基于支持向量機的藥物ADME-T性質(zhì)預測.pdf

1、藥物的藥代動力學特征，即藥物的吸收、分布、代謝和排泄(ADME)，再加上毒性(1bxicity)是決定一個藥物能否成功上市的關鍵因素。傳統(tǒng)的藥物設計中對．ADME/T性質(zhì)的重視不夠，導致研制的候選藥物能成功上市的幾率僅為1/10，甚至更少。因此在藥物研發(fā)之初就考慮ADME/T性質(zhì)將會有助于降低藥物的淘汰率，從而節(jié)約藥物開發(fā)成本。由于ADME/T的高通量實驗測定難以實現(xiàn)，ADME/T性質(zhì)預測的計算機模擬，便成為一條值得探索的重要途徑。

2、 目前已有多種方法用于計算機輔助ADME/T性質(zhì)預測，包括定量的結(jié)構(gòu)一活性關系(QSARI)和定量的結(jié)構(gòu)一性質(zhì)關系(QSPR)等。近年由于支持向量機(SVM)方法在解決小樣本，非線性及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢，因而SVM在許多領域得到廣泛應用。 本文使用SVM結(jié)合遺傳算法(GA)來對藥物的ADME/T性質(zhì)進行研究。研究表明，GA是一種高效的消除冗余變量、提高模型計算效率的變量篩選方法。同時，本方法對ADME/T

3、性質(zhì)的預測結(jié)果，優(yōu)于他人的研究結(jié)果。說明結(jié)合遺傳算法的SVM方法在ADME/T性質(zhì)預測中是一種更有效的分類方法。具體內(nèi)容如下： 第一章，介紹了SVM的理論基礎、用C語言編寫的網(wǎng)格搜索算法程序確定核函數(shù)的兩個重要參數(shù)C和γ的具體實現(xiàn)步驟、分子描述符的分類和計算方法以及使用遺傳算法(GA)進行變量選擇的原理和參數(shù)的設置。 第二章，檢驗SVM結(jié)合GA的方法對P-gp底物的預測能力。使用與文獻中同樣的化合物數(shù)據(jù)集和分子描述符，用

4、C語言編寫的GA程序?qū)Ψ肿用枋龇M行篩選。在模型訓練過程中用網(wǎng)格搜索法確定核函數(shù)的兩個重要參數(shù)C和γ，同時用5重交叉驗證對模型進行驗證。把SVM結(jié)合GA方法建立的P-gp底物預測模型，與文獻中使用的SVM結(jié)合遞歸變量消除(RFE)方法建立的模型進行對比。結(jié)果表明，我們使用SVM結(jié)合GA方法建立的P-gp底物預測模型，不僅可以提高預測正確率，而且可以進一步減少變量個數(shù)，從而提高模型預測的速度。 第三章用SVM結(jié)合GA的方法建立藥物