Hybridizing Feature Selection and Feature Learning Approaches in QSAR Modeling for Drug Discovery | ||
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Ciencias e Ingeniería de la Computación. Universidad Nacional del Sur. Departamento de Ciencias e Ingeniería de la Computación. Instituto de Ciencias e Ingeniería de la Computación | |
| dc.conicet.organizacion | Consejo Superior de Investigaciones Científicas. Centro de Investigaciones Biológicas | |
| dc.conicet.organizacion | Consejo Superior de Investigaciones Científicas. Centro de Investigaciones Biológicas | |
| dc.conicet.organizacion | Consejo Superior de Investigaciones Científicas. Centro de Investigaciones Biológicas | |
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Ciencias e Ingeniería de la Computación. Universidad Nacional del Sur. Departamento de Ciencias e Ingeniería de la Computación. Instituto de Ciencias e Ingeniería de la Computación | |
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Planta Piloto de Ingeniería Química. Universidad Nacional del Sur. Planta Piloto de Ingeniería Química | |
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Planta Piloto de Ingeniería Química. Universidad Nacional del Sur. Planta Piloto de Ingeniería Química | |
| dc.conicet.organizacion | Consejo Superior de Investigaciones Científicas. Instituto de Química Médica | |
| dc.conicet.organizacion | Universidad Autónoma de Madrid | |
| dc.conicet.organizacion | Universidad Autónoma de Madrid | |
| dc.conicet.organizacion | Institute for Advanced Research in Chemical Sciences | |
| dc.conicet.organizacion | Consejo Superior de Investigaciones Científicas. Centro de Investigaciones Biológicas | |
| dc.contributor.author | Ponzoni, Ignacio | |
| dc.contributor.author | Sebastián Pérez, Víctor | |
| dc.contributor.author | Requena Triguero, Carlos | |
| dc.contributor.author | Roca, Carlos | |
| dc.contributor.author | Martínez, María Jimena | |
| dc.contributor.author | Cravero, Fiorella | |
| dc.contributor.author | Diaz, Monica Fatima | |
| dc.contributor.author | Páez, Juan A. | |
| dc.contributor.author | Gómez Arrayás, Ramón | |
| dc.contributor.author | Adrio, Javier | |
| dc.contributor.author | Campillo, Nuria E. | |
| dc.date.issued | 2017-05-25 | |
| dc.description.abstract | Quantitative structure–activity relationship modeling using machine learning techniques constitutes a complex computational problem, where the identification of the most informative molecular descriptors for predicting a specific target property plays a critical role. Two main general approaches can be used for this modeling procedure: feature selection and feature learning. In this paper, a performance comparative study of two state-of-art methods related to these two approaches is carried out. In particular, regression and classification models for three different issues are inferred using both methods under different experimental scenarios: two drug-like properties, such as blood-brain-barrier and human intestinal absorption, and enantiomeric excess, as a measurement of purity used for chiral substances. Beyond the contrastive analysis of feature selection and feature learning methods as competitive approaches, the hybridization of these strategies is also evaluated based on previous results obtained in material sciences. From the experimental results, it can be concluded that there is not a clear winner between both approaches because the performance depends on the characteristics of the compound databases used for modeling. Nevertheless, in several cases, it was observed that the accuracy of the models can be improved by combining both approaches when the molecular descriptor sets provided by feature selection and feature learning contain complementary information. | es |
