در تمام دنیا متخصصان در حوزه دارو درمانی، شیمی و بیوتکنولوژی در حال سنتز ریز مولکولها برای ارزیابی پتانسیل آنها در برابر اهداف درمانی سیستم عصبی مرکزی هستند. به دلیل تعداد بسیار بالای این مولکول ها پیدا کردن ترکیبات شیمیایی سودمند مانند پیدا کردن سوزن در انبار کاه بوده و بدون روشهای کیموانفورماتیکی امکان پذیر نمی باشد.
روش های متداول مطالعه و آنالیز این بیومولکولها Inslico Screening و شبیه سازی کامپیوتری می باشد که همگی براساس استفاده از دسته بندها (Classifiers) هستند. در این مطالعه سعی شده برای تعداد 21833 بازدارنده سیستم عصبی که در پایگاه داده ترکیبی جمع آوری شده است از روش های ژنتیک الگوریتم  و همچنین Quadratic Decremenant Analyze (QDA) استفاده شود. نتایج حاصل نشان می دهد که دسته بندهای یک در مقابل یک به درستی و با دقت بسیار بالایی موفق به این دسته بندی شده اند و مولکول ها را بر اساس اهداف مشخص سیستم عصبی مرکزی دسته بندی نمودند که قابل مقایسه با روش بسیار متداول SVM می باشد. در مرحله بعدی نمودار inhibitor های سیستم عصبی رسم گردید و فضای فرعی اشغال شده توسط مولکول مشخص شد. در قدم سوم مدل های دسته کننده به عنوان فیلتری برای غربالگری مجازی استفاده شد. فاکتورهای محاسبه شده و غنی شده به نسبت مساحت زیر سطح مقادیر منحنی دریافت کننده ها، مشخص نمود که این دسته کننده ها می توانند انتخاب بسیار مناسبی برای سرعت بخشیدن به مراحل اولیه طراحی و انتخاب دارو در پایگاه داده های بزرگ باشند.

فاصله نسبی از مرکز کلاس فعال بیومولکول ها که توسط دسته کننده هایی یک در مقابل یک به عنوان اندیس مرتب سازی پایگاه داده ها استفاده گردید . نتایج حاصل نشان داد که دسته کننده های چند کلاسه به درستی و با دقت، بالا تمامی مجموعه های غیر فعال را در غربالگری مجازی را حذف نمودند. این متد بسیار اثربخش، قابلیت استفاده در بخش طراحی دارو را دارد.

منبع:

https://pubmed.ncbi.nlm.nih.gov/27480066/