Structure–activity relationship (SAR) and quantitative SAR (QSAR) are modeling methods largely used in assessing biological properties of chemical substances. QSAR is based on the hypothesis that the chemical structure is responsible for the activity; it follows that similar molecules are expected to have similar properties. Similarity plays an important role in read across, which categorizes molecules primarily on the basis of similarity. Similarity, and chemical similarity too, is a property differently perceived by humans. The various proposed metrics often disagree with human judgment, and no a unique metric for chemical similarity is universally adopted. Researchers argued that categorization is not only explained by similarity but depends as well on abstract knowledge and the task to accomplish. Moreover, similarity cannot be the unique explanation of a categorization, as different perceptual processes take place in category formation. Assuming that similarity judgments are deeply rooted in human knowledge and perception, cognitive sciences contributions are as important as the mathematical considerations of the classical theories. After an excursus in the many views of similarity in philosophy, mathematics, and cognitive science, the paper explores how connectionist systems, which loosely mimic the human cognitive system, could improve similarity-based choices. A case study on building (Q)SARs using connectionism and deep neural networks shows the role of similarity in building and explaining those models. A discussion about deep learning for QSAR and as a modeling tool for science concludes the presentation.

中文翻译：

---

深度学习时代的QSAR相似性原理：确认还是修正？

构效关系 (SAR) 和定量 SAR (QSAR) 是建模方法，主要用于评估化学物质的生物学特性。QSAR 是基于化学结构导致活性的假设；因此，相似的分子预期具有相似的特性。相似性在阅读中起着重要作用，它主要根据相似性对分子进行分类。相似性和化学相似性也是人类不同感知的属性。各种提议的度量标准通常与人类判断不一致，并且没有普遍采用化学相似性的唯一度量标准。研究人员认为，分类不仅可以用相似性来解释，还取决于抽象知识和要完成的任务。而且，相似性不能是对分类的唯一解释，因为在分类形成过程中会发生不同的感知过程。假设相似性判断深深植根于人类知识和感知中，认知科学的贡献与经典理论的数学考虑一样重要。在对哲学、数学和认知科学中关于相似性的许多观点进行了简短的讨论之后，本文探讨了联结主义系统（松散地模仿人类认知系统）如何改进基于相似性的选择。使用连接主义和深度神经网络构建 (Q) SAR 的案例研究显示了相似性在构建和解释这些模型中的作用。关于 QSAR 的深度学习以及作为科学建模工具的讨论结束了演示。因为在范畴形成过程中会发生不同的知觉过程。假设相似性判断深深植根于人类知识和感知，认知科学的贡献与经典理论的数学考虑一样重要。在对哲学、数学和认知科学中关于相似性的许多观点进行了简短的讨论之后，本文探讨了联结主义系统（松散地模仿人类认知系统）如何改进基于相似性的选择。使用连接主义和深度神经网络构建 (Q) SAR 的案例研究显示了相似性在构建和解释这些模型中的作用。关于 QSAR 的深度学习以及作为科学建模工具的讨论结束了演示。因为在范畴形成过程中会发生不同的知觉过程。假设相似性判断深深植根于人类知识和感知，认知科学的贡献与经典理论的数学考虑一样重要。在对哲学、数学和认知科学中关于相似性的许多观点进行了简短的讨论之后，本文探讨了联结主义系统（松散地模仿人类认知系统）如何改进基于相似性的选择。使用连接主义和深度神经网络构建 (Q) SAR 的案例研究显示了相似性在构建和解释这些模型中的作用。关于 QSAR 的深度学习以及作为科学建模工具的讨论结束了演示。假设相似性判断深深植根于人类知识和感知，认知科学的贡献与经典理论的数学考虑一样重要。在对哲学、数学和认知科学中关于相似性的许多观点进行了简短的讨论之后，本文探讨了联结主义系统（松散地模仿人类认知系统）如何改进基于相似性的选择。使用连接主义和深度神经网络构建 (Q) SAR 的案例研究显示了相似性在构建和解释这些模型中的作用。关于 QSAR 的深度学习以及作为科学建模工具的讨论结束了演示。假设相似性判断深深植根于人类知识和感知，认知科学的贡献与经典理论的数学考虑一样重要。在对哲学、数学和认知科学中关于相似性的许多观点进行了简短的讨论之后，本文探讨了联结主义系统（松散地模仿人类认知系统）如何改进基于相似性的选择。使用连接主义和深度神经网络构建 (Q) SAR 的案例研究显示了相似性在构建和解释这些模型中的作用。关于 QSAR 的深度学习以及作为科学建模工具的讨论结束了演示。在对哲学、数学和认知科学中关于相似性的许多观点进行了简短的讨论之后，本文探讨了联结主义系统（松散地模仿人类认知系统）如何改进基于相似性的选择。使用连接主义和深度神经网络构建 (Q) SAR 的案例研究显示了相似性在构建和解释这些模型中的作用。关于 QSAR 的深度学习以及作为科学建模工具的讨论结束了演示。在对哲学、数学和认知科学中关于相似性的许多观点进行了简短的讨论之后，本文探讨了联结主义系统（松散地模仿人类认知系统）如何改进基于相似性的选择。使用连接主义和深度神经网络构建 (Q) SAR 的案例研究显示了相似性在构建和解释这些模型中的作用。关于 QSAR 的深度学习以及作为科学建模工具的讨论结束了演示。