In silico ADME modelling 2: Computational models to predict human serum albumin binding affinity using ant colony systems

Gunturi, Sitarama B.; Ramamurthi, Narayanan; Khandelwal, Akash

doi:10.1016/j.bmc.2006.02.008

Cited by 47 publications

(33 citation statements)

References 59 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…There are many other types of QXYR, some of which represent variants of or are closely related to QSAR or QSPR. It is worth mentioning quantitative structure-retention relationship (QSRR), 6 adsorption-distribution-metabolism-excretion-toxicity (ADMET) relationship, 7 quantitative composition-activity relationship (QCAR), 8 linear free energy relationship (LFER), 9 linear solvent energy relationship (LSER) 10 and quantitative structure-correlations in structural science. 11,12 QXYR are also found in cheminformatics, 13 for example, using z-scales or scores of amino-acids or nucleotides as molecular descriptors, 14,15 and in bioinformatics where the primary sequence of nucleic acids, peptides and proteins is frequently understood as the molecular structure for generation of independent variables.…”

Section: Introductionmentioning

confidence: 99%

Basic validation procedures for regression models in QSAR and QSPR studies: theory and application

Kiralj¹,

Ferreira²

2009

J. Braz. Chem. Soc.

337

238

View full text Add to dashboard Cite

Quatro conjuntos de dados de QSAR e QSPR foram selecionados da literatura e os modelos de regressão foram construídos com 75, 56, 50 e 15 amostras no conjunto de treinamento. Estes modelos foram validados por meio de validação cruzada excluindo uma amostra de cada vez, validação cruzada excluindo N amostras de cada vez (LNO), validação externa, randomização do vetor y e validação bootstrap. Os resultados das validações mostraram que o tamanho do conjunto de treinamento é o fator principal para o bom desempenho de um modelo, uma vez que este piora para os conjuntos de dados pequenos. Modelos oriundos de conjuntos de dados muito pequenos não podem ser testados em toda a sua extensão. Além disto, eles podem falhar e apresentar comportamento atípico em alguns dos testes de validação (como, por exemplo, correlações espúrias, falta de robustez na reamostragem e na validação cruzada), mesmo tendo apresentado um bom desempenho na validação cruzada excluindo uma amostra, no ajuste e até na validação externa. Uma maneira simples de determinar o valor crítico de N em LNO foi introduzida, usando o valor limite de 0,1 para oscilações em Q 2 (faixa de variações em único LNO e dois desvios padrões em LNO múltiplo). Foi mostrado que 10 -25 ciclos de randomização de y ou de bootstrapping são suficientes para uma validação típica. O uso do método bootstrap baseado na análise de agrupamentos por métodos hierárquicos fornece resultados mais confiáveis e razoáveis do que aqueles baseados somente na randomização do conjunto de dados completo. A qualidade de dados em termos de significância estatística das relações descritor -y é o segundo fator mais importante para o desempenho do modelo. Uma seleção de variáveis em que as relações insignificantes não foram eliminadas pode conduzir a situações nas quais elas não serão detectadas durante o processo de validação do modelo, especialmente quando o conjunto de dados for grande.Four quantitative structure-activity relationships (QSAR) and quantitative structure-property relationship (QSPR) data sets were selected from the literature and used to build regression models with 75, 56, 50 and 15 training samples. The models were validated by leave-one-out crossvalidation, leave-N-out crossvalidation (LNO), external validation, y-randomization and bootstrapping. Validations have shown that the size of the training sets is the crucial factor in determining model performance, which deteriorates as the data set becomes smaller. Models from very small data sets suffer from the impossibility of being thoroughly validated, failure and atypical behavior in certain validations (chance correlation, lack of robustness to resampling and LNO), regardless of their good performance in leave-one-out crossvalidation, fitting and even in external validation. A simple determination of the critical N in LNO has been introduced by using the limit of 0.1 for oscillations in Q 2 , quantified as the variation range in single LNO and two standard deviations in multiple LNO. It has been demonstrated that it is sufficien...

show abstract

Section: Introductionmentioning

confidence: 99%

Basic validation procedures for regression models in QSAR and QSPR studies: theory and application

Kiralj¹,

Ferreira²

2009

J. Braz. Chem. Soc.

337

238

View full text Add to dashboard Cite

show abstract

“…• The length of the solution of each ant is not fixed as in Gunturi et al [11] and in Shamsipur et al [14] allowing each ant to construct its solution without any prior restriction. The only criterion used in evaluating the constructed solution by each ant is the accuracy of the classifier.…”

Section: Discussionmentioning

confidence: 99%

Feature Selection for Classification Using an Ant Colony System

Abd-Alsabour

Randall

2010

2010 Sixth IEEE International Conference on E-Science Workshops

View full text Add to dashboard Cite

Abstract-Many applications such as pattern recognition require selecting a subset of the input features in order to represent the whole set of features. The aim of feature selection is to remove irrelevant or redundant features while keeping the most informative ones. In this paper, an ant colony system approach for solving feature selection for classification is presented. The proposed algorithm was tested using artificial and real-world datasets. The results are promising in terms of the accuracy of the classifier and the number of selected features in all the used datasets. The results of the proposed algorithm have been compared with other results available in the literature and found to be favorable.

show abstract

“…Genetic variability of AAG adds even more variability to its ligand-binding properties [187]. Several studies were reported that attempt to predict HSA binding using known HSA binders and QSAR [189,190]. Several software packages known to predict binding to plasma proteins are listed in Table 2.7.…”

Section: Plasma Protein Bindingmentioning

confidence: 99%