对humanether-a-gò-gò related genes(HERG)钾离子通道(钾通道)抑制剂,计算了表征分子组成、电荷分布、拓扑、几何结构及物理化学性质等特征的1559个分子描述符,采用Fischer Score(F-Score)排序过滤和MonteCarlo模拟退火法相...对humanether-a-gò-gò related genes(HERG)钾离子通道(钾通道)抑制剂,计算了表征分子组成、电荷分布、拓扑、几何结构及物理化学性质等特征的1559个分子描述符,采用Fischer Score(F-Score)排序过滤和MonteCarlo模拟退火法相结合从中筛选与HERG钾通道抑制剂分类相关的分子描述符.采用支持向量机(SVM)方法,分别以IC50=1.0、10.0μmol·L-1为分类标准,建立了三个分类预测模型.对367个训练集分子,用五重交叉验证,得到正、负样本的平均预测精度分别为84.8%-96.6%、80.7%-97.7%,其总的平均预测精度为87.1%-97.2%,优于其它文献报道结果.对97个外部测试集分子,所建三个模型的总样本预测精度在67.0%-90.1%之间,接近或优于其它文献报道结果.展开更多
分别采用支持向量学习机、人工神经网络、调节性逻辑回归和K-最临近等机器学习方法对761个二氢叶酸还原酶抑制剂建立了其活性分类预测模型.采用组成描述符和拓扑描述符表征抑制剂的分子结构及物理化学性质,使用Kennard-Stone方法进行训...分别采用支持向量学习机、人工神经网络、调节性逻辑回归和K-最临近等机器学习方法对761个二氢叶酸还原酶抑制剂建立了其活性分类预测模型.采用组成描述符和拓扑描述符表征抑制剂的分子结构及物理化学性质,使用Kennard-Stone方法进行训练集的设计,并用Metropolis Monte Carlo模拟退火方法作变量选择.结果表明,支持向量学习机优于其它机器学习方法,所得到的最优模型具有较好的预测结果,其预测正确率为91.62%.说明通过合适的训练集设计及变量选择,支持向量学习机方法可以很好地用于二氢叶酸还原酶抑制剂的活性分类预测.展开更多
文摘对humanether-a-gò-gò related genes(HERG)钾离子通道(钾通道)抑制剂,计算了表征分子组成、电荷分布、拓扑、几何结构及物理化学性质等特征的1559个分子描述符,采用Fischer Score(F-Score)排序过滤和MonteCarlo模拟退火法相结合从中筛选与HERG钾通道抑制剂分类相关的分子描述符.采用支持向量机(SVM)方法,分别以IC50=1.0、10.0μmol·L-1为分类标准,建立了三个分类预测模型.对367个训练集分子,用五重交叉验证,得到正、负样本的平均预测精度分别为84.8%-96.6%、80.7%-97.7%,其总的平均预测精度为87.1%-97.2%,优于其它文献报道结果.对97个外部测试集分子,所建三个模型的总样本预测精度在67.0%-90.1%之间,接近或优于其它文献报道结果.
文摘分别采用支持向量学习机、人工神经网络、调节性逻辑回归和K-最临近等机器学习方法对761个二氢叶酸还原酶抑制剂建立了其活性分类预测模型.采用组成描述符和拓扑描述符表征抑制剂的分子结构及物理化学性质,使用Kennard-Stone方法进行训练集的设计,并用Metropolis Monte Carlo模拟退火方法作变量选择.结果表明,支持向量学习机优于其它机器学习方法,所得到的最优模型具有较好的预测结果,其预测正确率为91.62%.说明通过合适的训练集设计及变量选择,支持向量学习机方法可以很好地用于二氢叶酸还原酶抑制剂的活性分类预测.
