Аннотация:Предложено использование многоуровневых искусственных нейронных сетей (ИНС) для реализации кусочно-линейной функции прогнозирования на этапе анализа новых молекул (скрининга). «Кусочность» функции основана на знании кластерной структуры обучающей выборки. Радиально-базисные нейроны реализуют правила «свой-чужой» – правила отказа от прогноза, и используют топологические молекулярные дескрипторы. Другой тип дескрипторов – дескрипторы пространственной молекулярной формы, – используется линейными нейронами для проведения прогнозирования внутри кластера. Показано, что улучшение качества прогноза может быть основано на представлении формы кластера (как области допустимых аргументов функции прогноза) с помощью ядер Дидэ. Построены модели «структура-свойство» с высоким качеством прогноза и проведено их сравнение, показывающее практическую эффективность метода.