基于支持矢量学习机的抗真菌药物和人体小肠吸收药物的活性预测

论文摘要

本论文集中研究了采用支持矢量学习机（SVM）技术对化合物的药物活性进行分类预测的应用。全文包括两个部分,第一部分,即为第一章,叙述了SVM分类方法以及其他方法的理论基础,第二部分包括第二章和第三章,主要是两个实际应用的研究,第二章是SVM 分类方法在抗真菌药物的活性预测中的运用,第三章是预测药物在人体小肠吸收中的运用。在第一章中,介绍了支持矢量学习机的理论基础和工作原理以及在建模中所使用的方法。描述符的名称与分类以及一组新定义的形状描述符的定义和推导。遗传算法与SVM 连用进行变量选择的原理以及参数的设定。用来与SVM方法做对比的KNN 近邻法和C4.5 决策树方法的简单介绍。最后就训练样本集的组成所使用的C-均值聚类法和模型的验证方法进行了说明。第二章主要是对抗真菌化合物的药物活性用SVM 技术进行活性预测,首先对已知的94 个有活性以及没有活性的化合物分子用AM1 水平上进行几何优化,然后计算67 个描述符的值,经过标准化和聚类分析后进行遗传算法的变量选择,最终筛选出30 个对预测结果有意义的描述符。使用不相关测试集和5重交叉验证来评估模型,得到了与遗传算法计算中与留一法一致的结果。最后与KNN 近邻法和C4.5 决策树方法的结果进行对比。第三章在第二章研究手段的基础上,对药物的人体小肠吸收活性进行建模和预测,针对230 个化合物分子展开研究,由于样本数量增多,为了对分子特

论文目录

• 摘要
• Abstract
• 前言
• 第一章 药物预测模型的理论基础
• 1.1 分子描述符
• 1.1.1 描述符的分类
• 1.1.2 旋转平移不变矩的定义
• 1.2 采用遗传算法的变量筛选方法
• 1.3 用于建模的分类预测方法
• 1.3.1 支持矢量学习机
• 1.3.2 C4.5 决策树方法
• 1.3.3 近邻法
• 1.4 聚类分析
• 1.5 数据的标准化处理
• 1.6 模型预测结果评价
• 1.7 模型的验证方法
• 第二章 抗真菌药物活性的研究
• 2.1 抗真菌活性化合物和活性数据
• 2.2 样本的聚类分析
• 2.3 模型验证
• 2.4 结果与讨论
• 2.4.1 使用GA 进行变量筛选
• 2.4.2 验证SVM 模型
• 2.4.3 聚类分析的效果
• 2.4.4 与KNN 和C4.5 方法的对比
• 2.5 小结
• 第三章 人体小肠吸收药物活性的预测
• 3.1 人体小肠吸收药物活性数据
• 3.1.1 化合物活性数据
• 3.1.2 训练集与测试集的构成
• 3.2 结果与讨论
• 3.2.1 使用GA 进行变量筛选
• 3.2.2 聚类分析效果和SVM 模型的验证
• 3.2.3 与KNN 和 C4.5 方法的结果对比
• 3.3 小结
• 参考文献
• 硕士期间发表和完成的论文
• 声明
• 致谢