CAJ | 학술논문

我们构建了表征乙酰胆碱酯酶抑制剂分子组成、电荷、拓扑、几何结构及物理化学性质等特征的1559个描述符,通过Fischer Score排序过滤和Monte Carlo模拟退火法相结合进行变量筛选得到37个描述符,然后分别用支持向量学习机(SVM)、人工神经网络(ANN)和k-近邻(k-NN)等机器学习方法建立了乙酰胆碱酯酶抑制剂的分类预测模型.对于训练集的515个样本,通过五重交叉验证,各机器学习方法对正样本,负样本和总样本的平均预测精度分别为87.3%-92.7%,67.0%-81.0%和79.4%-88.2%;通过y-scrambling方法验证SVM模型是否偶然相关,结果正样本,负样本和总样本的平均预测精度分别为72.7%-82.5%,41.0%-53.0%和62.1%-69.1%,明显低于实际所建模型的预测精度,表明所建模型不存在偶然相关;对172个没有参与建模的外部独立测试样本,各机器学习方法对正样本,负样本和总样本的预测精度分别为93.3%-100.0%,74.6%-89.6%和86.1%-95.9%.所建模型中,SVM模型预测精度最好,且明显高于其它文献报道结果.
아문구건료표정을선담감지매억제제분자조성、전하、탁복、궤하결구급물이화학성질등특정적1559개묘술부,통과Fischer Score배서과려화Monte Carlo모의퇴화법상결합진행변량사선득도37개묘술부,연후분별용지지향량학습궤(SVM)、인공신경망락(ANN)화k-근린(k-NN)등궤기학습방법건립료을선담감지매억제제적분류예측모형.대우훈련집적515개양본,통과오중교차험증,각궤기학습방법대정양본,부양본화총양본적평균예측정도분별위87.3%-92.7%,67.0%-81.0%화79.4%-88.2%;통과y-scrambling방법험증SVM모형시부우연상관,결과정양본,부양본화총양본적평균예측정도분별위72.7%-82.5%,41.0%-53.0%화62.1%-69.1%,명현저우실제소건모형적예측정도,표명소건모형불존재우연상관;대172개몰유삼여건모적외부독립측시양본,각궤기학습방법대정양본,부양본화총양본적예측정도분별위93.3%-100.0%,74.6%-89.6%화86.1%-95.9%.소건모형중,SVM모형예측정도최호,차명현고우기타문헌보도결과.