Applicability Domains for Classification Problems: Benchmarking of Distance to Models for Ames Mutagenicity Set.

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: WFRF:(Muratov Eugene) > Applicability Domai...

3 av 3
Föregående post
Nästa post
Till träfflistan

Applicability Domains for Classification Problems : Benchmarking of Distance to Models for Ames Mutagenicity Set.

Sushko, Iurii (författare)

Novotarskyi, Sergii (författare)

Körner, Robert (författare)

visa fler...

Pandey, Anil Kumar (författare)

Cherkasov, Artem (författare)

Li, Jiazhong (författare)

Gramatica, Paola (författare)

Hansen, Katja (författare)

Schroeter, Timon (författare)

Müller, Klaus-Robert (författare)

Xi, Lili (författare)

Liu, Huanxiang (författare)

Yao, Xiaojun (författare)

Öberg, Tomas (författare): Linnéuniversitetet,Institutionen för naturvetenskap, NV

Hormozdiari, Farhad (författare)

Dao, Phuong (författare)

Sahinalp, Cenk (författare)

Todeschini, Roberto (författare)

Polishchuk, Pavel (författare)

Artemenko, Anatoliy (författare)

Kuz'min, Victor (författare)

Martin, Todd M (författare)

Young, Douglas M (författare)

Fourches, Denis (författare)

Muratov, Eugene (författare)

Tropsha, Alexander (författare)

Baskin, Igor (författare)

Horvath, Dragos (författare)

Marcou, Gilles (författare)

Muller, Christophe (författare)

Varnek, Alexander (författare)

Prokopenko, Volodymyr V (författare)

Tetko, Igor V (författare)

visa färre...

(creator_code:org_t)

2010-10-29
2010
Engelska.
Ingår i: Journal of chemical information and modeling. - : American Chemical Society (ACS). - 1549-9596 .- 1549-960X. ; 50:12, s. 2094-2111

Relaterad länk:: https://urn.kb.se/re...; visa fler...; https://doi.org/10.1...; visa färre...

Tidskriftsartikel (refereegranskat)

Abstract Ämnesord

Stäng

The estimation of accuracy and applicability of QSAR and QSPR models for biological and physicochemical properties represents a critical problem. The developed parameter of "distance to model" (DM) is defined as a metric of similarity between the training and test set compounds that have been subjected to QSAR/QSPR modeling. In our previous work, we demonstrated the utility and optimal performance of DM metrics that have been based on the standard deviation within an ensemble of QSAR models. The current study applies such analysis to 30 QSAR models for the Ames mutagenicity data set that were previously reported within the 2009 QSAR challenge. We demonstrate that the DMs based on an ensemble (consensus) model provide systematically better performance than other DMs. The presented approach identifies 30-60% of compounds having an accuracy of prediction similar to the interlaboratory accuracy of the Ames test, which is estimated to be 90%. Thus, the in silico predictions can be used to halve the cost of experimental measurements by providing a similar prediction accuracy. The developed model has been made publicly available at http://ochem.eu/models/1 .

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se

Applicability Domains for Classification Problems : Benchmarking of Distance to Models for Ames Mutagenicity Set.

Nyckelord

Publikations- och innehållstyp

Hitta via bibliotek

Till lärosätets databas

Hitta mer i SwePub

Sök utanför SwePub