Quantitative structure–activity relationship modeling is one of the major computational tools employed in medicinal chemistry. However, throughout its entire history it has drawn both praise and criticism concerning its reliability, limitations, successes, and failures. In this paper, we discuss (i) the development and evolution of QSAR; (ii) the current trends, unsolved problems, and pressing challenges; and (iii) several novel and emerging applications of QSAR modeling. Throughout this discussion, we provide guidelines for QSAR development, validation, and application, which are summarized in best practices for building rigorously validated and externally predictive QSAR models. We hope that this Perspective will help communications between computational and experimental chemists toward collaborative development and use of QSAR models. We also believe that the guidelines presented here will help journal editors and reviewers apply more stringent scientific standards to manuscripts reporting new QSAR studies, as well as encourage the use of high quality, validated QSARs for regulatory decision making.

ADVERTISEMENT RETURN TO ISSUEPREVArticleNEXTComparison of Automatic Three-Dimensional Model Builders Using 639 X-ray StructuresJens Sadowski, Johann Gasteiger, and Gerhard KlebeCite this: J. Chem. Inf. Comput. Sci. 1994, 34, 4, 1000–1008Publication Date (Print):July 1, 1994Publication History Published online1 May 2002Published inissue 1 July 1994https://pubs.acs.org/doi/10.1021/ci00020a039https://doi.org/10.1021/ci00020a039research-articleACS PublicationsRequest reuse permissionsArticle Views644Altmetric-Citations534LEARN ABOUT THESE METRICSArticle Views are the COUNTER-compliant sum of full text article downloads since November 2008 (both PDF and HTML) across all institutions and individuals. These metrics are regularly updated to reflect usage leading up to the last few days.Citations are the number of other articles citing this article, calculated by Crossref and updated daily. Find more information about Crossref citation counts.The Altmetric Attention Score is a quantitative measure of the attention that a research article has received online. Clicking on the donut icon will load a page at altmetric.com with additional details about the score and the social media presence for the given article. Find more information on the Altmetric Attention Score and how the score is calculated. Share Add toView InAdd Full Text with ReferenceAdd Description ExportRISCitationCitation and abstractCitation and referencesMore Options Share onFacebookTwitterWechatLinked InRedditEmail Other access optionsSupporting Info (1)»Supporting Information Supporting Information Get e-Alerts

Recent work on neural networks in chemistry is reviewed and essential background to this fast-spreading method is given. Emphasis is placed on the back-propagation algorithm, because of the extensive use of this form of learning. Hopfield networks, adaptive bidirectional associative memory, and Kohonen learning are briefly described and discussed. Applications in spectroscopy (mass, infrared, ultraviolet, NMR), potentiometry, structure/activity relationships, protein structure, process control and chemical reactivity are summarized.

The ADP ribosylation factor like protein 15 (ARL15) gene encodes for an uncharacterized GTPase associated with rheumatoid arthritis (RA) and other metabolic disorders. Investigation of the structural and functional attributes of ARL15 is important to position the protein as a potential drug target. Using spectroscopy, we demonstrated that ARL15 exhibits properties inherent of GTPases. The Km and Vmax of the enzyme were calculated to be 100 μM and 1.47 μmole/min/μL, respectively. The equilibrium dissociation constant (Kd) of GTP binding with ARL15 was estimated to be about eight-fold higher than that of GDP. Small Angle X-ray Scattering (SAXS) data indicated that in solution, the apo state of monomeric ARL15 adopts a shape characterized by a globe of maximum linear dimension (Dmax) of 6.1 nm, and upon binding to GTP or GDP, the vector distribution profile changes to peak-n-tail shoulder with Dmax extended to 7.6 and 7.7 nm, respectively. Structure restoration using a sequence-based template and experimental SAXS data provided the first visual insight revealing that the folded N-terminal in the unbound state of the protein may toggle open upon binding to guanine nucleotides. The conformational dynamics observed in the N-terminal region offer a scope to develop drugs that target this unique GTPase, potentially providing treatments for a range of metabolic disorders.

