一个类似度增强的q-RASPR框架用于抗氧化剂潜在预测和功能性食品化合物的识别

科学领域:

• 计算化学和化学信息学
• 对化学性质的预测建模.
• 营养学和食科学应用

背景情况:

• 抗氧化剂的潜力在营养药和饮食研究中至关重要.
• 需要预测模型来有效估计抗氧化剂活性.
• 现有的定量结构与财产关系 (QSPR) 模型存在局限性.

研究的目的:

• 开发一种强大的抗氧化剂潜力的预测模型,使用定量阅读跨结构-属性关系 (q-RASPR) 框架.
• 将q-RASPR模型的性能与2D-QSPR模型进行比较.
• 评估q-RASPR模型对于大规模预测的通用性和适用性.

主要方法:

• 实现一个单变量q-RASPR线性回归 (LR) 模型.
• 利用了1911个具有实验确定抗氧化活性的分子 (DPPH测定) 的广泛数据集.
• 严格的内部和外部验证程序,包括对三个独立数据集的测试.

主要成果:

• 开发的q-RASPR模型证明了对抗氧化剂潜力的统计学上可靠的预测.
• 在关键性能指标上,q-RASPR模型显著优于2D-QSPR模型.
• 该模型在各种化学结构和外部数据集中显示出极好的通用性和稳定性.

结论:

• q-RASPR框架提供了一种强大而准确的方法来预测化学化合物的抗氧化潜力.
• 经过验证的模型可以应用于大型化学数据库,例如与食品相关的化合物,用于选和发现.
• 这种方法有助于在化学研究中更好地理解和预测抗氧化剂的特性.