機器學習方法用于二氫葉酸還原酶抑制劑的活性預測.pdf

1、本論文研究了機器學習方法在化合物的藥物活性上，進行分類預測的應用。全文包括兩個章節(jié)，第一章，敘述了支持向量學習機分類方法以及其它幾種機器學習方法，用于分類建模的理論基礎(chǔ)；第二章，主要是對方法的實際應用型研究，即機器學習分類方法在二氫葉酸還原酶抑制劑藥物的活性分類預測中的運用。 在第一章中，首先對計算機輔助藥物分子設(shè)計的發(fā)展背景及研究概況進行了介紹，并詳細闡述了支持向量學習機、人工神經(jīng)網(wǎng)絡，調(diào)節(jié)性邏輯回歸，和K-最臨近等機器學習方

2、法的理論基礎(chǔ)；對在建模初期，分子幾何結(jié)構(gòu)的優(yōu)化及相關(guān)軟件進行了說明；概述了用來描述分子物理及化學性質(zhì)的描述符的定義、名稱以及分類；對用于訓練集設(shè)計的Random Selection算法、Kohonenself-organising maps算法和Kennard—Stotle算法，以及用于變量篩選的Metropolis Monte Carlo模擬退火方法和遺傳算法進行了闡述；最后就模型好壞的評價標準進行了說明。 第二章主要是用機器

3、學習方法對二氫葉酸還原酶抑制劑，進行了藥物活性的分類預測。首先對已知活性的761個二氫葉酸還原酶抑制劑分子結(jié)構(gòu)進行幾何構(gòu)型優(yōu)化，在此結(jié)構(gòu)基礎(chǔ)上，計算了463個組成描述符和拓撲描述符，以此來表征化合物分子的物理及化學特征。在訓練集設(shè)計時，使用了Kennard—Stone方法和Random方法，對其基礎(chǔ)上建立模型的分類結(jié)果進行了比較，說明Kennard—Stone方法更適宜于構(gòu)建模型。因此，在比較建模的機器學習方法時，就只使用了Kennar

4、d-Stone方法進行訓練集的設(shè)計，構(gòu)造好訓練集以及測試集用于建模，并使用預測正確率來評估模型的預測能力。對于支持向量學習機、人工神經(jīng)網(wǎng)絡，調(diào)節(jié)性邏輯回歸，和K－最臨近等機器學習方法所建模型的預測結(jié)果進行對比，評定支持向量學習機建立的模型最優(yōu)，有較好的預測結(jié)果，其總體預測正確率為89.01％。在此基礎(chǔ)上，經(jīng)過標準化和進行Metropolis MonteCarlo模擬退火算法的變量篩選，對描述符進一步處理，最終篩選出158個對預測結(jié)果影響

5、較大的描述符。最終建立的模型的預測結(jié)果進一步得到改善，其總體預測正確率提高到了91.62％。說明了通過合適的訓練集設(shè)計及變量選擇，支持向量學習機方法可很好地用于二氫葉酸還原酶抑制劑的活性分類預測。在二氫葉酸還原酶抑制劑的活性分類預測上，有較好結(jié)果的支持向量學習機方法，可通過訓練集的設(shè)計和變量選擇來改善模型。通過使用：Kennard-Stone方法進行訓練集的設(shè)計以及Metropolis Monte Carlo模擬退火方法進行變量篩選，可