多变量图像解析与定量结构活性相关性研究的化学计量学新算法

论文摘要

本论文通过对多变量图像解析和定量结构与活性相关性研究这两个领域中的一些难点问题的研究,提出了几种新型的化学计量学算法。1.提出了一种结合空间相关性的多变量图像分割新方法——空间导向凝聚法。该方法核心思想在于将光谱相似性较大且空间最相近的点分割为一个聚类,同时引进了一个F统计量作为空间导向凝聚聚类的终止准则,从而可逐步实现全图像的分割。而且,该算法可以自动鉴定多变量图像中的聚类数及异常点。运用该方法成功处理了棕榈氯霉素I、II晶型混合物药片激光共聚焦拉曼成像分析数据。结果表明,即使在棕榈氯霉素I、II晶型拉曼光谱差别极为细微的情况下,该多变量图像分割方法仍可以有效鉴定棕榈氯霉素I、II晶型的分布与含量。这表明该方法可望为药剂的同质多晶分析、配方分析提供一个新的有效工具。2.基于纯变量分辨算法的多变量图像分割与拉曼成像技术相结合,对磺胺类药物的实验室制药片与成品药片进行了分析。实验结果表明,所提出的技术可以明确辨别药片中的每种有效成分,并能定量可视化这些有效成分的空间分布。这项技术有望为药品的生产过程提供快速的无损分析,如提高药品质量,进行更好的配方设计和更好的了解药品的制造过程。3.将基于空间导向凝聚法的多变量图像分割新方法与拉曼成像分析相结合用于分析各种不同组成比例的可互容和不可互容高密度聚乙烯(HDPE)和聚邻苯二甲酸乙二醇酯(PET)共混聚合物的两组分空间非均相性分布情况,并通过扫描电镜验证了分析结果。分析结果说明了马来酸酐能够显著改善HDPE/PET的共混物组分间的分散度和粘度。加入仅仅0.5 wt%的马来酸酐,就能获得可互容的HDPE/PET共混物,其亚相比不互容共混物要小得多,而相界面变得更加模糊。这都表明马来酸酐的加入产生了可互容共混物,其化学组成上的均相性程度大大提高了。4.提出了变量分区组合算法,该算法是目前化学计量学研究中处于主导地位的隐变量方法的进一步推广。它利用模型的优良性,结合离散粒子群算法进行变量分区,在多个优化的变量子集中分别提取PLS成分,同区变量所提取的隐变量进一步建立相关的隐变量模型,再通过组合各子集的模型获得稳定的QSAR模型。而且,建立了一个新的F统计量用于确定偏最小二乘模型的维数。该算法可有效改善传统隐变量算法欠拟合问题,同时避免模型的过拟合,为复杂数据解析提供了新工具。与逐步回归相比,实验结果显示所提出方法的良好的性能。5.QSAR中,由于存在多个先导化合物模板,无法运用单一模型解释构效关