| dc.description.fil | Fil: Ponzoni, Ignacio. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Ciencias e Ingeniería de la Computación. Universidad Nacional del Sur. Departamento de Ciencias e Ingeniería de la Computación. Instituto de Ciencias e Ingeniería de la Computación; Argentina | |
| dc.description.fil | Fil: Sebastián Pérez, Víctor. Consejo Superior de Investigaciones Científicas. Centro de Investigaciones Biológicas; España | |
| dc.description.fil | Fil: Requena Triguero, Carlos. Consejo Superior de Investigaciones Científicas. Centro de Investigaciones Biológicas; España | |
| dc.description.fil | Fil: Roca, Carlos. Consejo Superior de Investigaciones Científicas. Centro de Investigaciones Biológicas; España | |
| dc.description.fil | Fil: Martínez, María Jimena. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Ciencias e Ingeniería de la Computación. Universidad Nacional del Sur. Departamento de Ciencias e Ingeniería de la Computación. Instituto de Ciencias e Ingeniería de la Computación; Argentina | |
| dc.description.fil | Fil: Cravero, Fiorella. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Planta Piloto de Ingeniería Química. Universidad Nacional del Sur. Planta Piloto de Ingeniería Química; Argentina | |
| dc.description.fil | Fil: Diaz, Monica Fatima. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Planta Piloto de Ingeniería Química. Universidad Nacional del Sur. Planta Piloto de Ingeniería Química; Argentina | |
| dc.description.fil | Fil: Páez, Juan A.. Consejo Superior de Investigaciones Científicas. Instituto de Química Médica; España | |
| dc.description.fil | Fil: Gómez Arrayás, Ramón. Universidad Autónoma de Madrid; España | |
| dc.description.fil | Fil: Adrio, Javier. Universidad Autónoma de Madrid; España. Institute for Advanced Research in Chemical Sciences; España | |
| dc.description.fil | Fil: Campillo, Nuria E.. Consejo Superior de Investigaciones Científicas. Centro de Investigaciones Biológicas; España | |
| dc.format | application/pdf | es |
| dc.identifier.citation | Ponzoni, Ignacio; Sebastián Pérez, Víctor; Requena Triguero, Carlos; Roca, Carlos; Martínez, María Jimena; et al.; Hybridizing Feature Selection and Feature Learning Approaches in QSAR Modeling for Drug Discovery; Nature Publishing Group; Scientific Reports; 7; 1; 25-5-2017; 1-19 | es |
| dc.identifier.institucional | CONICET | |
| dc.identifier.issn | 2045-2322 | es |
| dc.identifier.repo | CONICET Digital | |
| dc.identifier.uri | http://hdl.handle.net/11336/45651 | |
| dc.journal.ciudad | Londres | es |
| dc.journal.number | 1 | es |
| dc.journal.pagination | 1-19 | es |
| dc.journal.pais | Reino Unido | es |
| dc.journal.title | Scientific Reports | es |
| dc.journal.volume | 7 | es |
| dc.language.iso | eng | es |
| dc.publisher | Nature Publishing Group | es |
| dc.relation.alternativeid | info:eu-repo/semantics/altIdentifier/url/https://www.nature.com/articles/s41598-017-02114-3 | |
| dc.relation.alternativeid | info:eu-repo/semantics/altIdentifier/doi/http://dx.doi.org/10.1038/s41598-017-02114-3 | |
| dc.rights | info:eu-repo/semantics/openAccess | * |
| dc.rights.uri | https://creativecommons.org/licenses/by/2.5/ar/ | * |
| dc.subject | Machine Learning | es |
| dc.subject | Qsar | es |
| dc.subject | Feature Selection | es |
| dc.subject | Feature Learning | es |
| dc.subject.classification | Ciencias de la Computación | es |
| dc.subject.classification | Ciencias de la Computación e Información | es |
| dc.subject.classification | CIENCIAS NATURALES Y EXACTAS | es |
| dc.title | Hybridizing Feature Selection and Feature Learning Approaches in QSAR Modeling for Drug Discovery | es |
| dc.type | info:eu-repo/semantics/article | |
| dc.type | info:ar-repo/semantics/artículo | |
| dc.type | info:eu-repo/semantics/publishedVersion | |
Archivos
Bloque original
Cargando...
- Nombre:
- CONICET_Digital_Nro.8d6044c7-b062-4aff-8792-0b573488ca38_A.pdf
- Tamaño:
- 4.51 MB
- Formato:
- Adobe Portable Document Format