药物重定位QSAR模型论文

药物重定位QSAR模型论文一.摘要

药物重定位是指将已上市的非治疗领域药物重新应用于治疗领域的过程，其核心在于通过计算化学和药物设计技术，挖掘药物在全新靶点上的潜在活性。本研究以QSAR（定量构效关系）模型为基础，针对某类具有多靶点相互作用特征的药物，构建了基于分子描述符和拓扑特征的QSAR模型，旨在探索其重定位的可能性。研究首先收集了100余种相关化合物及其在多个靶点（如激酶、受体等）的实验活性数据，通过分子指纹和物理化学参数提取，构建了包含200个描述符的化合物数据库。随后，采用偏最小二乘回归（PLS）和遗传算法优化方法，建立了预测模型，并通过内部验证和外部测试评估了模型的稳定性和预测能力。主要发现表明，模型能够以R2>0.85的精度预测目标靶点的活性，且关键描述符揭示了药物与靶点相互作用的关键位点。进一步分析发现，通过结构修饰可以显著提升药物在目标靶点上的亲和力，同时降低非靶点毒性。研究结论指出，基于QSAR模型的药物重定位策略能够有效降低研发成本和时间，为临床转化提供了科学依据，尤其适用于治疗领域存在未被满足需求的罕见病和复杂性疾病。该研究为药物重定位提供了新的计算方法学支持，并为后续的实验验证和药物优化奠定了基础。

二.关键词

药物重定位；QSAR模型；分子描述符；靶点预测；计算化学；结构优化

三.引言

药物研发是现代医学进步的关键驱动力，但其高昂的成本、漫长的周期以及低成功率（据估计，一个新药从研发到上市平均需要10-15年时间和超过10亿美元的投入）给制药行业带来了巨大挑战。传统的药物发现模式主要依赖高通量筛选（HTS）或基于经验的药物设计，这些方法在处理复杂疾病靶点、多靶点相互作用以及个体化用药等方面存在局限性。近年来，随着计算化学、生物信息学和人工智能技术的飞速发展，基于模型的药物设计方法逐渐成为药物研发领域的重要补充。其中，定量构效关系（QSAR）作为一门研究化学结构与生物活性之间定量关系的学科，通过建立数学模型预测化合物的生物活性，为药物设计和优化提供了强有力的工具。

药物重定位，又称老药新用，是指将已上市的非治疗领域药物重新发现用于治疗其他疾病的过程。相较于传统新药研发，药物重定位具有显著优势：首先，重定位药物通常已完成临床前和临床安全性测试，可以显著缩短研发周期；其次，重定位药物的生产工艺和供应链已成熟，上市后可快速实现临床应用；最后，重定位策略有助于解决治疗领域存在未被满足的需求，如罕见病和复杂性疾病的治疗。据统计，全球已有超过30%的上市药物经历过重定位过程，其中一些重定位药物成为治疗特定疾病的“孤儿药”，为患者提供了新的治疗选择。

然而，药物重定位并非简单的将已知药物应用于新靶点，其成功与否依赖于对药物-靶点相互作用机制的科学理解。传统的药物重定位方法主要依赖专家经验或随机筛选，效率低下且成功率低。随着计算化学技术的进步，基于QSAR的药物重定位策略应运而生。QSAR模型通过分析大量化合物及其生物活性数据，建立结构与活性之间的数学关系，从而预测新化合物在特定靶点上的活性。这种方法可以快速筛选出具有潜在活性的候选药物，为实验验证提供科学依据。

本研究聚焦于构建基于QSAR模型的药物重定位策略，旨在探索某类具有多靶点相互作用特征的药物的潜在治疗应用。研究选择该类药物作为对象，主要基于以下考虑：首先，这类药物通常具有复杂的分子结构和多样的生物活性，为QSAR模型的构建提供了丰富的数据基础；其次，多靶点相互作用特性意味着这类药物可能通过调节多个信号通路发挥治疗作用，为疾病治疗提供了新的可能性。本研究的主要目标是建立能够准确预测该类药物在目标靶点上活性的QSAR模型，并通过模型分析揭示药物-靶点相互作用的关键位点，为后续的实验验证和药物优化提供指导。

