化學(xué)計(jì)量學(xué)新算法在實(shí)際生化體系中的定量構(gòu)效關(guān)系研究.pdf

1、定量構(gòu)效關(guān)系研究是化學(xué)計(jì)量學(xué)的重要分支.該論文主要是基于應(yīng)用該實(shí)驗(yàn)室提出并發(fā)展的幾個(gè)新的化學(xué)計(jì)量學(xué)算法,對(duì)一些實(shí)際的生化體系進(jìn)行了定量構(gòu)效關(guān)系分析.建立定量構(gòu)效關(guān)系模型第一步是計(jì)算大量的分子描述符,下一步則是從這些描述符中選取與所研究對(duì)象最相關(guān)的描述符,即變量選擇.該論文采用該實(shí)驗(yàn)室最近引入化學(xué)計(jì)量學(xué)的粒子群優(yōu)化算法(particle swarm optimization,PSO)來(lái)進(jìn)行變量選擇,選出的變量用多元線性回歸方法建模.基于這

2、樣的方法對(duì)環(huán)氧酶抑制劑的活性和選擇性以及芳香族化合物的毒性進(jìn)行了定量構(gòu)效關(guān)系分析.結(jié)果發(fā)現(xiàn)粒子群優(yōu)化算法用于變量選擇可得到與遺傳算法相媲美的結(jié)果.神經(jīng)網(wǎng)絡(luò)是一個(gè)優(yōu)異的非線性建模工具,但其突出的缺點(diǎn)就是潛在的預(yù)收斂到局部最優(yōu)點(diǎn)或過(guò)擬合導(dǎo)致的錯(cuò)誤預(yù)報(bào)模式;為了改善神經(jīng)網(wǎng)絡(luò)的性能,引入了混沌的概念來(lái)輔助遺傳算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)(Chaotic Genetic Artificial Neural Network,CGANN).基于這個(gè)方法,對(duì)偏端霉

3、素類(lèi)衍生物的生物活性進(jìn)行了建模,并同傳統(tǒng)的偏最小二乘方法進(jìn)行了比較.結(jié)果發(fā)現(xiàn),CGANN在訓(xùn)練能力和預(yù)測(cè)能力上都明顯優(yōu)于PLS,充分說(shuō)明CGANN作為強(qiáng)大的非線性關(guān)系處理工具有獨(dú)特的優(yōu)勢(shì).另外,雜交的粒子群優(yōu)化算法也可以用來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)(Hybrid Particle Swarm Optimization Neural Network,HPSONN).用這個(gè)方法對(duì)血小板衍化生長(zhǎng)因子受體磷酸化作用的抑制劑進(jìn)行了定量構(gòu)效關(guān)系分析,發(fā)現(xiàn)該方法