In this paper, we report the use of a mixture of radial distribution functions (RDFs) and molecular docking descriptors (MDDs), as a new group of descriptors, to construct a predictive quantitative structure-activity relationship (QSAR) model. The performance of the proposed mixed descriptors as the independent variables was checked with QSAR modeling of the anti-cancer activities of a series of 4-anilinoquinazoline analogs as the potent epidermal growth factor receptor (EGFR) inhibitors. The RDF descriptors were calculated using the available software. The docking descriptors were extracted by docking the understudied compounds into the active site of the protein with the PDB Code of 1M17 using molecular docking software. The stepwise linear regression was used to select the most important descriptors. The selected relevant descriptors were used as the inputs in the Bayesian regularization-artificial neural network (BR-ANN) as the QSAR model. The data set was randomly divided into training (35 compounds) and external test (8 compounds) sets. The mean square error (MSE) of the training set was applied for the selection of the optimal BR-ANN model. The validation of the proposed BR-ANN model was accomplished by the prediction of pIC 50 of compounds in the external test set and all molecules through the leave-one-out (LOO) technique. The results obtained confirmed the acceptable accuracy of the model ( R test 2 = 0.90 $$ {R}_{\mathrm{test}}^2=0.90 $$ and R LOO 2 = 0.79 $$ \kern0.50em {R}_{\mathrm{LOO}}^2=0.79 $$ ).

中文翻译：

---

在一些 4-苯胺喹唑啉衍生物作为有效 EGFR 抑制剂的 QSAR 研究中，径向分布函数作为结构描述符与配体-受体相互作用信息的组合

在本文中，我们报告了使用径向分布函数 (RDF) 和分子对接描述符 (MDD) 的混合作为一组新的描述符来构建预测定量构效关系 (QSAR) 模型。使用作为有效表皮生长因子受体 (EGFR) 抑制剂的一系列 4-苯胺基喹唑啉类似物的抗癌活性的 QSAR 模型检查了作为自变量的拟议混合描述符的性能。使用可用软件计算 RDF 描述符。对接描述符是通过使用分子对接软件将未研究的化合物对接到 PDB 代码为 1M17 的蛋白质的活性位点来提取的。逐步线性回归用于选择最重要的描述符。选定的相关描述符被用作贝叶斯正则化人工神经网络 (BR-ANN) 的输入，作为 QSAR 模型。数据集随机分为训练（35 个化合物）和外部测试（8 个化合物）集。训练集的均方误差 (MSE) 用于选择最佳 BR-ANN 模型。所提出的 BR-ANN 模型的验证是通过使用留一法 (LOO) 技术预测外部测试集中化合物和所有分子的 pIC 50 来完成的。获得的结果证实了模型的可接受精度（ R test 2 = 0.90 $$ {R}_{\mathrm{test}}^2=0.90 $$ 和 R LOO 2 = 0.79 $$ \kern0.50em {R} _{\mathrm{LOO}}^2=0.79 $$）。数据集随机分为训练（35 个化合物）和外部测试（8 个化合物）集。训练集的均方误差 (MSE) 用于选择最佳 BR-ANN 模型。所提出的 BR-ANN 模型的验证是通过使用留一法 (LOO) 技术预测外部测试集中化合物和所有分子的 pIC 50 来完成的。获得的结果证实了模型的可接受精度（ R test 2 = 0.90 $$ {R}_{\mathrm{test}}^2=0.90 $$ 和 R LOO 2 = 0.79 $$ \kern0.50em {R} _{\mathrm{LOO}}^2=0.79 $$）。数据集随机分为训练（35 个化合物）和外部测试（8 个化合物）集。训练集的均方误差 (MSE) 用于选择最佳 BR-ANN 模型。所提出的 BR-ANN 模型的验证是通过使用留一法 (LOO) 技术预测外部测试集中化合物和所有分子的 pIC 50 来完成的。获得的结果证实了模型的可接受精度（ R test 2 = 0.90 $$ {R}_{\mathrm{test}}^2=0.90 $$ 和 R LOO 2 = 0.79 $$ \kern0.50em {R} _{\mathrm{LOO}}^2=0.79 $$）。所提出的 BR-ANN 模型的验证是通过使用留一法 (LOO) 技术预测外部测试集中化合物和所有分子的 pIC 50 来完成的。获得的结果证实了模型的可接受精度（ R test 2 = 0.90 $$ {R}_{\mathrm{test}}^2=0.90 $$ 和 R LOO 2 = 0.79 $$ \kern0.50em {R} _{\mathrm{LOO}}^2=0.79 $$）。所提出的 BR-ANN 模型的验证是通过使用留一法 (LOO) 技术预测外部测试集中化合物和所有分子的 pIC 50 来完成的。获得的结果证实了模型的可接受精度（ R test 2 = 0.90 $$ {R}_{\mathrm{test}}^2=0.90 $$ 和 R LOO 2 = 0.79 $$ \kern0.50em {R} _{\mathrm{LOO}}^2=0.79 $$）。