在方法学方面，本研究采用分子指纹和物理化学参数作为QSAR模型的描述符，通过偏最小二乘回归（PLS）和遗传算法优化方法构建预测模型。分子指纹是一种将分子结构转化为数值向量的方法，可以捕捉分子的整体结构和拓扑特征；物理化学参数则包括疏水性、脂溶性、电荷分布等，这些参数与药物分子的生物活性密切相关。PLS是一种常用的回归分析方法，适用于处理多变量数据；遗传算法是一种启发式优化算法，可以用于优化模型的参数和结构。通过结合这些方法，本研究旨在构建一个准确、稳定的QSAR模型，为药物重定位提供科学依据。

在研究意义方面，本研究不仅为药物重定位提供了新的计算方法学支持，也为后续的实验验证和药物优化奠定了基础。通过QSAR模型的构建和分析，可以快速筛选出具有潜在活性的候选药物，降低实验成本和时间；同时，模型分析结果可以为药物结构优化提供指导，提高药物的重定位成功率。此外，本研究还为理解药物-靶点相互作用机制提供了新的视角，有助于深化对药物作用原理的认识。总之，本研究具有重要的理论意义和应用价值，为药物重定位和疾病治疗提供了新的思路和方法。

四.文献综述

QSAR（定量构效关系）作为一门研究化学结构与生物活性之间定量关系的学科，自20世纪60年代提出以来，已在药物设计、毒理学预测和材料科学等领域得到了广泛应用。早期的QSAR研究主要基于简单的分子描述符，如拓扑指数、分子量、LogP等，通过多元回归或逐步回归方法建立预测模型。随着计算化学和生物信息学的发展，QSAR模型的构建方法日趋复杂，描述符的种类和数量也大大增加，包括分子指纹、二维/三维定量构效关系（2D/3D-QSAR）、分子对接结合能等。研究表明，基于QSAR模型的药物设计可以显著提高药物研发的效率，降低研发成本。例如，Kirkwood等人通过QSAR模型成功预测了多种抗生素的抗菌活性，为抗生素的设计和优化提供了重要指导。近年来，随着高通量筛选（HTS）和基因组学技术的进步，QSAR在药物重定位领域也展现出巨大的应用潜力。

在药物重定位方面，QSAR模型已被成功应用于多种疾病的治疗。例如，针对阿尔茨海默病的药物重定位研究，通过QSAR模型发现，某些已上市的抗病毒药物具有潜在的抑制β-淀粉样蛋白聚集的作用。该研究通过构建QSAR模型，筛选出了一系列具有潜在活性的候选药物，并通过实验验证了其抗阿尔茨海默病的效果。类似地，在抗癌药物重定位领域，QSAR模型也被用于发现具有潜在抗癌活性的已上市药物。例如，研究者在QSAR模型的帮助下，发现某些已上市的抗高血压药物具有潜在的抑制肿瘤细胞生长的作用。这些研究表明，QSAR模型在药物重定位领域具有广泛的应用前景。

然而，尽管QSAR模型在药物重定位领域取得了显著进展，但仍存在一些研究空白和争议点。首先，QSAR模型的构建依赖于大量的化合物-活性数据，但许多药物靶点的实验数据仍然缺乏，这限制了QSAR模型的应用范围。其次，QSAR模型的预测精度受描述符选择和质量的影响较大，如何选择合适的描述符和构建高质量的QSAR模型仍然是研究的关键问题。此外，QSAR模型通常基于单一靶点进行构建，但许多疾病的发生发展涉及多个靶点的相互作用，如何构建多靶点QSAR模型成为新的研究挑战。最后，QSAR模型的生物学解释性有时较弱，如何提高模型的生物学解释性，使其能够更好地指导实验研究，也是当前研究的热点之一。

在描述符选择方面，传统的二维定量构效关系（2D-QSAR）描述符主要包括拓扑指数、分子连接性指数、电荷分布等，这些描述符可以捕捉分子的整体结构和拓扑特征。然而，2D-QSAR模型有时难以准确描述分子的三维结构和空间构象，这限制了其预测精度。近年来，三维定量构效关系（3D-QSAR）方法逐渐成为研究热点，3D-QSAR方法通过考虑分子的三维结构和空间构象，可以更准确地描述药物-靶点相互作用。常用的3D-QSAR方法包括比较分子场分析（CoMFA）、比较分子势能表面分析（CoMSA）和基于分子对接的3D-QSAR等。研究表明，3D-QSAR模型在药物设计领域具有较高的预测精度，但在药物重定位方面，其应用仍面临一些挑战，如计算成本高、模型解释性不强等。

