用于定量构效关系建模的遗传-人工神经网络方法研究

摘要

本文在分析评述有机污染物定量构效关系(QSAR)建模研究现状、人工神经网络(ANN)和遗传算法(GA)的基本原理、优化算法的基础上,针对从化合物结构衍生出来的诸多变量中选择描述变量较难、采用ANN进行QSAR建模中存在的输入节点难以确定和局部收敛等问题,提出了反向传播人工神经网络(BP-ANN)和遗传算法(GA)辅助式结合和合作式结合两种方式进行QSAR建模的方法策略,并编写出相关计算机程序.本文首先开展了BP-ANN与GA辅助式结合进行QSAR建模的方法研究,利用GA的全局搜索能力,在众多的化合物结构描述变量中选择出参与建模的结构参数作为ANN的输入节点,再利用ANN强大的非线性建模能力进行建模.将自编的程序用于实例研究,结果表明:利用GA能有效地确定问题变量的最佳组合,并能同时获得多个高质量的QSAR模型,其给出的结构与活性之间的关系信息更为全面、正确.BP-ANN建模过程归根结底是连接权重的学习过程,一般采用误差梯度下降法来调整网络权重,要克服ANN所固有的收敛速度慢、局部极小值问题,必须摒弃单纯利用梯度法学习权值的策略.本文开展了BP-ANN与GA合作式结合进行QSAR建模的方法研究,采用GA对网络权值进行编码,将权值的学习过程转化为GA和BP-ANN共同学习进化的过程.首先利用GA产生若干不同初始网络权值的模型,再利用BP-ANN使权值迅速接近最优解,二者交替,最终实现网络收敛到最佳解.将自编的程序用于实例研究,结果表明:该方法很好地克服了BP算法存在的过拟合和局部最优问题,提高了网络的训练速度和学习精度.本文还探讨了ANN模型的解释能力.模拟BP梯度下降推导连接权重的修正过程,推导出单一输入的变化对输出影响的偏微分公式;同时对Garson等人提出的权重方法作了合理的简化.实例研究表明:通过以上两种方法的结合,能准确地获得各变量的重要性关系,并定量的给出各变量对输出的影响水平,极大地提高了ANN模型的解释能力,为ANN在QSAR建模中的应用拓展了思路.

目录

文摘

英文文摘

第1章绪论

1.1课题背景

1.2定量构效关系概述

1.2.1 QSAR研究的概念模式

1.2.2 QSAR研究的基本内容和方法

1.2.3当前QSAR研究特点

1.3课题主要研究内容

1.3.1课题研究的目的和意义

1.3.2课题的主要研究内容

第2章遗传-BP人工神经网络模型理论基础

2.1遗传算法(GA)

2.1.1 GA的基本原理和特点

2.1.2 GA的基本组成和操作流程

2.2人工神经网络(ANN)

2.2.1神经网络的基本结构

2.2.2 BP-ANN基本原理

2.3 GA和ANN的结合

2.3.1 ANN与GA的辅助式结合

2.3.2 ANN和GA的合作式结合

2.4本章小结

第3章BP-ANN结合GA建模程序设计

3.1 QSAR建模总体思路

3.2 BP-GA辅助式结合方式-利用GA进行变量筛选

3.2.1 BP-GA模型具体操作流程

3.2.2算法具体实现方法

3.3 GA-BP合作式结合方式-训练网络模型的权值

3.3.1 GA-BP模型具体操作流程

3.3.2算法实现的具体方法

3.4本章小结

第4章GA-BP网络进化模型的应用

4.1 GA辅助式结合BP-ANN用于硝基化合物的QSAR研究

4.1.1基于点价的自相关拓扑指数A，B，C，D

4.1.2建模方法

4.1.3建模结果

4.2 GA合作式结合BP-ANN用于酚类化合物的QSAR研究

4.2.1算法及基本流程

4.2.2苯酚类有机污染物生物毒性的QSAR研究

4.3本章小结

第5章神经网络QSAR模型解释能力的研究

5.1建模ANN数据库

5.2具体研究方法

5.2.1数据预处理

5.2.2多元线性回归模型

5.2.3 BP人工神经网络模型

5.3 ANN模型解释能力研究

5.3.1多元线性回归模型

5.3.2人工神经网络模型

5.3.3生物毒性机理的模型解释

5.3.4本章小结

结论

参考文献

攻读学位期间发表的学术论文

哈尔滨工业大学硕士学位论文原创性声明和使用授权书

致谢