定量的構造活性関係（QSAR）における機能選択と学習アルゴリズムを選択するための現在のアプローチ

定量的構造活性/特性関係（QSAR/QSPR）は、定量的化学構造情報（分子記述子と記述されている）を応答エンドポイント（生物学的活動、特性、毒性など）と定量的に相関させる統計モデルです。QSARモデルの開発と検証のための重要な戦略には、データセットのキュレーション、可変選択、データセット分割、モデリングアルゴリズムの選択、モデル検証の適切な測定が含まれます。カバーされている領域：さまざまな機能選択方法とさまざまな線形および非線形学習アルゴリズムが採用されており、モデル化された応答に重要な適切な機能の選択、モデルの過剰適合、解釈可能なモデルを導き出すために重要な適切な機能の選択のためにデータセットの複雑さに対処します。このレビューでは、さまざまな機能選択方法の概要と、非者向け読者の初等レベルでのQSARモデリングのためのさまざまな統計学習アルゴリズムを提供します。専門家の意見：この分野には、記述子の新しいセットが継続的に紹介されています。したがって、この問題を処理するには、フィールズ選択のための新しいツールを改善する必要があります。これにより、フィールド内の非アンテルが使用できる統計的に意味のあるモデルの開発につながる可能性があります。限られたサイズのデータ​​セットを処理する一方で、記述子選択におけるバイアスの可能性を削除するために、二重交差検証やコンセンサスモデリングなどの特別な手法がより意味があるかもしれません。

Quantitative structure-activity/property relationships (QSAR/QSPR) are statistical models which quantitatively correlate quantitative chemical structure information (described as molecular descriptors) to the response end points (biological activity, property, toxicity, etc.). Important strategies for QSAR model development and validation include dataset curation, variable selection, and dataset division, selection of modeling algorithms and appropriate measures of model validation. Areas covered: Different feature selection methods and various linear and nonlinear learning algorithms are employed to address the complexity of data sets for selection of appropriate features important for the responses being modeled, to reduce overfitting of the models, and to derive interpretable models. This review provides an overview of various feature selection methods as well as different statistical learning algorithms for QSAR modeling at an elementary level for nonexpert readers. Expert opinion: Novel sets of descriptors are being continuously introduced to this field; therefore, to handle this issue, there is a need to improve new tools for feature selection, which can lead to development of statistically meaningful models, usable by nonexperts in the fields. While handling data sets of limited size, special techniques like double cross-validation and consensus modeling might be more meaningful in order to remove the possibility of bias in descriptor selection.