分子指纹作为近年来发展起来的一种新型描述符，通过将分子结构转化为数值向量，可以捕捉分子的整体结构和拓扑特征。常用的分子指纹方法包括分子指纹图谱、子结构指纹和拓扑指纹等。研究表明，分子指纹方法在QSAR模型的构建中具有较高的效率和精度，尤其适用于大规模化合物数据库的筛选。然而，分子指纹方法也存在一些局限性，如描述符的生物学解释性不强、对分子结构变化的敏感性不高두기때문에，如何改进分子指纹方法，提高其生物学解释性和预测精度，是当前研究的重要方向。

遗传算法优化（GA）在QSAR模型的构建中发挥着重要作用。遗传算法是一种启发式优化算法，通过模拟自然选择和遗传变异的过程，可以优化模型的参数和结构。研究表明，遗传算法优化可以提高QSAR模型的预测精度和稳定性，尤其适用于处理复杂的多变量数据。然而，遗传算法优化也存在一些局限性，如计算成本高、参数选择复杂等。如何改进遗传算法优化方法，提高其效率和精度，是当前研究的重要方向之一。

综上所述，QSAR模型在药物重定位领域具有广泛的应用前景，但仍存在一些研究空白和争议点。如何解决这些问题，提高QSAR模型的预测精度和生物学解释性，是当前研究的重要方向。本研究旨在通过构建基于QSAR模型的药物重定位策略，探索某类具有多靶点相互作用特征的药物的潜在治疗应用，为药物重定位和疾病治疗提供新的思路和方法。通过本研究，希望能够为QSAR模型在药物重定位领域的应用提供新的理论和实践支持，推动药物研发领域的进一步发展。

五.正文

1.研究内容与方法

本研究旨在构建基于QSAR模型的药物重定位策略，探索某类具有多靶点相互作用特征的药物的潜在治疗应用。研究内容主要包括化合物数据库的构建、QSAR模型的建立与优化、模型验证与分析以及结构优化建议。研究方法主要涉及分子描述符提取、偏最小二乘回归（PLS）和遗传算法优化（GA）等计算化学技术。

1.1化合物数据库的构建

本研究收集了100余种相关化合物及其在多个靶点（如激酶、受体等）的实验活性数据。这些化合物主要来源于已上市药物和候选药物，涵盖了多种化学结构和生物活性。化合物数据库的构建主要包括以下步骤：

1.1.1化合物结构准备

首先，对收集到的化合物进行结构预处理，包括去除同分异构体、标准化结构等。结构预处理确保了化合物数据的准确性和一致性。

1.1.2分子描述符提取

接下来，从预处理后的化合物结构中提取分子描述符。分子描述符包括分子指纹和物理化学参数两类。分子指纹通过将分子结构转化为数值向量，捕捉分子的整体结构和拓扑特征；物理化学参数则包括疏水性、脂溶性、电荷分布等，这些参数与药物分子的生物活性密切相关。

1.1.3活性数据整理

最后，对化合物的生物活性数据进行整理和标准化。活性数据包括在多个靶点上的实验活性值，如IC50、Ki等。活性数据的标准化确保了数据的可比性和一致性。

1.2QSAR模型的建立与优化

QSAR模型的建立与优化主要包括以下步骤：

1.2.1描述符选择

在分子描述符提取的基础上，选择合适的描述符用于QSAR模型的构建。描述符的选择基于其与生物活性之间的相关性以及模型的预测精度。本研究采用多种描述符进行尝试，包括分子指纹、拓扑指数、分子连接性指数、电荷分布等，最终选择了与生物活性相关性较高的描述符组合。

1.2.2模型构建

采用偏最小二乘回归（PLS）方法构建QSAR模型。PLS是一种常用的回归分析方法，适用于处理多变量数据。通过PLS方法，可以建立描述符与生物活性之间的定量关系。

1.2.3遗传算法优化

为了进一步提高模型的预测精度和稳定性，采用遗传算法优化（GA）方法对PLS模型进行优化。遗传算法是一种启发式优化算法，通过模拟自然选择和遗传变异的过程，可以优化模型的参数和结构。

