環(huán)氧合酶（COX）是花生四烯酸（AA）抗炎網(wǎng)絡(luò)體系中的一個(gè)關(guān)鍵性的限速酶,它能氧化花生四烯酸生成前列腺素H2（PGH2）,從而引起發(fā)熱、疼痛等一系列炎癥反應(yīng)。COX有兩種主要的亞型——COX-1和COX-2,這兩種亞型也是傳統(tǒng)的非甾體抗炎藥（NSAIDs）的靶點(diǎn)。本論文旨在建立較為全面的包含COX抑制劑的結(jié)構(gòu)、活性及選擇性信息的數(shù)據(jù)庫(kù)的基礎(chǔ)上,系統(tǒng)地從計(jì)算機(jī)輔助構(gòu)效關(guān)系模型的角度探究COX-1抑制劑和選擇性COX抑制劑的結(jié)構(gòu)-活性關(guān)系。論文主要研究了以下方面的內(nèi)容:（1）環(huán)氧合酶1（COX-1）抑制劑的高低活性定性分類研究及骨架分類研究。以IC50值為10 μM作為閾值將收集到的1530個(gè)COX-1小分子抑制劑劃分成高活性和低活性兩類,采用隨機(jī)方法和自組織神經(jīng)網(wǎng)絡(luò)（SOM）的合理分集方法兩種方法將COX-1抑制劑劃分為兩組訓(xùn)練集和測(cè)試集,以表示物理化學(xué)性質(zhì)的描述符（CORINA描述符）和表示結(jié)構(gòu)片段性質(zhì)的分子指紋描述符（MACCS指紋描述符）兩種描述符作為輸入,采用支持向量機(jī)（SVM）、決策樹(shù)（DT）和隨機(jī)森林（RF）三種機(jī)器學(xué)習(xí)算法共建立了 12個(gè)COX-1小分子抑制劑的高低活性定性... 

【文章來(lái)源】：北京化工大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：93 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－２白羊源ＣＯＸ－１和人源ＣＯＸ－２的活性位點(diǎn)：（ａ）?Ｃ０Ｘ－１的活性位點(diǎn)（ＰＤＢ編碼：??１ＣＱＥ）；?（ｂ）?ＣＯＸ－２的活性位點(diǎn)（ＰＤＢ編碼：５Ｆ１Ａ）

?第一章緒論???１．２．３機(jī)器學(xué)習(xí)算法簡(jiǎn)介??（１）支持向量機(jī)（Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ，?ＳＶＭ）??支持向量機(jī)（Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ，?ＳＶＭ）是一種被廣泛地應(yīng)用于統(tǒng)計(jì)分類以及??定量回歸分析中的有監(jiān)督的學(xué)習(xí)方法。它的本質(zhì)是通過(guò)將位于有限維空間的數(shù)據(jù)投射??到更高維空間甚至無(wú)限維空間，然后尋找一個(gè)超平面將數(shù)據(jù)分隔開(kāi)來(lái)，從而實(shí)現(xiàn)分類??和回歸。如圖１－３，?ＭＮ為尋找到的最優(yōu)超平面，ａ點(diǎn)和ｂ點(diǎn)為支持向量，它們距超平??面ＭＮ的幾何間隔為１。本論文中利用Ｐｙｔｈｏｎ語(yǔ)言編程，用ｓｃｉｋｉｔ－ｌｅａｒｎ中的ＳＶＣ和??ＳＶＲ模塊實(shí)現(xiàn)ＳＶＭ模型的建立［３４】，核函數(shù)均米用徑向基函數(shù)（ｒａｄｉａｌ?ｂａｓｉｓ?ｆｕｎｃｔｉｏｎ，??ｒｂｆ）。??？?＋?／?Ｍ??＆?＋?＋／?／?，??＋?＋?／?／／?？??Ｎ?／?＾??０?ｘ１??圖１－３支持向量機(jī)原理示意圖。圖中ＭＮ為最優(yōu)超平面，ａ點(diǎn)和ｂ點(diǎn)為支持向量，它們距超平??面的幾何間隔為１。??Ｆｉｇｕｒｅ?１－３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｔｈｅ?ＳＶＭ．?ＭＮ?ｉｓ?ｔｈｅ?ｏｐｔｉｍａｌ?ｈｙｐｅｒｐｌａｎｅ，?ｗｈｉｌｅ?ａ?ａｎｄ?ｂ?ａｒｅ?ｓｕｐｐｏｒｔ??ｖｅｃｔｏｒｓ．?Ｔｈｅｉｒ?ｇｅｏｍｅｔｒｉｃ?ｓｐａｃｉｎｇ?ｆｒｏｍ?ｔｈｅ?ｈｙｐｅｒｐｌａｎｅ?ｉｓ?１．??（２）?Ｋｏｈｏｎｅｎ?自組織神經(jīng)網(wǎng)絡(luò)（Ｋｏｈｏｎｅｎ’ｓ?Ｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇ?Ｍａｐ，ＳＯＭ）??自組織神經(jīng)網(wǎng)絡(luò)是一種可實(shí)現(xiàn)聚類分析的神經(jīng)網(wǎng)絡(luò)算法，其基本原理如下：如圖??１－４，每一豎列是一個(gè)神

