طبقه بندی تکنیک های یادگیری ماشین در رابطه کمی نانوساختار-فعالیت (QSAR)
چکیده
فناوری نانو به دلیل کاربردهای متعدد در حوزه‌های مختلف صنایع توجه جهانیان را به خود جلب کرده است. یک نگرانی عمومی رو به رشد در مورد ایمنی نانو ذرات تولیدشده وجود دارد، زیرا نشان داده شده است MNP هایی که کاندید هستند باعث ایجاد اثرات سمی در انسان می‌شوند. مواجهه حاد یا مکرر MNP موجود در محصولات تجاری ممکن است ذاتاً سبب سمیت های سیستماتیک، سلولی و / یا ژنی شوند. بنابراین درک اثرات بیولوژیکی که در معرض MNP قرار دارند ضروری است. این مقاله مروی کوچک تلاش می‌کند خلاصه‌ای از پیشرفت‌های کلیدی اخیر در زمینه های مدل‌سازی ریاضی بیولوژیکی اثرات، دسته‌بندی و آنالیز مربوطه نانومواد، رابطه کمی نانوساختار-فعالیت (QNAR) بر اساس تکنیک‌های مختلف یادگیری ماشین و همچنین بررسی چالش‌ها و رویکردهای مختلف که برای غلبه بر آن‌ها پیشنهاد شده است را بررسی کند. طبقه‌بندی پیشنهادشده می‌تواند در انتخاب الگوریتم‌های مناسب برنامه‌ها و شناسایی شکاف اصلی در تحقیقات مورد نیاز برای سرعت بخشیدن به استفاده از روش‌های کیفی رابطه ساختار-فعالیتی (QSAR) و ارائه نقشه راه برای تحقیقات مورد نیاز در آینده برای دستیابی به مدل‌های QSAR برای اهداف نظارتی مفید باشد.
1. مقدمه
فناوری نانو به خاطربرنامه‌های متعدد خود در زمینه های مختلف مانند علم مواد،تحقیقات پزشکی، لوازم‌آرایشی و یاحتی لباس توجه زیادی را به خود جلب کرده است.هنگامی‌کهMNPهاوارد سیستم گردش خون می‌شوند،این توانایی را دارند که به سرعت با سلول های خونی ارتباط برقرارکنند وسپس درسراسر بدن توزیع شوند [1]. یک نگرانی عمومی رو به رشد درمورد ایمنیMNP ها وجوددارد [2، 3]،زیرا ثابت شده است کهMNPهایی که برای کاربردهای صنعتی کاندید هستند،می‌توانند منجر به اثرات سمی درانسان شوند [4].این اثرات نامطلوب می‌توانند منجر به قرارگیری و جذب بعدیMNPهای بسیار نازک شوند [5] ودرنهایت منجر به تحویل بالقوه مضران¬ ها به اندام‌های حیاتی می‌شوند [6].همان طورکه ذکر شد،مواجهه حاد یا مکررMNPممکن است باعث سمی تسیستماتیک،سلولی و / یا ژنوم شود [4].بنابراین،درک اثرات بیولوژیکی در مواجهه بااین مواد ضروری است، ودانش جامع و پیش‌بینی کننده ای از اثراتMNP ها برمحیط‌زیست وهمچنین حیوانات وانسان ها [1] الزامی است. به‌تازگی،ترکیب تکنولوژی شیمیایی و تکنولوژی‌هایHTSبرای طراحیMNPهای جدیدگسترش یافته است.باتوجه به روند رو به رشداستفاده از MNPهادر بسیاری از زمینه ها،انتظار می‌رود روش‌های محاسباتی مانند مدل‌سازی کمی رابطه ساختار و فعالیت نانو (QNAR) از مطالعات تجربی برای شناسایی نانوذرات ایمن باخواص موردنظر حمایت کند.بااین‌حال،مهم است تا تأکید کنیم که چنین رویکردهایی نیاز به مقادیر نسبتاً زیادی از داده‌های تجربی قابل‌اطمینان و سازگار دارندکه در آنMNPها می‌توانند با مجموعه ای از خواص فیزیکی شیمیایی مشخص شوند وآزمایشات به خوبی تعریف گردند [7].بقیه این مقاله به شرح زیراست .بخش 2 شرح مختصری از روشQSAR را ارائه می‌دهد.دربخش 3،یک طبقه‌بندی ازچالش‌هایQSAR ورویکردهای پیشنهادی پیشنهاد شده است.بخش 4 الگوریتم‌هایQNARرابررسی می‌کندو یک طبقه‌بندی از این الگوریتم‌ها براساس تکنیک‌های یادگیری ماشین آن‌ها ارائه می‌دهد.بخش 5 مقاله را به پایان می‌رساند و یک نقشه راه برای تحقیقات آینده ارائه می‌دهد.