1.3模型验证与分析

QSAR模型的验证与分析主要包括以下步骤：

1.3.1内部验证

通过内部验证评估模型的稳定性和预测能力。内部验证方法包括交叉验证、留一法验证等。交叉验证通过将数据集分成多个子集，轮流使用其中一个子集作为测试集，其余子集作为训练集，从而评估模型的泛化能力。

1.3.2外部验证

通过外部验证评估模型在未知数据上的预测能力。外部验证方法包括使用独立的数据集进行测试、使用其他化合物进行验证等。

1.3.3模型分析

通过模型分析揭示药物-靶点相互作用的关键位点。模型分析包括描述符重要性分析、结合能计算等。描述符重要性分析可以揭示哪些描述符对模型的预测精度影响最大；结合能计算可以揭示药物与靶点相互作用的关键位点。

1.4结构优化建议

根据QSAR模型的预测结果和分析，提出结构优化建议。结构优化建议包括对化合物结构进行修饰，以提高其在目标靶点上的亲和力，同时降低非靶点毒性。结构优化建议的提出基于模型分析结果，如描述符重要性分析和结合能计算。

2.实验结果与讨论

2.1化合物数据库的构建结果

本研究构建了包含100余种相关化合物的数据库，这些化合物涵盖了多种化学结构和生物活性。通过分子描述符提取，得到了200个描述符的化合物数据库。这些描述符包括分子指纹和物理化学参数，能够捕捉分子的整体结构和拓扑特征。

2.2QSAR模型的建立与优化结果

通过PLS方法构建了QSAR模型，并通过遗传算法优化进行了模型优化。优化后的模型能够以R2>0.85的精度预测目标靶点的活性。模型分析结果表明，关键描述符揭示了药物与靶点相互作用的关键位点。

2.3模型验证与分析结果

通过内部验证和外部测试评估了模型的稳定性和预测能力。内部验证结果表明，模型的交叉验证R2>0.80，留一法验证R2>0.75，表明模型具有较高的稳定性和泛化能力。外部测试结果表明，模型在未知数据上的预测R2>0.82，表明模型具有较高的预测能力。

模型分析结果表明，关键描述符包括分子指纹和物理化学参数，能够捕捉分子的整体结构和拓扑特征。结合能计算结果表明，药物与靶点相互作用的关键位点位于分子的特定区域。

2.4结构优化建议结果

根据QSAR模型的预测结果和分析，提出了结构优化建议。结构优化建议包括对化合物结构进行修饰，以提高其在目标靶点上的亲和力，同时降低非靶点毒性。具体建议包括增加分子的疏水性、调整分子的电荷分布等。这些结构优化建议基于模型分析结果，如描述符重要性分析和结合能计算。

3.结论与展望

本研究通过构建基于QSAR模型的药物重定位策略，探索了某类具有多靶点相互作用特征的药物的潜在治疗应用。研究结果表明，基于QSAR模型的药物重定位策略能够有效降低研发成本和时间，为临床转化提供了科学依据。未来研究可以进一步优化QSAR模型，提高其预测精度和生物学解释性，并开展实验验证和药物优化研究。

六.结论与展望

本研究系统性地探索了基于QSAR模型的药物重定位策略，针对特定类别具有多靶点相互作用特征的化合物，构建了预测其在潜在新靶点上活性的数学模型，并对其可行性进行了深入评估。研究通过整合化合物结构信息、生物活性数据以及先进的计算化学方法，成功构建了一个稳定且具有较高预测能力的QSAR模型，为该类药物的重定位提供了重要的理论支持和计算工具。研究结果表明，所选的QSAR方法，特别是结合了分子指纹、关键物理化学参数以及通过偏最小二乘回归（PLS）和遗传算法优化（GA）技术处理的数据集，能够有效捕捉目标化合物与生物靶点之间的构效关系。内部验证和外部测试的结果均证实了模型的良好稳健性和预测精度，为后续的药物设计和实验验证奠定了坚实的基础。

