20.500.12556/ReVIS-11349 Primerjalna študija metod strojnega učenja za modeliranje QSAR magistrska naloga Magistrska naloga predstavlja primerjalno analizo desetih različnih QSAR-algoritmov strojnega učenja, uporabljenih na desetih različnih QSAR-podatkovnih množicah, ob uporabi različnih molekulskih odtisov, da bi ocenili njihovo učinkovitost pri različnih značilnostih in velikostih podatkov. Glavni cilj je bil oceniti, kako izbira algoritma vpliva na natančnost in robustnost modelov pri napovedovanju biološke aktivnosti. Vsak algoritem je bil sistematično testiran z uporabo metrik, kot sta korelacijski koeficient (R²) in koren srednje kvadratne napake (RMSE) za ocenjevanje uspešnosti algoritmov strojnega učenja. Rezultati kažejo znatne razlike v delovanju modelov, kar poudarja, da značilnosti in velikost podatkovne množice ter izbira prstnih odtisov kritično vplivajo na napovedno uspešnost QSAR-modelov. Ta študija ponuja vpoglede v izbire algoritmov za raznolike aplikacije v odkrivanju zdravil ter potrjuje pomembnost značilnosti podatkovnih množic pri QSAR-modeliranju. This thesis presents a comparative analysis of ten different QSAR machine learning algorithms applied to ten diverse QSAR datasets, utilizing various molecular fingerprints, to evaluate their performance across varying data characteristics and sizes. The primary objective was to assess how the choice of algorithm influences model accuracy and robustness in predicting biological activity. Each algorithm was systematically tested using metrics such as correlation coeficient (R²) and root mean square error (RMSE) to measure predictive performance. The results demonstrate significant variations in model performance, highlighting that both the dataset's features and size, as well as the choice of the fingerprint, critically impact the efficacy of QSAR models. This study provides insights into algorithm selection for diverse applications in drug discovery and reinforces the importance of dataset characteristics in QSAR modeling. QSAR strojno učenje molekulski odtisi vrednotenje modelov napovedno modeliranje QSAR machine learning molecular fingerprints model evaluation predictive modeling true true false M. Krivec Slovenski jezik Angleški jezik Magistrsko delo/naloga 2025-01-20 15:52:35 2025-01-20 15:52:35 2025-02-07 03:18:23 0000-00-00 00:00:00 2024 0 Novo mesto 2024 Novo mesto Na ov.: Magistrska naloga : študijskega programa druge stopnje; XV, 106 str. 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 004.85(043.2) 223151619 MAG_2024_Matic_Krivec.pdf MAG_2024_Matic_Krivec.pdf 1 3649D15B74B9DC0E364611C3BF14660E 559844a359801be136606804daa6266c1e5ec33f7a574da5d3e4ae78540bb377 b2495045-d73e-11ef-ba3f-001a4af901a5 https://revis.openscience.si/Dokument.php?lang=slv&id=13003 Fakulteta za informacijske študije v Novem mestu 0 0 0