计算机与应用化学
計算機與應用化學
계산궤여응용화학
COMPUTERS AND APPLIED CHEMISTRY
2011年
2期
203-208
,共6页
Boosting%MLR%HIV-1逆转录酶抑制剂%QSAR
Boosting%MLR%HIV-1逆轉錄酶抑製劑%QSAR
Boosting%MLR%HIV-1역전록매억제제%QSAR
采用以MLR为基学习器的Boosting算法模型,对79种硫代氨基甲酸酯类衍生物做抗HIV-1逆转录酶抑制活性的QSAR 研究.以E-Dragon软件计算的7组描述符分别为自变量,以化合物的半数效应浓度EC0值为因变量构成7个原始数据集,用PSO算法筛选变量并建立MLR模型.各描述符建立的MLR模型中仅有RDF描述符模型同时通过外部预测和内部验证,故确定以其建立关于硫代氨基甲酸酯类衍生物抗HIV-1逆转录酶抑制活性的Boosting-MLR预测模型.Boosting-MLR模型与MLR 模型相比,训练结果的决定系数R2分别为0.728和0.741,预测结果R2则分别为0.718和0.667,表明其泛化能力明显增强.对Boosting-MLR模型进一步进行稳定性验证,证明其预测稳定性较高.
採用以MLR為基學習器的Boosting算法模型,對79種硫代氨基甲痠酯類衍生物做抗HIV-1逆轉錄酶抑製活性的QSAR 研究.以E-Dragon軟件計算的7組描述符分彆為自變量,以化閤物的半數效應濃度EC0值為因變量構成7箇原始數據集,用PSO算法篩選變量併建立MLR模型.各描述符建立的MLR模型中僅有RDF描述符模型同時通過外部預測和內部驗證,故確定以其建立關于硫代氨基甲痠酯類衍生物抗HIV-1逆轉錄酶抑製活性的Boosting-MLR預測模型.Boosting-MLR模型與MLR 模型相比,訓練結果的決定繫數R2分彆為0.728和0.741,預測結果R2則分彆為0.718和0.667,錶明其汎化能力明顯增彊.對Boosting-MLR模型進一步進行穩定性驗證,證明其預測穩定性較高.
채용이MLR위기학습기적Boosting산법모형,대79충류대안기갑산지류연생물주항HIV-1역전록매억제활성적QSAR 연구.이E-Dragon연건계산적7조묘술부분별위자변량,이화합물적반수효응농도EC0치위인변량구성7개원시수거집,용PSO산법사선변량병건립MLR모형.각묘술부건립적MLR모형중부유RDF묘술부모형동시통과외부예측화내부험증,고학정이기건립관우류대안기갑산지류연생물항HIV-1역전록매억제활성적Boosting-MLR예측모형.Boosting-MLR모형여MLR 모형상비,훈련결과적결정계수R2분별위0.728화0.741,예측결과R2칙분별위0.718화0.667,표명기범화능력명현증강.대Boosting-MLR모형진일보진행은정성험증,증명기예측은정성교고.