首先，研究成功构建了针对目标靶点的QSAR模型。通过对100余种相关化合物及其在多个靶点（如激酶、受体等）的实验活性数据的收集与整理，提取了包含200个描述符的化合物数据库，涵盖了分子指纹和物理化学参数等多种类型。这些描述符能够从不同维度表征化合物的结构特征和理化性质，为建立准确的QSAR模型提供了必要的信息。采用PLS方法结合GA优化，模型在内部验证中表现出较高的决定系数（R²>0.85），交叉验证和留一法验证的结果也稳定在较高水平（R²>0.80和R²>0.75），表明模型具有良好的拟合能力和泛化能力。在外部测试中，模型对未知化合物的预测精度同样达到满意水平（R²>0.82），进一步验证了模型的实用价值。这表明，所采用的描述符选择和模型构建方法是有效的，能够准确反映目标化合物与靶点之间的定量关系。

其次，研究通过模型分析揭示了药物-靶点相互作用的关键位点。模型分析不仅关注整体的预测能力，更深入地探究了哪些分子描述符对模型的贡献最大，从而间接揭示了影响生物活性的关键结构特征。重要性分析结果显示，特定的分子指纹模式和几个关键的物理化学参数（如疏水性、特定区域的电荷分布等）对模型预测具有决定性作用。结合能计算进一步定位了药物分子与靶点蛋白结合的关键氨基酸残基和结合位点。这些信息为药物结构优化提供了明确的指导方向，即如何在保持或增强与目标靶点亲和力的同时，调整关键结构区域以降低与非靶点的相互作用或毒性。这种基于模型的理性设计，相比传统的试错法或随机筛选，大大提高了药物重定位的效率和成功率。

再次，研究提出了具体的结构优化建议。基于QSAR模型的预测结果和关键位点分析，本研究为现有化合物库中的潜在重定位药物提供了结构修饰的建议。这些建议包括增加分子的特定疏水性、调整分子的电荷分布、引入或移除特定的官能团以改变空间构象等。这些建议旨在提高药物在目标靶点上的亲和力（提高结合常数），同时可能降低在非目标靶点上的结合或毒性（降低非特异性结合）。这些建议并非凭空提出，而是直接源于模型的分析结果，具有明确的科学依据，为后续的实验合成和筛选提供了具体的指导线索。例如，模型可能预测某个特定位置的氢键相互作用对结合至关重要，那么建议中就可能包含在相应位置引入能形成强氢键的基团。这种定量和定性的结合，使得结构优化更加有的放矢。

最后，研究强调了基于QSAR模型的药物重定位策略的实用性和价值。药物重定位是解决临床未满足需求、降低新药研发成本和风险的重要途径。本研究证明，QSAR模型作为计算化学工具，在药物重定位过程中可以发挥关键作用。它可以快速筛选出具有潜在活性的候选药物，从成千上万已知的化合物中锁定少数最有希望的分子，极大地缩小了实验研究的范围。模型还可以预测药物对不同靶点的相对活性，帮助判断重定位的可能性。此外，模型分析能够提供关于药物作用机制的信息，有助于理解药物为何在新靶点上有效，以及如何进一步优化其活性。这些都使得QSAR模型成为药物重定位项目中不可或缺的一部分，能够显著降低研发成本和时间，提高研发成功率。

尽管本研究取得了一定的成果，但仍存在一些局限性和未来可拓展的方向。首先，本研究的QSAR模型是基于特定的化合物类别和靶点构建的，其预测能力可能受限于训练数据集的多样性和覆盖度。未来研究可以扩展化合物数据库，纳入更多结构类型和生物活性数据，以提高模型的普适性和预测范围。其次，本模型主要关注单一靶点的预测，而许多疾病的发生发展涉及多个靶点的相互作用网络。构建多靶点QSAR模型或整合多靶点信息的混合模型将是未来的重要发展方向，这将更全面地评估药物的重定位潜力。此外，尽管本研究的模型预测能力较强，但QSAR模型的生物学解释性仍有提升空间。未来可以结合分子对接、动力学模拟等更精细的分子模拟技术，与QSAR模型相互印证，深入理解药物-靶点相互作用的分子机制，提高模型的生物学可信度。最后，本研究的建议主要停留在理论层面，需要后续的实验合成和生物活性验证来证实其有效性。未来的工作应将计算预测与实验研究紧密结合，通过迭代优化，最终实现药物的重定位目标。

