几种数据挖掘方法在药毒物QSAR预测中的应用研究

发布时间：2017-07-01 18:20

  本文关键词：几种数据挖掘方法在药毒物QSAR预测中的应用研究，由笔耕文化传播整理发布。

【摘要】：定量结构-活性关系(QSAR)是利用相关计算方法,如统计分析、数据挖掘和人工智能等,来研究各类物质的物理化学性质或活性与组成结构之间关系的一套方法。通过QSAR研究,可挖掘那些隐形的结构与活性之间本质规律,也可直接挖掘出实验数据中的内在规律。QSAR研究在计算机学科,化学学科,材料学科,生物生命学,药医学等领域的发展和应用中都具有重要的意义。针对药物和毒物QSAR研究中存在的问题,本文在模型的建立和分子结构描述符的选取两个方面做了探讨,具体的研究内容和结果如下:1、探讨将粒子群算法(PSO)对反向传播人工神经网络(BP ANN)的网络参数进行优化,建立PSO BP ANN模型,并将模型应用于若干中性和碱性药物的酸度系数(pKa)预测实验。结果表明,PSO BP ANN模型的预测性能比其他同类模型较优,精度和相关性也较好,是QSAR研究中良好方法之一。2、探讨将PSO和K-调和聚类(KHM)算法分别对径向基人工神经网络(RBF ANN)的网络权值和基函数中心进行优化训练,建立PSO KHM RBF ANN模型,并将模型应用于易挥发有机化合物的气相色谱保留时间预测实验。实验结果表明,PSO KHM RBF ANN模型的预测精度较好,训练与测试误差较小,相关性也较高,可为QSAR建模思想提供新思路。3、探讨将骨干粒子群(BBPSO)和KHM算法分别对RBF ANN的网络权值和基函数中心进行优化训练,建立BBPSO KHM RBF ANN模型,并将模型应用于若干醇类有机小分子化合物对欧洲林蛙蝌蚪毒性的预测。研究同样表明,BBPSO KHM RBF ANN模型的预测性能卓越,也可为QSAR建模提供参考。4、探讨将遗传算法(GA)用于分子描述符选择,通过GA在寻优过程中良好的全局能力,筛选出合适的分子描述符。结果表明,GA算法在分子描述符选择中表现优越,均能筛选出能反应物质活性的分子描述符,是QSAR中选择分子描述符的可靠方法。
【关键词】：定量结构 活性关系 数据挖掘 人工神经网络 粒子群 遗传算法
【学位授予单位】：景德镇陶瓷大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R96;TP311.13
【目录】：

• 摘要3-4
• Abstract4-7
• 第1章 绪论7-13
• 1.1 相关研究背景7-10
• 1.1.1 课题研究意义7
• 1.1.2 定量结构-活性关系QSAR7-10
• 1.2 QSAR研究现状10-12
• 1.2.1 QSAR现状概述10
• 1.2.2 QSAR应用领域10-11
• 1.2.3 QSAR分子描述符的筛选11
• 1.2.4 QSAR建模方法11
• 1.2.5 QSAR发展和研究方向11-12
• 1.3 本论文主要内容12-13
• 第2章 数据挖掘方法13-20
• 2.1 人工神经网络13-16
• 2.1.1 BP人工神经网络13-15
• 2.1.2 RBF人工神经网络15-16
• 2.2 K-调和均值聚类16-17
• 2.3 进化算法17-20
• 2.3.1 遗传算法17-18
• 2.3.2 粒子群算法18-20
• 第3章 PSO BP ANN在药物PKA值预测中的应用20-29
• 3.1 引言20
• 3.2 数据和方法20-24
• 3.2.1 数据集20-22
• 3.2.2 分子描述符的产生22-23
• 3.2.3 建模方法23-24
• 3.3 结果与讨论24-29
• 3.3.1 分子描述符的选择24-25
• 3.3.2 预测结果25-27
• 3.3.3 描述符的讨论27-29
• 第4章 PSO KHM RBF ANN在保留时间预测中的应用29-36
• 4.1 引言29
• 4.2 数据和方法29-32
• 4.2.1 数据集29-30
• 4.2.2 分子描述符的产生30-31
• 4.2.3 建模方法31-32
• 4.3 结果与讨论32-36
• 4.3.1 分子描述符的选择32
• 4.3.2 预测结果32-34
• 4.3.3 描述符的讨论34-36
• 第5章 BBPSO KHM RBF ANN在林蛙蝌蚪毒性预测中的应用36-44
• 5.1 引言36
• 5.2 数据和方法36-40
• 5.2.1 数据集36-39
• 5.2.2 分子描述符的产生39
• 5.2.3 建模方法39-40
• 5.3 结果与讨论40-44
• 5.3.1 分子描述符的选择40-41
• 5.3.2 预测结果41-43
• 5.3.3 描述符的讨论43-44
• 第6章 结论与展望44-45
• 6.1 结论44
• 6.2 展望44-45
• 致谢45-46
• 参考文献46-56

