机器学习方法用于选择性环氧化酶—2抑制剂活性预测模型的建立

摘要

本文研究了人工神经网络(ANN)和支持向量学习机(SVM)技术对药物活性进行分类预测的应用，论文共分为三章： 第一章作为引言，介绍了当前计算机辅助药物设计概况，优化药物设计的理论发展趋势及其我们所作工作的一些概要。 第二章阐述了本文所用机器学习方法ANN和SVM的基本原理，表征药物分子结构和物理化学性质的分子描述符，及描述符变量的预处理和筛选方法，并就建模预测能力的评价方式进行了说明。 第三章为本文研究的重点，我们将SVM和ANN这两种机器学习方法用于对选择性环氧化酶-2抑制剂活性建立活性预测模型进行研究。针对476个药物化合物分子的数据库，我们用Kennard-Stone方法将其分为训练集、测试集、验证集。计算了包含结构类和拓扑类的459个分子描述符，以表征化合物的结构和物理化学性质。为了去掉低信息量的描述符数量，首先对描述符作预处理：如果一个分子描述符的相对方差小于0.05或者训练集中含有相同描述符数值的分子的比例达到90％，或者与其他的分子描述符的相关系数达到0.90的，均要被删除。然后用F-Score方法对其重要性大小排序，通过优化模型最大推广能力筛选出最重要的136分子描述符，分别应用于SVM和ANN方法对选择性环氧化酶-2抑制剂活性模型的建立，并对两种方法所得到的结果进行了比较。 对选择性环氧化酶-2抑制剂的预测能力建模，我们的研究结果表明，ANN和SVM方法所建模型，其预测能力均优于前人所作的工作。在未进行筛选和参数优化的情况下，ANN方法建模预测能力稍好；通过描述符的合理构建与优化，训练集的合理选用，SVM方法所建立的COX-2选择性抑制剂的预测模型，其预测能力是最好的，其中正样本的正确预测率SE由91.42％提高到94.28％；负样本正确预测率SP由84.00％提高到92.00％。

目录

文摘

英文文摘

声明

第一章概述

第二章药物预测模型的基本理论

§2.1分子描述符

2.1.1描述符的分类

2.1.2数据的标准化处理

§2.2机器学习方法

2.2.1ANN方法

2.2.2SVM方法

2.2.3kNN方法简介

§2.3变量筛选方法

2.3.1遗传算法简介

2.3.2 Monte Carlo模拟退火算法

§2.4模型的验证方法

§2.5模型预测结果评价

参考文献

第三章机器学习方法用于选择性环氧化酶-2抑制剂活性预测模型研究

§3.1引言

§3.2数据收集

§3.3分子描述符的计算与筛选

§3.4训练集的构造

§3.5结果与讨论

3.5.1 SVM方法和ANN方法的结果比较

3.5.2变量筛选对SVM方法的影响

§3.3结论

参考文献

在职攻读硕士学位时段完成和发表的论文

致谢