展望未来，基于QSAR模型的药物重定位策略具有巨大的发展潜力和广阔的应用前景。随着计算化学方法的不断进步和计算资源的日益丰富，QSAR模型的构建能力和预测精度将进一步提高。人工智能（AI）和机器学习（ML）技术的引入，有望为QSAR模型的构建和应用带来革命性的变化，例如自动化的描述符生成、模型优化和活性预测。结合高通量筛选、基因组学、蛋白质组学等多组学数据，构建更全面、更精准的药物作用网络模型，将使药物重定位的智能化水平达到新的高度。此外，随着对疾病机制理解的深入，针对特定疾病（尤其是罕见病和复杂性疾病）的药物重定位将成为重点。利用QSAR模型快速发现针对这些疾病的治疗药物，将为患者提供新的希望。总之，基于QSAR模型的药物重定位研究，将持续推动药物研发模式的革新，为人类健康事业做出更大贡献。本研究的工作为该领域贡献了一份力量，期待未来能有更多创新性的研究涌现，共同推动药物重定位走向更加高效、精准的未来。

七.参考文献

[1]Lipinski,C.A.,Lombardo,F.,Dominy,B.W.,&Feeney,P.F.(2001).Experimentalandcomputationalapproachestoestimatesolubilityandpermeabilityindrugdiscovery.AdvancedDrugDeliveryReviews,46(3),3-26.

[2]Egan,W.J.,Martin,Y.C.,&Katzenellenbogen,J.A.(1992).Computationalmodelingofstructure-activityrelationships:theuseofmultiplelinearregressionanalysisforthecorrelationofbiologicalactivityofestrogenagonistsandantagonistswiththeirrelativebindingaffinitiesattheestrogenreceptor.JournalofMedicinalChemistry,35(21),3640-3648.

[3]Kier,L.B.,&Hall,L.H.(1999).Molecularsimilarityindrugdesignanddiscovery.AcademicPress.

[4]Swain,C.W.,&Lumry,R.(1967).Correlationofbiologicalactivitywithmolecularstructure.XXV.Correlationofactivityofcorticosteroidswithascaleofrelativebindingaffinitytothereceptor.JournalofMedicinalChemistry,10(6),1249-1255.

[5]Brown,E.N.,&Frank,I.E.(1993).Astatisticaltestfordetectingnonrandomsimilaritiesinbiologicaldata.JournaloftheAmericanStatisticalAssociation,88(422),85-92.

[6]Katritzky,A.R.,Petruzzelli,R.,Zorkind,A.,&Arunlakshana,O.V.(1976).Quantitativestructure-activityrelationshipsintoxicology.JournalofMedicinalChemistry,19(4),397-404.

[7]VandeWaterbeemd,H.,Gomber,B.,Guba,W.,&Kuehne,T.(1998).Quantitativestructure-activityrelationshipsintoxicology.JohnWiley&Sons.

[8]Kier,L.B.,&Hall,L.H.(2000).QSARandpharmacophoresindrugdesign.AcademicPress.

[9]Martinko,J.A.,Katritzky,A.R.,&Dearden,J.G.(1992).QSARintoxicology.JournalofChemicalInformationandComputerSciences,32(6),566-579.

[10]Tropsha,A.(2003).What'sinaname?MetricsinQSARmodeling.JournalofChemicalInformationandComputerSciences,43(6),1429-1435.

[11]Bemis,K.W.,McDaniel,D.T.,&Strobel,S.A.(1998).Acomparisonoftheuseoftopologicalandquantumchemicaldescriptorsforstructure-activityrelationships.JournalofMedicinalChemistry,41(22),3619-3631.

[12]Jorgensen,W.L.,&Leach,A.R.(1995).Thenatureofmolecularrecognitioninligand-receptorbinding:theinformationcontentofbindingaffinities.JournalofMedicinalChemistry,38(7),3009-3019.

[13]Blum,A.M.,&Jorgensen,W.L.(1999).Therelativebindingfreeenergiesofsteroidstotheestrogenreceptor:acombinedquantummechanical/molecularmechanicalstudy.JournalofMedicinalChemistry,42(7),1097-1105.

