计算机辅助环氧合酶抑制剂的结构-活性关系研究
发布时间：2021-10-20 05:16
环氧合酶（COX）是花生四烯酸（AA）抗炎网络体系中的一个关键性的限速酶,它能氧化花生四烯酸生成前列腺素H2（PGH2）,从而引起发热、疼痛等一系列炎症反应。COX有两种主要的亚型——COX-1和COX-2,这两种亚型也是传统的非甾体抗炎药（NSAIDs）的靶点。本论文旨在建立较为全面的包含COX抑制剂的结构、活性及选择性信息的数据库的基础上,系统地从计算机辅助构效关系模型的角度探究COX-1抑制剂和选择性COX抑制剂的结构-活性关系。论文主要研究了以下方面的内容:（1）环氧合酶1（COX-1）抑制剂的高低活性定性分类研究及骨架分类研究。以IC50值为10 μM作为阈值将收集到的1530个COX-1小分子抑制剂划分成高活性和低活性两类,采用随机方法和自组织神经网络（SOM）的合理分集方法两种方法将COX-1抑制剂划分为两组训练集和测试集,以表示物理化学性质的描述符（CORINA描述符）和表示结构片段性质的分子指纹描述符（MACCS指纹描述符）两种描述符作为输入,采用支持向量机（SVM）、决策树（DT）和随机森林（RF）三种机器学习算法共建立了 12个COX-1小分子抑制剂的高低活性定性...
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：93 页
【学位级别】：硕士
【部分图文】：
图１－２白羊源ＣＯＸ－１和人源ＣＯＸ－２的活性位点：（ａ）?Ｃ０Ｘ－１的活性位点（ＰＤＢ编码：??１ＣＱＥ）；?（ｂ）?ＣＯＸ－２的活性位点（ＰＤＢ编码：５Ｆ１Ａ）
?第一章绪论???１．２．３机器学习算法简介??（１）支持向量机（Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ，?ＳＶＭ）??支持向量机（Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ，?ＳＶＭ）是一种被广泛地应用于统计分类以及??定量回归分析中的有监督的学习方法。它的本质是通过将位于有限维空间的数据投射??到更高维空间甚至无限维空间，然后寻找一个超平面将数据分隔开来，从而实现分类??和回归。如图１－３，?ＭＮ为寻找到的最优超平面，ａ点和ｂ点为支持向量，它们距超平??面ＭＮ的几何间隔为１。本论文中利用Ｐｙｔｈｏｎ语言编程，用ｓｃｉｋｉｔ－ｌｅａｒｎ中的ＳＶＣ和??ＳＶＲ模块实现ＳＶＭ模型的建立［３４】，核函数均米用径向基函数（ｒａｄｉａｌ?ｂａｓｉｓ?ｆｕｎｃｔｉｏｎ，??ｒｂｆ）。??？?＋?／?Ｍ??＆?＋?＋／?／?，??＋?＋?／?／／?？??Ｎ?／?＾??０?ｘ１??图１－３支持向量机原理示意图。图中ＭＮ为最优超平面，ａ点和ｂ点为支持向量，它们距超平??面的几何间隔为１。??Ｆｉｇｕｒｅ?１－３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｔｈｅ?ＳＶＭ．?ＭＮ?ｉｓ?ｔｈｅ?ｏｐｔｉｍａｌ?ｈｙｐｅｒｐｌａｎｅ，?ｗｈｉｌｅ?ａ?ａｎｄ?ｂ?ａｒｅ?ｓｕｐｐｏｒｔ??ｖｅｃｔｏｒｓ．?Ｔｈｅｉｒ?ｇｅｏｍｅｔｒｉｃ?ｓｐａｃｉｎｇ?ｆｒｏｍ?ｔｈｅ?ｈｙｐｅｒｐｌａｎｅ?ｉｓ?１．??（２）?Ｋｏｈｏｎｅｎ?自组织神经网络（Ｋｏｈｏｎｅｎ’ｓ?Ｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇ?Ｍａｐ，ＳＯＭ）??自组织神经网络是一种可实现聚类分析的神经网络算法，其基本原理如下：如图??１－４，每一竖列是一个神
