基于深度学习技术对蛋白—配体结合效果的评估
发布时间：2020-11-03 01:29
高血压是当前影响居民健康水平的一种主要慢性病,针对高血压有关酶系研究特异性药物成为当今的热门研究方向,其中血管紧张素转移酶(ACE)就是一个重要的研究靶点。ACE的结构信息目前已经被大量的研究,针对ACE的结构特征,寻找能与其特异性结合的小分子作为抑制剂在未来的新药研发中具有良好的应用前景。通过分子对接软件使用高通量虚拟筛选方法可以获得大量的ACE酶与小分子配体的结合的结构信息,但对于未知的配体,这种结合是否具有活性是无法判断的。本项研究中,首先评估AutoDock与Auto Dock Vina这两个对接软件能否将有活性与无活性对接结果进行区分,研究发现对于大部分受体,这两个软件的区分效果并不好。为了寻找能够对蛋白-配体结合效果进行评估的方法,我们对深度学习方法进行了探索。深度学习方法最近在图像识别,自然语言处理等众多领域有着广泛应用,并取得了很好的效果,本项研究的思路就是来源于图像识别。可以将大量已知结合效果的配体与ACE的结合构象作为输入向量,对应的结合效果作为输出向量来训练神经网络,神经网络从结构与对接结果之间自动学习其相关规律,从而达到能对未知配体的结合效果进行预测的效果。本次研究中分别使用了AutoDock和AutoDock Vina的对接结果对深度神经网络与卷积神经网络进行训练和评估,寻找预测效果最好的神经网络层数设置。研究发现,不同的对接软件生成的对接结构对与神经网络的训练并没有明显影响,对于深度神经网络来说,最佳层数设置是只有1层隐藏层,隐藏层节点数是480,再此条件下神经网络对测试集的预测准确率在85%~90%之间;卷积神经网络的预测效果要优于深度神经网络,它对测试集最好的预测准确率在95%~98%之间,此时的层数设置为2个卷积层,每个卷积层后面接1个池化层,然后再接一个5层的全连接层。深度学习方法对于未知配体对蛋白受体的结合效果具有很高的预测准确率,在未来新药开发等领域具有很好的应用前景。
【学位单位】：吉林大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：R91
【部分图文】：
图 2.1 人工神经结构示例经网络如图 2.1 所示，每个圆圈代表一个神经元，神经元又叫做经元都可以接受多个输入值，并产生一个输出值。箭头方向指向神经元，一个输出值可以输出到多个神经元。同时可以看出，神层的，最左边的一层叫做输入层，最右边的叫做输出层，中间的层。层与层之间的神经元有连接，而同一层神经元之间没有连接多的神经网络称为深度神经网络，使用深度神经网络的机器学习用最广泛的一种深度学习方法。知器最初由 Frank Rosenblatt 在 19 世纪 50 年代发明的[58]。一个感多个输入值，每个输入值都有一个与之对应的权重值，而输出值入值以及权重求出并与一个阈值进行比较，求出结果的方法叫做例来说，如果一个神经元的输出是 0 或 1，那么可以使用这样一个
图 3.1 将配体分别使用 AutoDock果绘制的ROC曲线，横坐标为假阳性率AutoDock 的 ROC 曲线用红颜色表示和 AutoDock Vina 对接到对应结合靶点所得结横坐标为假阳性率（F Score），纵坐标为真阳性率曲线用红颜色表示，AutoDock Vina 的 ROC 曲线使用黑色表示。19纵坐标为真阳性率（T Score），
图 3.2 将配体分别使用 AutoDock果绘制的ROC曲线，横坐标为假阳性率AutoDock 的 ROC 曲线用红颜色表示单从 ROC 曲线上来看对于相当大的一部分受体究进一步求出 ROC 曲线的3.1 所示。从表 3.1 来看，AutoDockAutoDock的AUC值低于的 AUC 低于 0.5 的有 9 个结合效果的预测分类是非常差劲的能显示出很好的分类效果和 AutoDock Vina 对接到对应结合靶点所得结横坐标为假阳性率（F Score），纵坐标为真阳性率曲线用红颜色表示，AutoDock Vina 的 ROC 曲线使用黑色示。曲线上来看，两种对接软件的对配体结合效果的区分并不明显对于相当大的一部分受体，两种对接软件的预测能力非常接近。