機(jī)器學(xué)習(xí)方法用于選擇性環(huán)氧化酶—2抑制劑活性預(yù)測(cè)模型的建立.pdf

1、本文研究了人工神經(jīng)網(wǎng)絡(luò)(ANN)和支持向量學(xué)習(xí)機(jī)(SVM)技術(shù)對(duì)藥物活性進(jìn)行分類預(yù)測(cè)的應(yīng)用，論文共分為三章： 第一章作為引言，介紹了當(dāng)前計(jì)算機(jī)輔助藥物設(shè)計(jì)概況，優(yōu)化藥物設(shè)計(jì)的理論發(fā)展趨勢(shì)及其我們所作工作的一些概要。 第二章闡述了本文所用機(jī)器學(xué)習(xí)方法ANN和SVM的基本原理，表征藥物分子結(jié)構(gòu)和物理化學(xué)性質(zhì)的分子描述符，及描述符變量的預(yù)處理和篩選方法，并就建模預(yù)測(cè)能力的評(píng)價(jià)方式進(jìn)行了說明。 第三章為本文研究的重點(diǎn)，我

2、們將SVM和ANN這兩種機(jī)器學(xué)習(xí)方法用于對(duì)選擇性環(huán)氧化酶-2抑制劑活性建立活性預(yù)測(cè)模型進(jìn)行研究。針對(duì)476個(gè)藥物化合物分子的數(shù)據(jù)庫(kù)，我們用Kennard-Stone方法將其分為訓(xùn)練集、測(cè)試集、驗(yàn)證集。計(jì)算了包含結(jié)構(gòu)類和拓?fù)漕惖?59個(gè)分子描述符，以表征化合物的結(jié)構(gòu)和物理化學(xué)性質(zhì)。為了去掉低信息量的描述符數(shù)量，首先對(duì)描述符作預(yù)處理：如果一個(gè)分子描述符的相對(duì)方差小于0.05或者訓(xùn)練集中含有相同描述符數(shù)值的分子的比例達(dá)到90％，或者與其他的分

3、子描述符的相關(guān)系數(shù)達(dá)到0.90的，均要被刪除。然后用F-Score方法對(duì)其重要性大小排序，通過優(yōu)化模型最大推廣能力篩選出最重要的136分子描述符，分別應(yīng)用于SVM和ANN方法對(duì)選擇性環(huán)氧化酶-2抑制劑活性模型的建立，并對(duì)兩種方法所得到的結(jié)果進(jìn)行了比較。 對(duì)選擇性環(huán)氧化酶-2抑制劑的預(yù)測(cè)能力建模，我們的研究結(jié)果表明，ANN和SVM方法所建模型，其預(yù)測(cè)能力均優(yōu)于前人所作的工作。在未進(jìn)行篩選和參數(shù)優(yōu)化的情況下，ANN方法建模預(yù)測(cè)能力稍