基于集成分类器的化合物毒性预测研究

发布时间：2023-01-08 17:36

　　化合物的毒性和致突变性是制药行业新药数量下降的主要原因之一。目前对于此类问题研究人员采用了多种方法来评估该风险,包括体内、体外和计算机模拟等方法。研究发现,定量结构-活性关系（QSAR）等计算方法在药物发现早期阶段的安全筛查中,具有出结果快、不需要药物实验的优点。然而大多数已发表的人类药物性肝损伤（DILI）和化合物致突变模型的预测性能并不令人满意,准确度还有待提高。此外,人类DILI和细菌反向突变试验（Ames试验）等有限的可靠数据也是计算建模的一个巨大障碍。本文主要从化合物的毒性和致突变性两个方面开展相关研究:1、提出一种基于集成分类器方法的药物性肝损伤预测。新药的开发受到多重因素的限制,即使很多药物能够到临床试验这一步,依然会因为药物性肝损伤等因素造成药物研发失败。美国食品和药物管理局的国家毒理学研究中心（NCTR）建立了关于药物性肝损伤（DILI）的数据集,并根据该数据集建立一个良好的预测模型,为以后的药物开发提供参考。但是该模型是依据单一分类器模型进行预测的,预测的准确率很低。本文根据NCTR公开发表的数据集进行基于多基集成分类器的方法进行建模,从12个指纹图谱筛选出8个对于... 

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 研究现状
    1.3 本文的主要工作
    1.4 本文组织结构安排
第二章 机器学习相关理论概述
    2.1 机器学习概述
    2.2 基分类器概述
        2.2.1 逻辑回归(LR)
        2.2.2 支持向量机(SVM)
        2.2.3 随机森林(RF)
        2.2.4 梯度提升(GBDT)
        2.2.5 Adaboost(AdaBT)
        2.2.6 Xgboost(XGBT)
        2.2.7 Extremely randomized trees(Extra Trees)
        2.2.8 Lightgbm(LGBT)
        2.2.9 Catboost(CatBT)
    2.3 集成学习框架
    2.4 本章小结
第三章 基于集成分类器方法的药物性肝损伤预测研究
    3.1 简介
    3.2 材料与方法
        3.2.1 材料准备
        3.2.2 分子指纹的计算
    3.3 构建模型
        3.3.1 基分类器
        3.3.2 Voting算法
        3.3.3 集成模型
    3.4 性能评估
    3.5 实验结果与讨论
        3.5.1 结果
        3.5.2 讨论
    3.6 本章小结
第四章 基于集成分类器方法的化合物致突变预测研究
    4.1 简介
    4.2 材料与方法
        4.2.1 材料准备
        4.2.2 分子指纹的计算
        4.2.3 特征选择
    4.3 构建模型
        4.3.1 基分类器
        4.3.2 Stacking集成算法
        4.3.3 集成模型
    4.4 性能评估
    4.5 实验结果与讨论
        4.5.1 结果
        4.5.2 讨论
    4.6 本章小结
结论
    5.1 总结
    5.2 展望
参考文献
攻读学位期间发表的学术论文
致谢



本文编号：3728899