【相似文献】

中国期刊全文数据库 前10条

1 ;Studies on the Synthesis,the 2D and 3D-QSAR About Lipophilic Antifolate 2,4-Diamino-5-methyl-6-(Substituted Benzylamino) Quinazoline Compounds[J];Journal of Chinese Pharmaceutical Sciences;1997年02期

2 ;Support vector machine for SAR/QSAR of phenethyl-amines[J];Acta Pharmacologica Sinica;2007年07期

3 Ravichandran V;Jain A;Mourya V.K;Agrawal R.K;;QSAR analysis on benzodithiazine derivatives as HIV-1 integrase inhibitors[J];Asian Pacific Journal of Tropical Medicine;2009年03期

4 Franke R;顾坤健;吴吉安;;定量结构-活性关系(QSAR)的评述[J];国外医学.药学分册;1982年03期

5 吴吉安,嵇汝运;QSAR在新药设计中的成功应用[J];国外医学.药学分册;1989年01期

6 ;MI-QSAR models for prediction of corneal permeability of organic com-pounds[J];Acta Pharmacologica Sinica;2006年02期

7 谢惠定;;2D-QSAR Studies on the Norcantharidin Analogues as Protein Phosphatase 1 and 2A Inhibitors[J];结构化学;2009年05期

8 荆国华;李小林;周作明;;Quantitative Structure-activity Relationship(QSAR) Study of Toxicity of Substituted Aromatic Compounds to Photobacterium Phosphoreum[J];结构化学;2010年08期

9 王尔华;;定量构-效关系(QSAR)在新药研究中的作用[J];国外医学.药学分册;1981年04期

10 赵惠明;张彩云;葛志刚;王遵尧;;Toxicity (-lgEC_(50)) Measurement of the Fluorobenzene Derivants against Vibrio Qinghaiensis (Q67) and Their 2D,3D-QSAR Study[J];结构化学;2010年10期

中国重要会议论文全文数据库 前10条

1 ;Multiple Field Three Dimensional Quantitative Structure-Activity Relationship(MF-3D-QSAR)[A];第九届全国计算（机）化学学术会议论文摘要集[C];2007年

2 PAOLA GRAMATICA;;A NEW STRATEGY OF CONSENSUS MODELING AND ITS APPLICATION IN THE QSAR STUDY OF MALONYL-COA DECARBOXYLASE INHIBITORS[A];中国化学会第26届学术年会化学信息学与化学计量学分会场论文集[C];2008年

3 D Boverhof;M Osterloh-Quiroz;B Gollapudi;D Wilson;;QSAR Models in Mammalian Toxicology[A];中国毒理学会第五次全国学术大会论文集[C];2009年

4 杨颖;刘焕香;杜娟;秦晋;姚小军;;Combined Molecular Modeling Studies of Hsp90 Chaperone Inhibitors by Pharmacophore Model,Molecular Docking and 3D-QSAR[A];甘肃省化学会二十六届年会暨第八届中学化学教学经验交流会论文集[C];2009年

