійснювати в ній пошук і формувати вибірки, розраховувати широкий набір молекулярних дескрипторів, будувати кількісні моделі структура-властивість і застосовувати їх для прогнозування властивостей нових сполук.

2. Chembench - ресурс, що дозволяє будувати моделі структура-властивість і їх використовувати для прогнозування.

Методи побудови моделей структура-властивість

Для вирішення регресійних задач при векторному описі структур хімічних сполук найчастіше в хемоінформатика застосовуються такі методи математичної статистики і машинного навчання:

1. Множинна лінійна регресія

2. Метод часткових найменших квадратів (Partial Least Squares - PLS)

3. Штучні нейронні мережі

4. Регресія на опорних векторах

5. випадковий ліс

6. Метод k найближчих сусідів

Для вирішення двухклассових (бінарних) або многоклассових класифікаційних задач при векторному описі структур хімічних сполук найчастіше в хемоінформатика застосовуються такі методи математичної статистики і машинного навчання:

1. Наївний байєсовський класифікатор

2. Лінійний дискримінантний аналіз (Linear Discriminant Analysis - LDA)

3. Штучні нейронні мережі

4. Метод опорних векторів

5. Дерева прийнять рішень

6. випадковий ліс

7. Метод k найближчих сусідів

Для вирішення однокласових класифікаційних задач при векторному описі структур хімічних сполук найчастіше в хемоінформатика застосовуються такі методи машинного навчання:

1. Автокодірующіе нейронні мережі

2. Однокласова машина опорних векторів (1-SVM)