Аннотация:В данной работе решалась задача прогнозирования взаимосвя-
зи структура-активность (Quantitative structure–activity relationship) с
применением машинного обучения. В рамках решения этой задачи бы-
ло исследовано применение одного из наиболее популярных в химии
методов Machine Learning (ML) - Support Vector Machine - с использо-
ванием различных kernel-функций на графах. Было проведено сравне-
ние результатов с подходом, использующем представление молеклярно-
го графа в виде вектора признаков, построенного на основании входя-
щих в молекулу фрагментов. Вычислительные эксперименты показали
превосходство графового алгоритма на... Также была предложена мо-
дификация kernel-функции (название), позволяющая учитывать клас-
сификацию вершин молекулярного графа, что позволило улучшить ре-
зультат прогнозирования