大学硕士学位论文???聚类及划分训练集和测试集都用到了?ＳＯＭ方法，用ＳＯＮＮＩＡ?Ｖ４．２软件［３５１实现。??ｚ?ｙ?ｙ?ｙ?ｙｙ?ｙ７??，ｙ，７ｙｙ??，ｙ?ｚ?ｙｙ?ｙ??＾＿?＿?ｚ?，，??ｙ?＾?＾?＾?，?，??＼?１?＾?，’ｙｙｙ??、一ｚ?２?ｚ，，??—，?３?＾?ｚｚｚ??Ｉ?－?＿＿，??气?Ｑｘ１?ｍ?１?Ｉ?１?ｈＪ?Ｉ?１?１?ＬＸ??ｉｎｐｕｔ?ｐａｔｔｅｒｎ?Ｋｏｈｏｎｅｎ?ｎｅｔｗｏｒｋ??图１－４自组织神经网络（Ｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇ?Ｍａｐ，?ＳＯＭ）原理示意图。图中每一竖列是一个神经??元，ｘｉ到ｘｍ表示输入的样本，ｗｐ到ｖ＾ｍ表示每个神经元的权重。??Ｆｉｇｕｒｅ?１－４?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇ?ｍａｐ?（ＳＯＭ）．?Ｅａｃｈ?ｖｅｒｔｉｃａｌ?ｃｏｌｕｍｎ?ｉｎ?ｔｈｅ?ｇｒａｐｈ?ｉｓ?ａ??ｎｅｕｒｏｎ，?ｗｈｅｒｅ?ｘｉ?ｔｏ?ｘｍ?ｒｅｐｒｅｓｅｎｔ?ｔｈｅ?ｉｎｐｕｔｓ?ａｎｄ?Ｗｊｉ?ｔｏ?Ｗｊｍ?ｒｅｐｒｅｓｅｎｔ?ｔｈｅ?ｗｅｉｇｈｔ?ｏｆ?ｅａｃｈ?ｎｅｕｒｏｎ．??（３）主成分分析（Ｐｒｉｎｃｉｐａｌ?Ｃｏｍｐｏｎｅｎｔ?Ａｎａｌｙｓｉｓ，?ＰＣ?Ａ）??主成分分析（Ｐｒｉｎｃｉｐａｌ?Ｃｏｍｐｏｎｅｎｔ?Ａｎａｌｙｓｉｓ，?ＰＣＡ）方法是用于数据降维的一种统??计学方法，其基本思想是设法将原来比较多的且具有一定相关性的特征（此处为各个??描述符）指标用重新组合成的一组个数较少的互不相关的综合指标来代替原来的指标。??这些新指标之间应互不相关，即表达
本文编号：3446313
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：93 页
【学位级别】：硕士
【部分图文】：
图１－２白羊源ＣＯＸ－１和人源ＣＯＸ－２的活性位点：（ａ）?Ｃ０Ｘ－１的活性位点（ＰＤＢ编码：??１ＣＱＥ）；?（ｂ）?ＣＯＸ－２的活性位点（ＰＤＢ编码：５Ｆ１Ａ）
?第一章绪论???１．２．３机器学习算法简介??（１）支持向量机（Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ，?ＳＶＭ）??支持向量机（Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ，?ＳＶＭ）是一种被广泛地应用于统计分类以及??定量回归分析中的有监督的学习方法。它的本质是通过将位于有限维空间的数据投射??到更高维空间甚至无限维空间，然后寻找一个超平面将数据分隔开来，从而实现分类??和回归。如图１－３，?ＭＮ为寻找到的最优超平面，ａ点和ｂ点为支持向量，它们距超平??