Predikcija topivosti u vodi kemijskih spojeva korištenjem kvantitativnih modela strukture i aktivnosti

završni rad

• Naslov (engleski): Prediction of water solubility of chemical compounds using quantitative structure-activity models
• Autor: Katarina Pešić
• Mentor: Mihaela Vranić (mentor)
• Član povjerenstva: Mihaela Vranić (predsjednik povjerenstva)
• Član povjerenstva: Damir Pintar (član povjerenstva)
• Član povjerenstva: Luka Humski (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2024-07-02, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Uloga kemoinformatike u znanosti i industriji ne može se zanemariti. Kvalitetna analiza
ponašanja molekula ključan je korak u, primjerice, farmaciji. Ocjena dobrote molekule može
se donijeti na osnovu i njezine topivosti u vodi, jer ona direktno utječe na njezino ponašanje
u tijelu i u okolišu. Pokazuje se da se topivost vode može dobro modelirati linearnim i
nelinearnim kombinacijama karakteristika molekula, zvanih deskriptori, a posebno na novo
i modelima strojnog učenja. U ovom radu korištena su tri modela na tri različita skupa
podataka i pokazuje se da je moguće, kroz ispravnu provedbu, nekim modelima strojnog
učenja kvalitetno predvidjeti topivosti molekula što je bitan pokazatelj toga da strojno učenje
ima veliku ulogu i može ostati relevantno u području kemoinformatike.

Sažetak (engleski)

The role of chemoinformatics in various fields of industry and science cannot be overlooked.
Analysis of molecular behavior is a key step in, e.g., pharmacy. Goodness of fit of one
particular molecule can be described through its water solubility, as it directly affects its
behavior in the human body, as well as in the environment. It can be shown that water
solubility may be well modeled through linear and non-linear combinations of other
molecule properties, also called molecular descriptors, especially when paired with machine
learning. In this thesis three distinct machine learning models were trained on three distinct
data sets and it was shown that, when operated in the right way, it is possible to achieve
trustworthy predictions of water solubility with machine learning. That serves as a
confirmation of the role machine learning is taking in chemoinformatics, and why it is on a
path to stay relevant in the field for the time to come.

• Ključne riječi: Deskriptori molekula; QSAR; Topivost; Modeli strojnog učenja; Kemoinformatika
• Ključne riječi (engleski): Molecular descriptors; QSAR; Solubility; Machine learning models; Chemoinformatics
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:356717
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: preddiplomski; Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2024-10-12 21:50:04