Q-RASAR

El concepto de Relación Estructura-Actividad Cuantitativa de Lectura Cruzada (q-RASAR) fue desarrollado por el Laboratorio DTC de la Universidad de Jadavpur mediante la fusión de Read-Across y QSAR . Se trata de un enfoque de modelado estadístico que utiliza medidas basadas en la similitud y el error como descriptores, además de los descriptores estructurales y fisicoquímicos habituales, y se ha demostrado que mejora la predictividad externa de los modelos QSAR/QSPR. ^{[ 1 ]}

El novedoso método de relación estructura-actividad cuantitativa por extrapolación (q-RASAR) combina las ventajas de QSAR y la extrapolación, lo que resulta en una mayor capacidad predictiva con el mismo nivel de información química. Este método utiliza consideraciones basadas en la similitud, pero puede generar modelos sencillos, interpretables y transferibles. Puede aplicarse a cualquier tipo de descriptores estructurales y fisicoquímicos , así como a cualquier algoritmo de modelado.

El enfoque q-RASAR ha sido utilizado por diferentes grupos de investigación para diferentes puntos finales. ^{[ 2 ] [ 3 ] [ 4 ] [ 5 ]} Entre los diferentes descriptores RASAR, la función RA , la similitud promedio y gm (coeficiente de concordancia de Banerjee-Roy) han demostrado gran importancia en el modelado en algunos estudios. ^{[ 5 ]} En 2023, los coeficientes de similitud de Banerjee-Roy sm 1 y sm2 también se propusieron para identificar posibles acantilados de actividad en un conjunto de datos. ^{[ 6 ]} El enfoque q-RASAR tiene el potencial de llenar brechas de datos en toxicología predictiva , ciencia de materiales , química medicinal , ciencias de los alimentos , nanociencias , ciencias agrícolas , etc.

Se encuentra disponible una presentación tutorial sobre q-RASAR. Recientemente, el marco de trabajo q-RASAR se ha mejorado mediante su integración con los descriptores ARKA en QSAR . ^{[ 7 ]}