部分有机污染物构效关系的研究

论文摘要

在环境化学中，有机污染物定量结构活性/性质相关(QSAR/QSPR)对于有机化合物的生态风险性评价、污染控制和预防等具有十分重要的意义。量子化学计算是获得分子结构参数的重要手段。量子化学参数具有明确的物理化学意义，在有机污染物的QSAR/QSPR研究中，可用于探讨毒物与受体的作用方式，也可用于研究影响有机污染物理化性质的分子结构特征。量子化学计算方法中的密度泛函方法(DFT)在理论上很严格，已成为量子化学计算的主流。分子连接性指数是QSAR/QSPR研究中的另一类重要结构参数，其可以实现分子结构的定量描述，已广泛地用于有机化合物的QSAR/QSPR研究中。温度限制串联相关网络以快速、强大及自组织结构而被设计，在串联相关网络的基础上引入了温度限制的概念，解决了过度训练的问题。Mark在径向基函数神经网络训练过程中引入前向选择而设计了改进的径向基函数神经网络，这样可以优化径向基函数的宽度，以控制模型的复杂性和性能。支持向量机是一种新的机器学习方法，其有良好的理论基础和泛化能力。本论文将这些方法引入到环境化学中，构建QSAR/QSPR模型，预测环境化学中的有机污染物的毒性及有机物的物理性质。本论文的第一章简述了定量结构活性/性质相关的发展过程及研究现状。在第二章中，介绍了定量结构活性/性质相关所使用的参数和研究方法，详细描述了改进的径向基函数神经网络、温度限制串联相关网络及支持向量机的原理及应用，这些理论和现状分析为我们开展本论文的研究工作提供了理论基础和依据。在第三章中，我们采用B3LYP杂化密度泛函理论方法计算了35个硝基苯及其同系物的量子化学结构参数，通过逐步回归得到具有显著统计意义的QSAR方程，相关系数是0.925，交叉验证的相关系数是0.87。首次将TCCCN应用到QSAR研究中。用主成分分析选择参数，建立了BP网络和TCCCN网络非线性模型，其训练集的MSE分别为0.095和0.067，预测集的MSE分别为0.111和0.090。非线性的TCCCN模型较线性的MLR模型有更好的预测能力。在第四章中，我们从分子结构计算分子的连接性指数出发，计算了25个酚类化合物的分子连接性指数，用逐步回归方法建立了4个参数的最佳方程，以此4个参数作为输入参数，将留一法（LOO）应用到BP网络、RBF网络及新颖的机器学习方法SVM中，建立了酚类化合物对黑呆头鱼的QSAR预测模型。应用非线性SVM方法建立模型的结果优于BP网络和RBF网络模型的结果，SVM、BP、RBF模型预测的相关系数分别为0.959，0.940和0.945，得到满意的结果。在第五章中，我们采用密度泛函理论（DFT）方法计算了60个醇类化合物的量子化学结构参数，同时又计算了分子连接性指数，将量化参数和分子连接性指数联合应用到醇类的溶解度和辛醇/水分配系数的QSPR研究中，分别通过逐步回归得到具有显著统计意义的4个参数和5个参数的QSPR方程。以此4个参数和5个参数分别作为输入参

论文目录

• 摘要
• Abstract
• 第一章、前言
• 1.1 引言
• 1.2 QSAR研究的发展过程
• 1.3 QSAR的研究现状
• 1.3.1 药物设计和药物发现
• 1.3.2 色谱
• 1.3.3 有机化合物重要物理化学性质的预测
• 1.3.4 环境科学
• 第二章、有机污染物的定量结构-活性/性质相关的研究方法
• 2.1 QSAR/QSPR中常用的分子结构参数
• 2.1.1 经典结构参数
• 2.1.2 理论计算描述符
• 2.2 QSAR/QSPR中常用的建模方法
• 2.2.1 经典QSAR研究方法
• 2.2.2 常用的QSAR研究方法
• 2.3 改进的径向基神经网络
• 2.4 温度限制串联相关网络
• 2.4.1 理论背景
• 2.4.2 TCCCN网络结构
• 2.4.3 TCCCN网络模型的算法
• 2.4.4 TCCCN的应用
• 2.5 支持向量机方法
• 2.5.1 理论背景
• 2.5.2 统计学习理论的基本内容
• 2.5.3 支持向量机（Support Vector Machine, SVM）理论
• 2.5.4 SVM参数的优化
• 2.5.5 支持向量机方法在QSAR/QSPR中的应用
• 第三章、温度限制串联相关网络用于硝基苯及同系物的QSAR研究
• 3.1 引言
• 3.2 数据与方法
• 3.2.1 数据来源
• 3.2.2 描述符的计算
• 3.2.3 研究方法
• 3.3 结果与讨论
• 3.3.1 线性回归分析
• 3.3.2 相关性分析
• 3.3.3 BP网络模型
• 3.3.4 温度限制串联相关网络
• 3.4 结论
• 第四章、酚类化合物对黑呆头鱼毒性的QSAR研究
• 4.1 引言
• 4.2 数据与方法
• 4.2.1 毒性数据
• 4.2.2 描述符的计算
• 4.2.3 研究方法
• 4.3 结果与讨论
• 4.3.1 线性逐步回归的结果
• 4.3.2 BP网络结果
• 4.3.3 径向基函数神经网络结果
• 4.3.4 支持向量机结果
• 4.4 结论
• 第五章、基于QSPR方法研究醇类化合物的水溶解度和分配系数
• 5.1 引言
• 5.2 建模数据及研究方法
• 5.2.1 醇类化合物的数据
• 5.2.2 描述符的计算
• 5.2.3 研究方法
• 5.3 结果与讨论
• 5.3.1 多元线性逐步回归的结果
• 5.3.2 BP网络的结果
• 5.3.3 径向基神经网络的结果
• 5.3.4 温度限制串联相关网络的结果
• 5.3.5 支持向量机的结果
• 5.4 结论
• 第六章、应用改进的径向基神经网络预测氯代有机化合物对发光细菌的毒性
• 6.1 引言
• 6.2 数据与方法
• 6.2.1 氯代有机物的数据
• 6.2.2 描述符的计算
• 6.3 结果与讨论
• 6.3.1 多元线性逐步回归的结果
• 6.3.2 径向基函数神经网络的结果
• 6.3.3 改进的径向基函数网络的结果
• 6.4 结论
• 第七章、基于支持向量机方法在卤代苯及其同系物对鼠急性毒性的QSAR中的应用
• 7.1 引言
• 7.2 数据与方法
• 7.2.1 卤代苯及其同系物的数据
• 7.2.2 描述符的计算
• 7.3 结果与讨论
• 7.3.1 参数的选择
• 7.3.2 径向基函数神经网络的结果
• 7.3.3 支持向量机的结果
• 7.4 结论
• 参考文献
• 致谢
• 在学期间公开发表论文情况
• 待发表论文