The Online Chemical Modeling Environment is a web-based platform that aims to automate and simplify the typical steps required for QSAR modeling. The platform consists of two major subsystems: the database of experimental measurements and the modeling framework. A user-contributed database contains a set of tools for easy input, search and modification of thousands of records. The OCHEM database is based on the wiki principle and focuses primarily on the quality and verifiability of the data. The database is tightly integrated with the modeling framework, which supports all the steps required to create a predictive model: data search, calculation and selection of a vast variety of molecular descriptors, application of machine learning methods, validation, analysis of the model and assessment of the applicability domain. As compared to other similar systems, OCHEM is not intended to re-implement the existing tools or models but rather to invite the original authors to contribute their results, make them publicly available, share them with other users and to become members of the growing research community. Our intention is to make OCHEM a widely used platform to perform the QSPR/QSAR studies online and share it with other users on the Web. The ultimate goal of OCHEM is collecting all possible chemoinformatics tools within one simple, reliable and user-friendly resource. The OCHEM is free for web users and it is available online at http://www.ochem.eu.

A system has been developed that can automatically generate three-dimensional atomic coordinates from the constitution of a molecule as expressed by a connection table. The program, CORINA, is applicable to the entire range of organic chemistry. It can also handle structures that are beyond the scope of some other programs, e.g., macrocyclic and polymacrocyclic molecules. Computation times are short and the results compare favorably with data from X-ray crystallography and with those of molecular mechanics calculations.

Abstract The capabilities of the human brain have always fascinated scientists and led them to investigate its inner workings. Over the past 50 years a number of models have been developed which have attempted to replicate the brain's various functions. At the same time the development of computers was taking a totally different direction. As a result, today's computer architectures, operating systems, and programming have very little in common with information processing as performed by the brain. Currently we are experiencing a reevaluation of the brain's abilities, and models of information processing in the brain have been translated into algorithms and made widely available. The basic building‐block of these brain models (neural networks) is an information processing unit that is a model of a neuron. An artificial neuron of this kind performs only rather simple mathematical operations; its effectiveness is derived solely from the way in which large numbers of neurons may be connected to form a network. Just as the various neural models replicate different abilities of the brain, they can be used to solve different types of problem: the classification of objects, the modeling of functional relationships, the storage and retrieval of information, and the representation of large amounts of data. This potential suggests many possibilities for the processing of chemical data, and already applications cover a wide area: spectroscopic analysis, prediction of reactions, chemical process control, and the analysis of electrostatic potentials. All these are just a small sample of the great many possibilities.

ADVERTISEMENT RETURN TO ISSUEPREVArticleNEXTElectronegativity equalization: application and parametrizationWilfried J. Mortier, Karin Van Genechten, and Johann GasteigerCite this: J. Am. Chem. Soc. 1985, 107, 4, 829–835Publication Date (Print):February 1, 1985Publication History Published online1 May 2002Published inissue 1 February 1985https://doi.org/10.1021/ja00290a017RIGHTS & PERMISSIONSArticle Views1584Altmetric-Citations388LEARN ABOUT THESE METRICSArticle Views are the COUNTER-compliant sum of full text article downloads since November 2008 (both PDF and HTML) across all institutions and individuals. These metrics are regularly updated to reflect usage leading up to the last few days.Citations are the number of other articles citing this article, calculated by Crossref and updated daily. Find more information about Crossref citation counts.The Altmetric Attention Score is a quantitative measure of the attention that a research article has received online. Clicking on the donut icon will load a page at altmetric.com with additional details about the score and the social media presence for the given article. Find more information on the Altmetric Attention Score and how the score is calculated. Share Add toView InAdd Full Text with ReferenceAdd Description ExportRISCitationCitation and abstractCitation and referencesMore Options Share onFacebookTwitterWechatLinked InReddit PDF (835 KB) Get e-Alerts Get e-Alerts