定量结构—活性关系(Quantitative Structure-Activity Relationship,QSAR)方法是目前国际上一个活跃的研究领域,QSAR的研究对象包括化合物的生物活性、毒性、药物的各种代谢动力学参数和生物利用度以及分子的各种物理化学性质和环境行为等,研究领域涉及生物、化学以及环境科学等诸多学科。QSAR方法从化合物的分子结构和活性/性质的实验结果出发,依据不同需要和研究深度,可建立相关的二维、三维或多维模型,来估测未知化合物的生物活性和生态学效应。 本论文从分子结构的定量描述和结构性质定量关系的建立入手,总结了QSAR方法在药物设计、与环境污染和生命有关物质的重要性质的预测方面的应用;同时,着重讨论了一种新的机器学习方法:支持向量机(Support Vector Machine,SVM)方法建立高效、稳定的QSAR模型。由于SVM方法在各方面的应用还不是很多,因此,本论文的一个研究重点就是将SVM算法扩展到QSAR研究的更多领域。 论文第一章介绍了QSAR方法的发展历史、基本原理、方法及研究进展。同时,详细描述了SVM算法的基本原理并总结了它在近年来的一些重要的应用。 论文第二章介绍了QSAR方法和SVM算法在化学和生物学方面的应用。简单描述如下: 1.应用支持向量机分类算法预测了126种常用药物在哺乳期母体的乳汁和血清中的浓度比率M/P。用线性判别分析算法(LDA)和支持向量机算法(SVM)建立了两种分类模型,对测试集(30种药物)的分类准确率分别是76.7%和90%,表明非线性的SVM模型的分类预测能力高于线性的线性判别分析模型。 2.QSAR方法用于预测152个九肽与HLA-A~*0201蛋白质分子的结合亲合力。用启发式方法(HM)和支持向量机算法建立了两种预测模型,它们对测试集预测的均方根误差(RMS)分别为0.511和0.312。可以看出,SVM模型的预测性能较好。同时,对九肽每个位置上氨基酸分布频率的分析有助于我们更好的了解结合过程,有利于多肽类药物的设计、合成和筛选。QSAR法和SVM方法能够为免疫学的发展和寻找新的疫苗和药物作出贡献。 3.应用支持向量机方法预测了28个蛋白质的折叠率。为了比较SVM模型