5 ;Pharmacophore refinement and 3D-QSAR studies of GABAA receptor antagonists[A];2011年全国药物化学学术会议——药物的源头创新论文摘要集[C];2011年

6 张爱茜;易忠胜;傅建捷;孙玉贞;;新型QSAR建模策略:方法与实践[A];第七次全国分析毒理学大会暨第四届分析毒理专业委员会第二次会议论文摘要集[C];2012年

7 HU Chun-qi;HU Yan;;3D-QSAR studies on Isoquinolinone derivatives as inhibitors of p53-MDM2 Binding[A];2012长三角药物化学研讨会论文集[C];2012年

8 ;Application of Supervised Stochastic Resonance in QSAR Studies[A];第二届全国环境化学学术报告会论文集[C];2004年

9 ;3D QSAR Studies of Checkpoint Kinase Weel inhibitors based on Molecular Docking,CoMFA and CoMSIA[A];第五届全国化学生物学学术会议论文摘要集[C];2007年

10 Jiong-Jiong Chen;Jian-Zhong Chen;;Insights into the agonist binding mechanism of human CB2 receptor by molecular dynamics simulation,free energy calculation and 3D-QSAR studies[A];2012长三角药物化学研讨会论文集[C];2012年

中国博士学位论文全文数据库 前10条

1 李美萍;QSAR/QSPR方法在环境、药物和材料化学中的应用[D];山西大学;2014年

2 赵春燕;QSAR研究在生命分析化学和环境化学中的应用[D];兰州大学;2006年

3 易忠胜;变量筛选新方法及其在环境内分泌干扰效应QSAR中的应用[D];南京大学;2012年

4 杨善彬;基于三维原子场全息作用矢量（3D-HoVAIF）的药物定量构效关系（QSAR）研究[D];重庆大学;2008年

5 李加忠;QSAR研究中提高模型预测能力的新方法探讨及其在药物化学中的应用[D];兰州大学;2009年

6 薛超彬;菜青虫酚氧化酶抑制剂的抑制动力学及其构效关系（QSAR）研究[D];山东农业大学;2007年

7 陈宪;基于OECD准则对QSAR/QSPR模型几个重要问题的研究[D];中南大学;2013年

8 林治华;QSAR分析结合实验方法用于T细胞表位快速筛选的研究[D];第三军医大学;2003年

9 徐顺;穿心莲内酯衍生物抑制糖苷酶的3D-QSAR及多羟基酚类化合物的抗氧化理论研究[D];郑州大学;2006年

10 孙平华;铜绿假单胞菌群体感应抑制剂的设计、合成及3D-QSAR研究[D];暨南大学;2010年

中国硕士学位论文全文数据库 前10条

1 陈颖皓;几种数据挖掘方法在药毒物QSAR预测中的应用研究[D];景德镇陶瓷大学;2016年

2 崔晓东;QSAR方法在有机化合物毒性评估中的应用[D];华南理工大学;2012年

3 路鹏;QSAR研究在神经系统药物和抗艾滋病药物中的应用[D];兰州大学;2010年

4 张成林;2型糖尿病治疗药物芳基咪唑啉、三氮杂芴衍生物的QSAR研究[D];南华大学;2011年

5 成素丽;量化参数用于迷幻剂的QSAR研究[D];山西大学;2009年

6 韩香云;含硫芳香羧酸酯衍生物QSAR的从头算方法研究[D];南京工业大学;2005年

7 陈可先;定量结构—活性关系（QSAR）在医药研究中的应用[D];浙江工业大学;2009年

8 孙也之;QSAR模型的构建、应用与研究[D];中国医科大学;2009年

9 刘丽;原子类型电拓扑状态指数及其在QSAR中的应用研究[D];重庆大学;2009年

10 谢志远;支持向量机在药物代谢和药物的QSAR模型中的应用[D];上海交通大学;2010年

  本文关键词：几种数据挖掘方法在药毒物QSAR预测中的应用研究，由笔耕文化传播整理发布。

，

本文编号：506990