Диссертационная работа относится к области хемоинформатики – активно развивающегося направления математической химии, в задачи которого входит разработка методов прогнозирования свойств химических соединений и материалов на основе применения современного аппарата статистического машинного обучения к выявлению зависимостей между структурой химических соединений и их свойствами путем автоматизированной обработки больших массивов экспериментальных данных. Главным содержанием диссертационной работы является создание универсальной методологии, позволяющей с единых позиций осуществлять количественный прогноз самых разнообразных свойств (главным образом, физико-химических) свойств органических соединений в рамках теоретико-графового подхода к описанию их строения на основе компьютерной обработки экспериментальных данных. Математически обоснован и на множестве примеров продемонстрирован центральный тезис диссертационной работы: такой универсальной методологией является сочетание многослойных искусственных нейронных сетей персептронного типа и фрагментных дескрипторов. В рамках развития нейросетевых подходов разработаны: а) процедуры трехвыборочного и двойного скользящего контроля; б) статистический метод быстрой пошаговой множественной линейной регрессии; в) метод интерпретации нейросетевых регрессионных моделей; г) концепция «обучаемой симметрии». В рамках развития фрагментных подходов разработаны: а) иерархическая система классификации типов атомов, входящих в состав фрагментов, а также структура и алгоритм генерации фрагментных дескрипторов; б) концепция фрагментов с «выделенными» атомами; в) концепция псевдофрагментных дескрипторов. В рамках развития интегрированных подходов разработаны: а) методы интеграции нейросетевого и молекулярного моделирования; б) концепция построения нейросетевых моделей «структура-условия-свойство»; в) методы объединения нейросетевых моделей на основе концепций многоуровнего подхода и многозадачного обучения; г) концепция проведения прямых корреляций «структура-свойство». Разработан программный комплекс, позволяющий в полном объеме осуществить весь цикл работ по построению моделей «структура-свойство» и «структура-условия-свойство», и с их помощью осуществлять прогнозирование самых разнообразных свойств химических соединений. Построены модели для прогнозирования 62 разнообразных свойств химических соединений. Результатом работы явилось создание нового научного направления – нейросетевого моделирования свойств органических соединений на основе фрагментного подхода.

Here, chemoinformatics is considered as a theoretical chemistry discipline complementary to quantum chemistry and force-field molecular modeling. These three fields are compared with respect to molecular representation, inference mechanisms, basic concepts and application areas. A chemical space, a fundamental concept of chemoinformatics, is considered with respect to complex relations between chemical objects (graphs or descriptor vectors). Statistical Learning Theory, one of the main mathematical approaches in structure-property modeling, is briefly reviewed. Links between chemoinformatics and its “sister” fields – machine learning, chemometrics and bioinformatics are discussed.
Molecular Informatics, 2011, volume 30, issue 1, pages 20-32