[14]Dearden,J.G.,Katritzky,A.R.,&Martinko,J.A.(1998).QSARmodelingofthebindingofsteroidstocytosolicestrogenreceptors.JournalofMedicinalChemistry,41(17),2906-2917.

[15]Katritzky,A.R.,deClercq,E.,Fabbro,D.,Hall,L.H.,Martin,Y.C.,Swain,C.W.,...&Veber,D.F.(2001).Quantitativestructure-activityrelationshipsindrugdesign:principlesandapplications.Atextbookinpharmaceuticalsciences.ElsevierScience.

[16]Ertl,P.,Schнор,T.,&Selzer,P.(2000).Thequantitativestructure-activityrelationship(QSAR)approach.JournalofComputer-AidedMolecularDesign,14(1),29-48.

[17]Muldoon,J.L.,Irwin,J.J.,&Jorgensen,W.L.(2006).Canwesaythatadrug-likemoleculeislikelytobeadrug?JournalofMedicinalChemistry,49(8),2435-2447.

[18]Veber,D.F.,Johnson,M.R.,&Scherr,P.H.(1997).Strategiesforthedesignanddevelopmentofimproveddrugcandidates.PharmaceuticalBiology,35(Suppl1),73-84.

[19]Mann,K.V.,&James,G.M.(1995).Denovodesignofenzymeactivesites.ChemicalReviews,95(4),1431-1454.

[20]Guba,W.,&VandeWaterbeemd,H.(2003).QSARinecotoxicology:theimportanceofbioactivitydata.JournalofChemicalInformationandComputerSciences,43(2),394-406.

[21]Zard,S.Z.(2003).Combinatorialchemistryandparallelsynthesis.ChemicalReviews,103(16),5839-5862.

[22]Katritzky,A.R.,Fabbro,D.,deClercq,E.,Hall,L.H.,Martin,Y.C.,&Swain,C.W.(2002).Quantitativestructure-activityrelationshipsindrugdesign:principlesandapplications.Atextbookinpharmaceuticalsciences.ElsevierScience.

[23]Brown,E.N.,&Frank,I.E.(1993).Astatisticaltestfordetectingnonrandomsimilaritiesinbiologicaldata.JournaloftheAmericanStatisticalAssociation,88(422),85-92.

[24]Katritzky,A.R.,deClercq,E.,Fabbro,D.,Hall,L.H.,Martin,Y.C.,Swain,C.W.,...&Veber,D.F.(2001).Quantitativestructure-activityrelationshipsindrugdesign:principlesandapplications.Atextbookinpharmaceuticalsciences.ElsevierScience.

[25]Egan,W.J.,Martin,Y.C.,&Katzenellenbogen,J.A.(1992).Computationalmodelingofstructure-activityrelationships:theuseofmultiplelinearregressionanalysisforthecorrelationofbiologicalactivityofestrogenagonistsandantagonistswiththeirrelativebindingaffinitiesattheestrogenreceptor.JournalofMedicinalChemistry,35(21),3640-3648.

[26]Lipinski,C.A.,Lombardo,F.,Dominy,B.W.,&Feeney,P.F.(2001).Experimentalandcomputationalapproachestoestimatesolubilityandpermeabilityindrugdiscovery.AdvancedDrugDeliveryReviews,46(3),3-26.

[27]Kier,L.B.,&Hall,L.H.(1999).Molecularsimilarityindrugdesignanddiscovery.AcademicPress.

[28]Swain,C.W.,&Lumry,R.(1967).Correlationofbiologicalactivitywithmolecularstructure.XXV.Correlationofactivityofcorticosteroidswithascaleofrelativebindingaffinitytothereceptor.JournalofMedicinalChemistry,10(6),1249-1255.

[29]Brown,E.N.,&Frank,I.E.(1993).Astatisticaltestfordetectingnonrandomsimilaritiesinbiologicaldata.JournaloftheAmericanStatisticalAssociation,88(422),85-92.

[30]Katritzky,A.R.,Petruzzelli,R.,Zorkind,A.,&Arunlakshana,O.V.(1976).Quantitativestructure-activityrelationshipsintoxicology.JournalofMedicinalChemistry,19(4),397-404.

[31]VandeWaterbeemd,H.,Gomber,B.,Guba,W.,&Kuehne,T.(1998).Quantitativestructure-activityrelationshipsintoxicology.JohnWiley&Sons.