面ＭＮ的几何间隔为１。本论文中利用Ｐｙｔｈｏｎ语言编程，用ｓｃｉｋｉｔ－ｌｅａｒｎ中的ＳＶＣ和??ＳＶＲ模块实现ＳＶＭ模型的建立［３４】，核函数均米用径向基函数（ｒａｄｉａｌ?ｂａｓｉｓ?ｆｕｎｃｔｉｏｎ，??ｒｂｆ）。??？?＋?／?Ｍ??＆?＋?＋／?／?，??＋?＋?／?／／?？??Ｎ?／?＾??０?ｘ１??图１－３支持向量机原理示意图。图中ＭＮ为最优超平面，ａ点和ｂ点为支持向量，它们距超平??面的几何间隔为１。??Ｆｉｇｕｒｅ?１－３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｔｈｅ?ＳＶＭ．?ＭＮ?ｉｓ?ｔｈｅ?ｏｐｔｉｍａｌ?ｈｙｐｅｒｐｌａｎｅ，?ｗｈｉｌｅ?ａ?ａｎｄ?ｂ?ａｒｅ?ｓｕｐｐｏｒｔ??ｖｅｃｔｏｒｓ．?Ｔｈｅｉｒ?ｇｅｏｍｅｔｒｉｃ?ｓｐａｃｉｎｇ?ｆｒｏｍ?ｔｈｅ?ｈｙｐｅｒｐｌａｎｅ?ｉｓ?１．??（２）?Ｋｏｈｏｎｅｎ?自组织神经网络（Ｋｏｈｏｎｅｎ’ｓ?Ｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇ?Ｍａｐ，ＳＯＭ）??自组织神经网络是一种可实现聚类分析的神经网络算法，其基本原理如下：如图??１－４，每一竖列是一个神
大学硕士学位论文???聚类及划分训练集和测试集都用到了?ＳＯＭ方法，用ＳＯＮＮＩＡ?Ｖ４．２软件［３５１实现。??ｚ?ｙ?ｙ?ｙ?ｙｙ?ｙ７??，ｙ，７ｙｙ??，ｙ?ｚ?ｙｙ?ｙ??＾＿?＿?ｚ?，，??ｙ?＾?＾?＾?，?，??＼?１?＾?，’ｙｙｙ??、一ｚ?２?ｚ，，??—，?３?＾?ｚｚｚ??Ｉ?－?＿＿，??气?Ｑｘ１?ｍ?１?Ｉ?１?ｈＪ?Ｉ?１?１?ＬＸ??ｉｎｐｕｔ?ｐａｔｔｅｒｎ?Ｋｏｈｏｎｅｎ?ｎｅｔｗｏｒｋ??图１－４自组织神经网络（Ｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇ?Ｍａｐ，?ＳＯＭ）原理示意图。图中每一竖列是一个神经??元，ｘｉ到ｘｍ表示输入的样本，ｗｐ到ｖ＾ｍ表示每个神经元的权重。??Ｆｉｇｕｒｅ?１－４?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇ?ｍａｐ?（ＳＯＭ）．?Ｅａｃｈ?ｖｅｒｔｉｃａｌ?ｃｏｌｕｍｎ?ｉｎ?ｔｈｅ?ｇｒａｐｈ?ｉｓ?ａ??ｎｅｕｒｏｎ，?ｗｈｅｒｅ?ｘｉ?ｔｏ?ｘｍ?ｒｅｐｒｅｓｅｎｔ?ｔｈｅ?ｉｎｐｕｔｓ?ａｎｄ?Ｗｊｉ?ｔｏ?Ｗｊｍ?ｒｅｐｒｅｓｅｎｔ?ｔｈｅ?ｗｅｉｇｈｔ?ｏｆ?ｅａｃｈ?ｎｅｕｒｏｎ．??（３）主成分分析（Ｐｒｉｎｃｉｐａｌ?Ｃｏｍｐｏｎｅｎｔ?Ａｎａｌｙｓｉｓ，?ＰＣ?Ａ）??主成分分析（Ｐｒｉｎｃｉｐａｌ?Ｃｏｍｐｏｎｅｎｔ?Ａｎａｌｙｓｉｓ，?ＰＣＡ）方法是用于数据降维的一种统??计学方法，其基本思想是设法将原来比较多的且具有一定相关性的特征（此处为各个??描述符）指标用重新组合成的一组个数较少的互不相关的综合指标来代替原来的指标。??这些新指标之间应互不相关，即表达
本文编号：3446313
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3446313.html