大學(xué)碩士學(xué)位論文???聚類及劃分訓(xùn)練集和測(cè)試集都用到了?ＳＯＭ方法，用ＳＯＮＮＩＡ?Ｖ４．２軟件［３５１實(shí)現(xiàn)。??ｚ?ｙ?ｙ?ｙ?ｙｙ?ｙ７??，ｙ，７ｙｙ??，ｙ?ｚ?ｙｙ?ｙ??＾＿?＿?ｚ?，，??ｙ?＾?＾?＾?，?，??＼?１?＾?，’ｙｙｙ??、一ｚ?２?ｚ，，??—，?３?＾?ｚｚｚ??Ｉ?－?＿＿，??氣?Ｑｘ１?ｍ?１?Ｉ?１?ｈＪ?Ｉ?１?１?ＬＸ??ｉｎｐｕｔ?ｐａｔｔｅｒｎ?Ｋｏｈｏｎｅｎ?ｎｅｔｗｏｒｋ??圖１－４自組織神經(jīng)網(wǎng)絡(luò)（Ｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇ?Ｍａｐ，?ＳＯＭ）原理示意圖。圖中每一豎列是一個(gè)神經(jīng)??元，ｘｉ到ｘｍ表示輸入的樣本，ｗｐ到ｖ＾ｍ表示每個(gè)神經(jīng)元的權(quán)重。??Ｆｉｇｕｒｅ?１－４?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇ?ｍａｐ?（ＳＯＭ）．?Ｅａｃｈ?ｖｅｒｔｉｃａｌ?ｃｏｌｕｍｎ?ｉｎ?ｔｈｅ?ｇｒａｐｈ?ｉｓ?ａ??ｎｅｕｒｏｎ，?ｗｈｅｒｅ?ｘｉ?ｔｏ?ｘｍ?ｒｅｐｒｅｓｅｎｔ?ｔｈｅ?ｉｎｐｕｔｓ?ａｎｄ?Ｗｊｉ?ｔｏ?Ｗｊｍ?ｒｅｐｒｅｓｅｎｔ?ｔｈｅ?ｗｅｉｇｈｔ?ｏｆ?ｅａｃｈ?ｎｅｕｒｏｎ．??（３）主成分分析（Ｐｒｉｎｃｉｐａｌ?Ｃｏｍｐｏｎｅｎｔ?Ａｎａｌｙｓｉｓ，?ＰＣ?Ａ）??主成分分析（Ｐｒｉｎｃｉｐａｌ?Ｃｏｍｐｏｎｅｎｔ?Ａｎａｌｙｓｉｓ，?ＰＣＡ）方法是用于數(shù)據(jù)降維的一種統(tǒng)??計(jì)學(xué)方法，其基本思想是設(shè)法將原來(lái)比較多的且具有一定相關(guān)性的特征（此處為各個(gè)??描述符）指標(biāo)用重新組合成的一組個(gè)數(shù)較少的互不相關(guān)的綜合指標(biāo)來(lái)代替原來(lái)的指標(biāo)。??這些新指標(biāo)之間應(yīng)互不相關(guān)，即表達(dá)


本文編號(hào)：3446313