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 多变量图像解析
• 1.3 人工神经网络（Artificial Neural Networks, ANN）
• 1.4 支持向量机（Support Vector Machine, SVM）
• 1.5 粒子群优化算法（Particle Swarm Optimization, PSO）
• 1.6 本论文的研究工作
• 第2章 多变量图像分割的空间导向凝聚法及棕榈氯霉素同质多晶拉曼成像分析应用
• 2.1 前言
• 2.2 实验部分
• 2.2.1 仪器装置
• 2.2.2 样品制备
• 2.2.3 化学成像
• 2.2.4 基于空间导向凝聚法的多变量图像分割
• 2.3 结果与讨论
• 2.4 小结
• 第3章 基于纯变量分辨算法的多变量图像分割应用于磺胺类药物的拉曼成像可视化药物配方
• 3.1 前言
• 3.2 实验部分
• 3.2.1 仪器装置
• 3.2.2 样品制备
• 3.2.3 拉曼成像
• 3.2.4 基于纯变量分辨算法的多变量图像分割
• 3.3 结果与讨论
• 3.4 小结
• 第4章 多变量图像分割的空间导向凝聚法用于可互容和不可互容共混聚合物的拉曼成像分析
• 4.1 前言
• 4.2 实验部分
• 4.2.1 仪器装置
• 4.2.2 样品制备
• 4.2.3 拉曼成像与基于空间导向凝聚法的多变量图像分割
• 4.3 结果与讨论
• 4.4 小结
• 第5章 基于粒子群优化的最优逐区变量提取用于定量构效关系研究中的偏最小二乘建模
• 5.1 前言
• 5.2 理论
• 5.2.1 改进的离散粒子群优化算法
• 5.2.2 基于粒子群优化算法的最优逐区变量提取
• 5.2.3 最优逐区变量提取构建的定量构效关系模型
• 5.3 数据集
• 5.3.1 芳香胺数据集
• 5.3.2 血管紧缩素II 拮抗剂（4H-1,2,4-三唑类化合物）数据集
• 5.4 结果与讨论
• 5.4.1 芳香胺数据集
• 5.4.2 血管紧缩素II 拮抗剂（4H-1,2,4-三唑类化合物）数据集
• 5.5 小结
• 第6章 粒子群优化分段超球建模用于定量构效关系研究
• 6.1 前言
• 6.2 理论
• 6.2.1 分段超球建模
• 6.2.2 粒子群优化算法
• 6.2.3 粒子群优化分段超球建模
• 6.2.4 目标函数
• 6.3 数据集
• 6.3.1 Hansch 数据集
• 6.3.2 表皮生长因子受体抑制剂（EGFR）数据
• 6.3.3 非肽类血管紧缩素II 拮抗剂数据
• 6.4 结果与讨论
• 6.4.1 Hansch 数据集
• 6.4.2 表皮生长因子受体（EGFR）抑制剂数据
• 6.4.3 非肽类血管紧缩素II 拮抗剂数据
• 6.4.4 PHMPSO 算法中参数的选择
• 6.5 小结
• 第7章 粒子群优化算法用于训练基于支持向量机学习的多层前向神经网络
• 7.1 前言
• 7.2 理论
• 7.2.1 多层前向神经网络（MLFNNs）
• 7.2.2 基于支持向量机学习的多层前向神经网络
• 7.2.3 粒子群优化算法用于训练基于SVM 学习的多层前向网络（SVMNN）
• 7.3 数据集
• 7.3.1 Hansch 数据集
• 7.3.2 环氧酶抑制剂数据
• 7.4 结果与讨论
• 7.4.1 Hansch 数据集
• 7.4.2 环氧酶抑制剂数据
• 7.4.3 SVMNN 算法中参数的选择
• 7.5 小结
• 第8章 杂交粒子群优化算法用于支持向量机回归的变量选择
• 8.1 前言
• 8.2 理论
• 8.2.1 支持向量机回归（SVR）
• 8.2.2 连续粒子群优化算法
• 8.2.3 改进的离散粒子群优化算法
• 8.2.4 杂交的粒子群优化输入描述变量同时构建非二次规划 SVR 模型（HPSOSVM）
• 8.3 数据集
• 8.3.1 环氧酶－2（COX-2）抑制剂数据
• 8.3.2 芳香类化合物对水生生物毒性数据
• 8.4 结果与讨论
• 8.4.1 COX-2 抑制剂数据
• 8.4.2 芳香类化合物数据
• 8.5 小结
• 第9章 二[（吖啶-4-羧基酰胺）丙基]甲胺衍生物的定量构效关系研究
• 9.1 前言
• 9.2 理论
• 9.2.1 改进的离散粒子群优化算法（见5.2.1）
• 9.2.2 基于粒子群优化算法的最优逐区变量提取（见5.2.2）
• 9.3 二[（吖啶-4-羧基酰胺）丙基]甲胺衍生物数据
• 9.4 结果与讨论
• 9.5 小结
• 第10章 2-芳基（杂环芳基）-2,5-二氢吡唑[4,3-c]喹啉-3-（3H）衍生物的定量构效关系研究
• 10.1 前言
• 10.2 理论
• 10.2.1 分段超球建模（见6.2.1）
• 10.2.2 基于粒子群优化的分段超球建模（见6.2.2，6.2.3）
• 10.3 2-芳基（杂环芳基）-2,5-二氢吡唑[4,3-c]喹啉-3-（3H）衍生物数据
• 10.4 结果与讨论
• 10.5 小结
• 结论
• 参考文献
• 附录A 攻读学位期间发表及完成的论文目录
• 致谢