对此AUC 值来对两种对接软件进行比较，比较结果如表与 AutoDock Vina 的分类效果并不理想0.5的有17个，而小于0.7的有34个；而AutoDock Vina个，而小于 0.7 的有 26 个，使用这两个对接软件对底物结合效果的预测分类是非常差劲的。尽管对于特定的底物，两种对接软件有时能显示出很好的分类效果，如对于 RXR，AutoDock Vina 的 AUC 值为纵坐标为真阳性率（T Score），曲线使用黑色表两种对接软件的对配体结合效果的区分并不明显，对此，本项研比较结果如表的分类效果并不理想，其中使用这两个对接软件对底物两种对接软件有时0.93；或
【参考文献】
本文编号：2867881
【学位单位】：吉林大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：R91
【部分图文】：
图 2.1 人工神经结构示例经网络如图 2.1 所示，每个圆圈代表一个神经元，神经元又叫做经元都可以接受多个输入值，并产生一个输出值。箭头方向指向神经元，一个输出值可以输出到多个神经元。同时可以看出，神层的，最左边的一层叫做输入层，最右边的叫做输出层，中间的层。层与层之间的神经元有连接，而同一层神经元之间没有连接多的神经网络称为深度神经网络，使用深度神经网络的机器学习用最广泛的一种深度学习方法。知器最初由 Frank Rosenblatt 在 19 世纪 50 年代发明的[58]。一个感多个输入值，每个输入值都有一个与之对应的权重值，而输出值入值以及权重求出并与一个阈值进行比较，求出结果的方法叫做例来说，如果一个神经元的输出是 0 或 1，那么可以使用这样一个
图 3.1 将配体分别使用 AutoDock果绘制的ROC曲线，横坐标为假阳性率AutoDock 的 ROC 曲线用红颜色表示和 AutoDock Vina 对接到对应结合靶点所得结横坐标为假阳性率（F Score），纵坐标为真阳性率曲线用红颜色表示，AutoDock Vina 的 ROC 曲线使用黑色表示。19纵坐标为真阳性率（T Score），
图 3.2 将配体分别使用 AutoDock果绘制的ROC曲线，横坐标为假阳性率AutoDock 的 ROC 曲线用红颜色表示单从 ROC 曲线上来看对于相当大的一部分受体究进一步求出 ROC 曲线的3.1 所示。从表 3.1 来看，AutoDockAutoDock的AUC值低于的 AUC 低于 0.5 的有 9 个结合效果的预测分类是非常差劲的能显示出很好的分类效果和 AutoDock Vina 对接到对应结合靶点所得结横坐标为假阳性率（F Score），纵坐标为真阳性率曲线用红颜色表示，AutoDock Vina 的 ROC 曲线使用黑色示。曲线上来看，两种对接软件的对配体结合效果的区分并不明显对于相当大的一部分受体，两种对接软件的预测能力非常接近。对此AUC 值来对两种对接软件进行比较，比较结果如表与 AutoDock Vina 的分类效果并不理想0.5的有17个，而小于0.7的有34个；而AutoDock Vina个，而小于 0.7 的有 26 个，使用这两个对接软件对底物结合效果的预测分类是非常差劲的。尽管对于特定的底物，两种对接软件有时能显示出很好的分类效果，如对于 RXR，AutoDock Vina 的 AUC 值为纵坐标为真阳性率（T Score），曲线使用黑色表两种对接软件的对配体结合效果的区分并不明显，对此，本项研比较结果如表的分类效果并不理想，其中使用这两个对接软件对底物两种对接软件有时0.93；或
【参考文献】
相关期刊论文 前3条
1 李镒冲;王丽敏;姜勇;李晓燕;张梅;胡楠;;2010年中国成年人高血压患病情况[J];中华预防医学杂志;2012年05期
2 李俊亮;李岗;王宁;;农村高血压的现状与对策[J];中国社区医师(综合版);2007年20期
3 焉然;;关注农村糖尿病 减轻疾病经济负担[J];中国初级卫生保健;2006年08期
本文编号：2867881
本文链接：https://www.wllwen.com/yixuelunwen/yiyaoxuelunwen/2867881.html
最近更新
教材专著