Abstract
Nanotechnology is drawing worldwide attention for its numerous applications in various industrial areas. There is a growing public concern about the safety of manufactured nanoparticles (MNPs), since it has been demonstrated that MNPs intended for industrial applications could cause toxic effects in humans. Acute or repeated exposure to MNPs present in commercial products may potentially cause systemic, cellular, and/or genomic toxicities. Thus, understanding the biological effects of exposure to MNPs is essential. This minireview tries to provide a summary of recent key advances in the field of Quantitative Nanostructure-Activity Relationship (QNAR) modelling of nanomaterial biological effects, categorize and analyze related researches based on different machine learning techniques and also investigate challenges and different approaches which are proposed to overcome them. The proposed classification can be effective in choosing applications appropriate algorithm and identifying the major gaps in research required to accelerate the use of quantitative structure–activity relationship (QSAR) methods , and providing a roadmap for future research needed to achieve QSAR models useful for regulatory purposes.
1. Introduction
Nanotechnology is getting more attention for its numerous applications in various areas, such as material science, medical research, cosmetics, or even clothing. Once MNPs gain entry into the systemic circulation, they have the potential to interact immediately with blood cells and can then be either distributed throughout the body, [1]. There is a growing public concern about the safety of MNPs [2, 3] since it has been proven that MNPs intended for industrial applications, could cause toxic effects in humans [4]. These undesirable effects could result from exposure and subsequent absorption of ultrafine MNPs [5] and finally lead to their potentially harmful delivery to critical organs [6]. As we mentioned, Acute or repeated exposure to MNPs may cause systemic, cellular, and/or genomic toxicities [4]. Thus, understanding the biological effects of exposure to these materials is necessary, and it is imperative to develop a comprehensive, and predictive knowledge of the effects of MNPs on the environment as well as animals and humans [1]. Recently, combinatorial chemistry and HTS technologies have been extended towards designing novel MNPs. Due to growing trend in using MNPs in many areas, computational methodologies such as Quantitative Nano Structure-Activity Relationship (QNAR) modeling are expected to provide critical support to experimental studies to identify safe nanoparticles with desired properties. However, it is important to emphasize that such procedures require relatively large amounts of reliable and consistent experimental data where MNPs can be characterized by a set of physical chemical properties and tested in well-defined assays [7]. The rest of this paper is structured as follow. Section 2 provides a brief description of QSAR methodology. In section 3, a classification of QSAR challenges and current proposed approaches is proposed. Section 4 reviews QNAR algorithms and presents a classification of these algorithms based on their machine learning techniques. Section 5 concludes the paper and provides a roadmap for future research.
چکیده
1.مقدمه
2. رابطه کمی ساختار-فعالیت (QSAR)
3. چالش‌های مدل‌سازی QNAR
3.1 اولین چالش؛ پیچیدگی فیزیکی/ ساختاری
3.2 چالش دوم؛ کدام توصیفگرها باید استفاده شوند؟
4. مدل‌سازی QNAR با استفاده از تکنیک‌های یادگیری ماشین
4.1 -نزدیک‌ترین همسایگان- K (kNN)
4.2 رگرسیون خطی چندگانه (MLR) - شبکه عصبی مصنوعی (ANN)
4.3. روش‌های Bayesian
4.4. ماشین بردار پشتیبانی (SVM)
4.5 رگرسیون خطی ژنتیک- چند متغیره (MLR) -حداقل مربعات تقریبی (PLS)
4.6. الگوریتم ژنتیک-رگرسیون خطی چند متغیره (GA-MLR)
4.7 رگرسیون منطقی
5. نتیجه و بحث
Abstract
1. Introduction
2. Quantitative Structure-Activity Relationship (QSAR)
3. Challenges of QNAR modeling
3.1. First challenge; physical/structural complexity
3.2. Second challenge; which descriptors should be used?
4. QNAR modeling using machine learning techniques
4.1. K-Nearest Neighbors (kNN)
4.2. Multiple Linear Regression (MLR) - Artificial Neural Network (ANN)
4.3. Bayesian methods
4.4. Support Vector Machine (SVM)
4.5. Genetic-Multiple Linear Regression (MLR)-Partial Least Squares (PLS)
4.6. Genetic Algorithm-Multiple Linear Regression (GA-MLR)
4.7. Logistic Regression
5. Result and discussion
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه