Indice
1 Introduzione 7
2 Argomenti Preliminari 13
2.1 Apprendimento Automatico . . . . 13
2.1.1 Domini Strutturati . . . . 13
2.1.2 Trasduzioni Strutturali . . . . 18
2.1.3 Reti Neurali Ricorrenti . . . . 19
2.1.4 Reti Neurali Ricorsive . . . . 22
2.1.5 Kernel per Domini Strutturati . . . . 23
2.1.6 Altri Metodi per Dati Strutturati . . . . 24
2.1.7 Reservoir Computing . . . . 25
2.1.8 Reservoir Computing per Domini Strutturati . . . . . 30
2.1.9 Regolarizzazione nel Reservoir Computing . . . . 37
2.1.10 Self-Organizing Map . . . . 41
2.2 Tossicologia Computazionale . . . . 45
2.2.1 Quantitative Structure Activity Relationship . . . . . 47
2.2.2 Structural Alerts . . . . 47
3 Descrizione del Sistema Proposto 49 3.1 State Mapping Function . . . . 53
3.1.1 Training Supervisionato della SOM . . . . 54
3.1.2 Disposizione delle Unità della SOM . . . . 56
3.1.3 Funzione di Aggregazione . . . . 58
3.2 Training del Readout . . . . 60
3.2.1 Vantaggi del Pruning . . . . 61
3.3 Classificazione Multi-classe e Regressione . . . . 62
3.4 Costi Computazionali . . . . 62
3.5 Un Modello di Confronto . . . . 64
3.5.1 Metodo a Frammenti . . . . 65
3.5.2 Analogie e Differenze con GraphESN-SOM . . . . 68 5
4 Risultati Sperimentali 71
4.1 Configurazioni di Base . . . . 71
4.2 SOM Supervisionata . . . . 73
4.2.1 Risultati . . . . 73
4.2.2 Conclusioni . . . . 81
4.3 Valori Binari e Valori Continui . . . . 82
4.3.1 Risultati . . . . 83
4.3.2 Conclusioni . . . . 85
4.4 Pruning e Regolarizzazione . . . . 85
4.4.1 Risultati . . . . 86
4.4.2 Conclusioni . . . . 87
4.5 Confronto con Metodo a Frammenti . . . . 88
4.5.1 Risultati . . . . 88
4.5.2 Conclusioni . . . . 90
4.6 Performance su Datasets di Tossicologia . . . . 90
4.6.1 Risultati . . . . 90
4.6.2 Conclusioni . . . . 92
4.7 Analisi della Predizione . . . . 93
5 Conclusioni 101 A Datasets 105 A.1 Bursi . . . 105
A.2 ISSCAN . . . 105
A.3 Predictive Toxicology Challenge (PTC) . . . 106
Bibliografia 107
6