论文部分内容阅读
合理药物设计需要科学地预见化合物的药效学和药动学性质,以往的新药设计过分注重药效学这一方面而忽视了药动学方面。使得许多药物因药动力学因素不理想的而被淘汰掉,造成巨大的浪费。药物的体内过程与药物的许多理化性质及结构因素相关。众所周知,药物血浆蛋白结合率是一个很重要的药代动力学因素。本文应用基于MATALAB的人工神经网络方法对61种抗生素进行了关于药物血浆蛋白结合率的定量结构-药物动力学关系研究(Quantitative Structure Pharmacokinetic Relationship,QSPR)。首先,建立了合理的含一个隐含层的BP神经网络。输出层为实验获得的药物血浆蛋白结合率;输入层为计算获得的药物分子的量化参数,理化参数和分子连接性指数等,共19个参数。输入和输出层数据均标准化到0~1之间。随机挑选51个样本为训练集。通过多次试错尝试隐含节点数确定为30;最大迭代次数为500,000次;其它参数确定为:学习速率1r=0.1:学习速率的正增长率为1r(i)=1.08;学习速率的负增长率为1r(d)=0.9;学习动量因子M=0.9。其次为了验证网络,本文进行leave-one-out分析。从训练集中移去一个化合物,以剩下的50个样本作为训练组,将网络训练好后再预测被移去的化合物的血浆蛋白结合率,重复计算51次。计算结果 四川大学硕土学位论文rt—0.9834,s—0刀3823。结果证明所建网络能够有效地进行药物血浆蛋白结合率与其结构的相关性分析。最后利用挑选剩下的10个样本进行预测,10个药物的血浆蛋白结合率的预测值能很好地与实验数据相吻合,研究结果表明本文所建立的神经网络模型对于研究药物血浆蛋白结合率的QSPR是合理有效的。也证明了人工神经网络功能强大,将成为药物 QSPR研究的一个有效的工具。