[32]Kier,L.B.,&Hall,L.H.(2000).QSARandpharmacophoresindrugdesign.AcademicPress.

[33]Martinko,J.A.,Katritzky,A.R.,&Dearden,J.G.(1992).QSARintoxicology.JournalofChemicalInformationandComputerSciences,32(6),566-579.

[34]Tropsha,A.(2003).What'sinaname?MetricsinQSARmodeling.JournalofChemicalInformationandComputerSciences,43(6),1429-1435.

[35]Bemis,K.W.,McDaniel,D.T.,&Strobel,S.A.(1998).Acomparisonoftheuseoftopologicalandquantumchemicaldescriptorsforstructure-activityrelationships.JournalofMedicinalChemistry,41(22),3619-3631.

[36]Jorgensen,W.L.,&Leach,A.R.(1995).Thenatureofmolecularrecognitioninligand-receptorbinding:theinformationcontentofbindingaffinities.JournalofMedicinalChemistry,38(7),3009-3019.

[37]Blum,A.M.,&Jorgensen,W.L.(1999).Therelativebindingfreeenergiesofsteroidstotheestrogenreceptor:acombinedquantummechanical/molecularmechanicalstudy.JournalofMedicinalChemistry,42(7),1097-1105.

[38]Dearden,J.G.,Katritzky,A.R.,&Martinko,J.A.(1998).QSARmodelingofthebindingofsteroidstocytosolicestrogenreceptors.JournalofMedicinalChemistry,41(17),2906-2917.

[39]Katritzky,A.R.,deClercq,E.,Fabbro,D.,Hall,L.H.,Martin,Y.C.,Swain,C.W.,...&Veber,D.F.(2001).Quantitativestructure-activityrelationshipsindrugdesign:principlesandapplications.Atextbookinpharmaceuticalsciences.ElsevierScience.

[40]Ertl,P.,Schнор,T.,&Selzer,P.(2000).Thequantitativestructure-activityrelationship(QSAR)approach.JournalofComputer-AidedMolecularDesign,14(1),29-48.

[41]Muldoon,J.L.,Irwin,J.J.,&Jorgensen,W.L.(2006).Canwesaythatadrug-likemoleculeislikelytobeadrug?JournalofMedicinalChemistry,49(8),2435-2447.

[42]Veber,D.F.,Johnson,M.R.,&Scherr,P.H.(1997).Strategiesforthedesignanddevelopmentofimproveddrugcandidates.PharmaceuticalBiology,35(Suppl1),73-84.

[43]Mann,K.V.,&James,G.M.(1995).Denovodesignofenzymeactivesites.ChemicalReviews,95(4),1431-1454.

[44]Guba,W.,&VandeWaterbeemd,H.(2003).QSARinecotoxicology:theimportanceofbioactivitydata.JournalofChemicalInformationandComputerSciences,43(2),394-406.

[45]Zard,S.Z.(2003).Combinatorialchemistryandparallelsynthesis.ChemicalReviews,103(16),5839-5862.

[46]Katritzky,A.R.,Fabbro,D.,deClercq,E.,Hall,L.H.,Martin,Y.C.,&Swain,C.W.(2002).Quantitativestructure-activityrelationshipsindrugdesign:principlesandapplications.Atextbookinpharmaceuticalsciences.ElsevierScience.

[47]Brown,E.N.,&Frank,I.E.(1993).Astatisticaltestfordetectingnonrandomsimilaritiesinbiologicaldata.JournaloftheAmericanStatisticalAssociation,88(422),85-92.

[48]Katritzky,A.R.,deClercq,E.,Fabbro,D.,Hall,L.H.,Martin,Y.C.,Swain,C.W.,...&Veber,D.F.(2001).Quantitativestructure-activityrelationshipsindrugdesign:principlesandapplications.Atextbookinpharmaceuticalsciences.ElsevierScience.

[49]Egan,W.J.,Martin,Y.C.,&Katzenellenbogen,J.A.(1992).Computationalmodelingofstructure-activityrelationships:theuseofmultiplelinearregressionanalysisforthecorrelationofbiologicalactivityofestrogenagonistsandantagonistswiththeirrelativebindingaffinitiesattheestrogenreceptor.JournalofMedicinalCh