В настоящее время область применения метода MNDO достаточно изучена. Зная особенности расчетной схемы MNDO, его преимущества и недостатки можно с успехом применять метод для решения многих задач.

Хотя в целом метод MNDO имеет существенные преимущества перед СNDO, в некоторых случаях метод дает серьезные сбои. Это в первую очередь касается расчетов молекул с водородными связями, барьеров внутреннего вращения в p-сопряженных системах и расчетов четырехчленных циклов. Поэтому в рамках метода MNDO были разработаны модифицированные варианты.

Для расчета характеристик систем с водородными связями были разработаны методы MNDO/Н и MNDO/М, которые лучше воспроизводят экспериментальные значения энергии водородных связей в комплексах.

Удовлетворительное описание водородных связей позволило широко использовать модифицированные варианты для исследования биологических объектов.

Таким образом, полуэмпирические квантовохимические методы можно использовать с большим практическим выходом для изучения реакционной способности различных химических соединений.

1.5 Определение спектра биологической активности с помощью программы PASSC&T (PredictionofActivitySpectraforSubstances: Complex & Training)

Современная версия компьютерной системы предсказания спектра биологической активности PASS C&T (Prediction of Activity Spectra for Substances: Complex & Training) реализована в 1998 году. Она включает в себя обучающую выборку, содержащую более 45000 биологически активных веществ с известной биологической активностью, и охватывает более 400 фармакологических эффектов, механизмов действия, а также мутагенность, канцерогенность, тератогенность и эмбриотоксичность.

Работа PASS основана на анализе зависимостей «структура-активность» для веществ из обучающей выборки, содержащей более 45000 разнообразных биологически активных веществ (субстанции известных лекарственных препаратов и фармакологически активные соединения). Обучающая выборка постоянно пополняется новой информацией о биологически активных веществах, отбираемой как из публикаций в научно-технической литературе, так и из многочисленных баз данных. Химическая структура представлена в PASS в виде оригинальных MNA дескрипторов (Mulilevel Neighbourhoods of Atoms). MNA дескрипторы имеют универсальный характер и с достаточно хорошей точностью описывают разнообразные зависимости «структура-свойство». Используемый в PASS математический алгоритм был отобран путем целенаправленного анализа и сравнения эффективности для решения подобных задач большого числа различных методов. Показано, что данный алгоритм обеспечивает получение устойчивых в статистическом смысле зависимостей “структура-активность” и, соответственно, результатов прогноза. Это очень важно, поскольку включенные в обучающую выборку данные всегда обладают определенной неполнотой как в отношении охвата всех химических классов веществ, имеющих конкретный вид активности, так и в отношении изученности каждого отдельного вещества на все возможные виды активности. Средняя точность прогноза при скользящем контроле составляет свыше 85%. Скользящий контроль проводится следующим образом: из обучающей выборки поочередно удаляется одно вещество и для него делается прогноз на основе анализа оставшейся части обучающей выборки, результат сравнивается с известными экспериментальными данными. Процедура повторяется итеракивно для каждого из веществ и рассчитывается средняя точность прогноза. Точность прогноза в 85% достаточна для практического применения системы PASS с целью прогноза спектра биологической активности новых веществ, поскольку ожидаемая вероятность случайного угадывания одного из 780 видов активности составляет около 0.1% [10].

Результаты прогноза выдаются пользователю в виде списка названий вероятных видов активности с расчетными оценками вероятностей наличия (Pa) и отсутствия каждого вида активности (Pi), которые имеют значения от 0 до 1. Эти вероятности рассчитываются независимо по подвыборкам активных и неактивных соединений, и поэтому их сумма не равна единице. Pa и Pi интерпретируются как оценки меры принадлежности вещества к классам активных и неактивных соединений соответственно, либо как оценки ошибок первого и второго рода. Чем больше для конкретной активности величина Pa и чем меньше величина Pi, тем больше шанс обнаружить данную активность в эксперименте. Если при анализе прогнозируемого списка активностей для исследования выбираются те виды активности, для которых Pa>90%, то мы рискуем пропустить около 90% действительно активных соединений, но вероятность ложноположительных прогнозов при этом ничтожно мала; для Pa>80% - пропустим уже только 80% активных соединений, но и вероятность ложноположительных прогнозов будет выше, наконец, для Pa>Pi вероятности ошибок первого и второго рода равны [1, 9, 10].