menu
{ "item_title" : "Pyrazines et Perception Olfactive", "item_author" : [" Mohamed Ouabane "], "item_description" : "Dans cettetude, une approche int gr e combinant des m thodes 2D-QSPR, 3D-QSPR, Monte Carlo et apprentissage automatique atd ploy e pour mod liser la relation structure-odeur de 78 compos s odorants d riv s de la 1,4-pyrazine, dans le but de guider rationnellement la conception de nouveaux ar mesusage alimentaire. Les mod les 2D-QSPR, en particulier HQSPR/BC, ont pr sentune excellente qualitd'ajustement avec un Q _LOO = 0,832 et un R= 0,916. Du c tdes mod les 3D-QSPR, CoMSIA/SEH a fourni des performances robustes (Q= 0,624; R _CV = 0,590; R _nonCV = 0,932; R _bootstrap = 0,963), tandis que le mod le Topomer CoMFA/SE a obtenu R _training = 0,899 et R _test = 0,916, d montrant sa bonne capacitde g n ralisation. En parall le, la m thode Monte Carlo, appliqu edes descripteurs SMILES optimis s, a permis de g n rer un mod le TF2 fiable, avec R _entrainement = 0,957 et R _test = 0,834,valul'aide des indices d'id alitet de contradiction de la corr lation. Par ailleurs, plusieurs algorithmes de machine learning ontttest s, et les meilleurs r sultats onttobtenus avec les mod les Extra Trees (ET), Random Forest (RF) et Bagging (Bag), qui ont d montrune excellente capacitpr dictive sur les donn es de test, avec respectivement R= 0,814, 0,802 et 0,784, accompagn s de faibles erreurs RMSE de 0,816, 0,841 et 0,878. Ces mod les ont surpassd'autres approches comme XGBoost, LightGBM ou Decision Tree, souvent sujetsun surapprentissage ouune dispersionlev e en test. L'ensemble de ces mod les a permis la conception rationnelle de 36 nouvelles mol cules odorantes, dont les niveaux d'activitonttpr dits. Ces compos s ont ensuitetvalu s par docking mol culaire vis- -vis de la Porcine Odorant Binding Protein (pOBP), utilisant la 2-isobutyl-3-m thoxypyrazine comme ligand de r f rence, suivis d'analyses ADME/Tox pour estimer leur profil pharmacocin tique et de simulations de dynamique mol culaire pour v rifier la stabilitdes complexes ligand-r cepteur. Ces r sultats fournissent une base solide et innovante pour la d couverte de nouvelles entit s odorantesvaleur ajout e, combinant s lectivit , stabilitet propri t s.", "item_img_path" : "https://covers1.booksamillion.com/covers/bam/9/99/932/843/9999328431_b.jpg", "price_data" : { "retail_price" : "49.50", "online_price" : "49.50", "our_price" : "49.50", "club_price" : "49.50", "savings_pct" : "0", "savings_amt" : "0.00", "club_savings_pct" : "0", "club_savings_amt" : "0.00", "discount_pct" : "10", "store_price" : "" } }
Pyrazines et Perception Olfactive|Mohamed Ouabane

Pyrazines et Perception Olfactive : Chimie, Modélisation Moléculaire et Perspectives Industrielles

local_shippingShip to Me
In Stock.
FREE Shipping for Club Members help

Overview

Dans cette tude, une approche int gr e combinant des m thodes 2D-QSPR, 3D-QSPR, Monte Carlo et apprentissage automatique a t d ploy e pour mod liser la relation structure-odeur de 78 compos s odorants d riv s de la 1,4-pyrazine, dans le but de guider rationnellement la conception de nouveaux ar mes usage alimentaire. Les mod les 2D-QSPR, en particulier HQSPR/BC, ont pr sent une excellente qualit d'ajustement avec un Q _LOO = 0,832 et un R = 0,916. Du c t des mod les 3D-QSPR, CoMSIA/SEH a fourni des performances robustes (Q = 0,624; R _CV = 0,590; R _nonCV = 0,932; R _bootstrap = 0,963), tandis que le mod le Topomer CoMFA/SE a obtenu R _training = 0,899 et R _test = 0,916, d montrant sa bonne capacit de g n ralisation. En parall le, la m thode Monte Carlo, appliqu e des descripteurs SMILES optimis s, a permis de g n rer un mod le TF2 fiable, avec R _entrainement = 0,957 et R _test = 0,834, valu l'aide des indices d'id alit et de contradiction de la corr lation. Par ailleurs, plusieurs algorithmes de machine learning ont t test s, et les meilleurs r sultats ont t obtenus avec les mod les Extra Trees (ET), Random Forest (RF) et Bagging (Bag), qui ont d montr une excellente capacit pr dictive sur les donn es de test, avec respectivement R = 0,814, 0,802 et 0,784, accompagn s de faibles erreurs RMSE de 0,816, 0,841 et 0,878. Ces mod les ont surpass d'autres approches comme XGBoost, LightGBM ou Decision Tree, souvent sujets un surapprentissage ou une dispersion lev e en test. L'ensemble de ces mod les a permis la conception rationnelle de 36 nouvelles mol cules odorantes, dont les niveaux d'activit ont t pr dits. Ces compos s ont ensuite t valu s par docking mol culaire vis- -vis de la Porcine Odorant Binding Protein (pOBP), utilisant la 2-isobutyl-3-m thoxypyrazine comme ligand de r f rence, suivis d'analyses ADME/Tox pour estimer leur profil pharmacocin tique et de simulations de dynamique mol culaire pour v rifier la stabilit des complexes ligand-r cepteur. Ces r sultats fournissent une base solide et innovante pour la d couverte de nouvelles entit s odorantes valeur ajout e, combinant s lectivit , stabilit et propri t s.

This item is Non-Returnable

Details

  • ISBN-13: 9789999328432
  • ISBN-10: 9999328431
  • Publisher: Eliva Press
  • Publish Date: December 2025
  • Dimensions: 9 x 6 x 0.24 inches
  • Shipping Weight: 0.36 pounds
  • Page Count: 114

Related Categories

You May Also Like...

    1

BAM Customer Reviews