论文部分内容阅读
定量结构－活性关系（QSAR）是利用相关计算方法，如统计分析、数据挖掘和人工智能等，来研究各类物质的物理化学性质或活性与组成结构之间关系的一套方法。通过QSAR研究，可挖掘那些隐形的结构与活性之间本质规律，也可直接挖掘出实验数据中的内在规律。QSAR研究在计算机学科，化学学科，材料学科，生物生命学，药医学等领域的发展和应用中都具有重要的意义。 针对药物和毒物QSAR研究中存在的问题，本文在模型的建立和分子结构描述符的选取两个方面做了探讨，具体的研究内容和结果如下： 1、探讨将粒子群算法（PSO）对反向传播人工神经网络（BP ANN）的网络参数进行优化，建立PSO BP ANN模型，并将模型应用于若干中性和碱性药物的酸度系数（pKa）预测实验。结果表明，PSO BP ANN模型的预测性能比其他同类模型较优，精度和相关性也较好，是QSAR研究中良好方法之一。 2、探讨将PSO和K-调和聚类（KHM）算法分别对径向基人工神经网络（RBF ANN）的网络权值和基函数中心进行优化训练，建立PSO KHM RBF ANN模型，并将模型应用于易挥发有机化合物的气相色谱保留时间预测实验。实验结果表明， PSO KHM RBF ANN模型的预测精度较好，训练与测试误差较小，相关性也较高，可为QSAR建模思想提供新思路。 3、探讨将骨干粒子群（BBPSO）和KHM算法分别对RBF ANN的网络权值和基函数中心进行优化训练，建立BBPSO KHM RBF ANN模型，并将模型应用于若干醇类有机小分子化合物对欧洲林蛙蝌蚪毒性的预测。研究同样表明，BBPSO KHM RBF ANN模型的预测性能卓越，也可为QSAR建模提供参考。 4、探讨将遗传算法（GA）用于分子描述符选择，通过GA在寻优过程中良好的全局能力，筛选出合适的分子描述符。结果表明，GA算法在分子描述符选择中表现优越，均能筛选出能反应物质活性的分子描述符，是QSAR中选择分子描述符的可靠方法。