QSAR Всерассужденияирезультатыработыпредставленывфайлеcoursework.3.pdf

采用支持向量回归方法用3个数据集来评价z-scales、c-scales、ISA-ECI、MS-WHIM、PRIN等5个氨基酸描述符在肽QSAR支持向量回归模型构建中的性能并对核函数进行选择，采用留一法交叉检验的结果显示径向基核函数要好于多项式核函数和线性核函数；在以径向基核函数的支持向量回归模型中表明z-scales的预测准确度要略优于其它描述符，且在同一描述符的情况下SVR的预测效果要好于其它线性方法，说明SVR在肽QSAR模型构建中是一个可行的方法。

以辛醇/水分配系数（logP）的对数表示的亲脂性，以摩尔折射率（MR）表示的空间/极化率组合效应和以摩尔体积（MV）表示的体积对29种已知生物活性的影响使用定量结构活性关系方法（QSAR）分析了氨基嘧啶基异喹啉喹啉类APIQ。 选择的活性数据是对人胃腺癌（AGS）细胞系的抑制浓度（IC50）。 在进行回归分析时，理化参数和IC50显示非常弱的相关性，如Pearson相关性R2的低值（0.1至0.2）所证明。 由于单个化合物显示出明显的活性（范围从20到0.5μM），因此分类以暴露机械嵌套亚组。 这是通过使用R2作为指标，对从散点图中提取的各种趋势线周围的数据点进行聚类来完成的，这些散点图将参数与活动相关联。 由于IC50与MV的相关统计指标较高，因此将其选择为分类的基础。 这给出了五个回归线，据信每个回归线代表一个单独的机械轮廓。 使用附加的描述符来巩固聚类方法，并为每个聚类假定的机械轮廓提供深度。

SMILES枚举，向量化和批处理生成 SMILES枚举是写出所有可能的SMILES形式的分子的过程。 这是在基于序列的分子建模之前进行数据增强的有用技术。 您可以在此或了解有关背景的更多信息 笔记 提供了更多更新的软件包。 导入SmilesEnumerator并实例化对象 from SmilesEnumerator import SmilesEnumerator sme = SmilesEnumerator () print help ( SmilesEnumerator ) Help on class SmilesEnumerator in module SmilesEnumerator: class SmilesEnumerator(__builtin__.object) | SMILES Enumerator, vectorizer and devectorizer |

醇酚类化合物的毒性QSAR研究，邓小龙，陈渊，化合物毒性与描述符通常呈现为非线性关系, 量子化学计算的化合物分子描述符中包含诸多无关特征与冗余特征. 最大相关最小冗余(mRMR)�

建立QSAR MOdel以预测分子抑制与Alheimer's Beta_Secratese 1相关的靶蛋白的能力 通过Abolaji Shiwoku 背景 药物发现是一个漫长的过程，而且成本高昂，平均需要12年的时间，耗资100亿美元。旧的过程依赖于科学家或制药公司的专业知识或过去的实验知识来设计可能会或可能不会在目标基因或蛋白质上表现出所需特性的化合物。现在拥有数十年的过去实验数据，我们可以应用机器学习来构建预测模型，该模型可以预测化合物的生物活性，以帮助加快药物靶标的选择。这些工具在降低研究费用，加快临床研究，为患病者带来更多有用药物方面可能是无益的。制药公司正在意识到使用过去的实验数据来更好地预测化合物的化学特征的力量。随着强大的机器学习工具应用于化学数据，我们可以使用这些模型来监督重要的化学蛋白质活性，尤其是在制造新型化合物方面取得了进步。 QSAR（定量结构活性关系）模型可帮助

通过比较分子场分析（CoMFA）和比较分子相似性指数分析（CoMSIA）对一系列HIV逆转录酶（RT）非核苷抑制剂（2-氨基-6-芳基磺酰基苄腈及其硫代和亚磺酰基同类物）进行了分子建模。 ）方法。 采用对接模拟将抑制剂置于RT活性位点，以确定最可能的结合模式和最可靠的构象。 使用复杂的基于受体和基于配体的比对程序进行了这项研究，并研究了不同的比对模式以获得具有交叉验证的q（2）值分别为0.723和0.760的高度可靠和可预测的CoMFA和CoMSIA模型。 此外，获得了带有目标3D结构（RT的结合位点）的CoMFA和CoMSIA等高线图，以更好地理解RT蛋白与抑制剂之间的相互作用以及对HIV-1抑制活性的结构要求。 我们表明，要使2-氨基-6-芳基磺酰基苯甲腈抑制剂具有明显的抑制活性，需要在B环的3位和5位具有大体积和疏水性的基团。 此外，在A环的2-位上与RT蛋白的Lys101残基建立H键的H键供体基团也对活性有利。

在本次提交中，我们展示了我们小组前段时间提出的替换方法 (RM) [1-4] 和增强替换方法 (ERM) [5] 的代码。 这两种方法产生的线性回归 QSPR-QSAR 模型与 FS（完全搜索）模型非常接近，但计算工作量要少得多。 这些技术通过明智地考虑由一组 d 个描述符 d={X1,X2,??,Xd} 给出的最小二乘模型系数的相对误差来接近 S 的最小值。 RM 为模型提供了比前向逐步回归程序更好的统计参数，并且类似于更详细的遗传算法，ERM 导致更好的统计参数。 1. Duchowicz、PR、EA Castro、FM Fernández 和 MP González，QSPR/QSAR 理论的新搜索算法：一些有机分子的正常沸点。 化学物理。 Lett., 2005. 412: p. 376-380。 2. Duchowicz、PR、EA Castro 和 FM Fernández

采用改进的遗传算法（IGA）和BP人工神经网络相结合的方法，研究了50个酚类化合物的麻醉毒性和分子结构之间的相关性，并与单纯用BP人工神经网络建立的模型进行比较。结果表明，该方法克服了人工神经网络训练中的局部最优问题，采用最优交叉和变异等遗传策略，有效地解决了收敛过程中的振荡问题，所得模型的训练精度和预测精度均优于单纯的BP人工神经网络QsAR模型。

预测分子活性 使用QSAR机器学习模型预测有机分子与特定受体的分子结合活性。 诸如此类的虚拟筛选技术通过减少经过高通量筛选的潜在药物的数量来降低药物发现的成本。 该项目表明，机器学习模型可以从药物的分子定量结构-活性关系（QSAR）数据有效预测候选药物。 该代码在ipynb文件中提供，该文件需要一段时间才能运行。 还提供了以科学论文格式对该项目的深入描述。