CAJ | 학술논문

对激素敏感脂肪酶,我们构建了表征分子组成、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35个描述符,然后分别用支持向量学习机(SVM)、人工神经网络(ANN),k-近邻(k-NN),连续核密度估计(CKD)和逻辑回归(LR)等机器学习方法建立了激素敏感脂肪酶抑制剂的分类预测模型.对于训练集的200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在78.0％-94.0％,69.0％-91.0％和73.5％-92.5％；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在60.0％-74.0％,58.0％-71.0％和61.0％-69.5％,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52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在84.6％-92.3％,88.5％-92.3％和86.5％-92.3％.所建模型中,SVM,CKD和LR较好,且明显高于其他文献报道结果.
대격소민감지방매,아문구건료표정분자조성、전하、탁복、궤하결구급물이화학성질등특정적1559개묘술부,통과Fischer Score배서과려화Monte Carlo모의퇴화법상결합진행변량사선득도35개묘술부,연후분별용지지향량학습궤(SVM)、인공신경망락(ANN),k-근린(k-NN),련속핵밀도고계(CKD)화라집회귀(LR)등궤기학습방법건립료격소민감지방매억제제적분류예측모형.대우훈련집적200개양본,통과오중교차험증,각궤기학습방법대정양본,부양본화총양본적평균예측정도분별재78.0％-94.0％,69.0％-91.0％화73.5％-92.5％；통과y-scrambling방법험증SVM모형시부우연상관,결과정양본,부양본화총양본적평균예측정도분별재60.0％-74.0％,58.0％-71.0％화61.0％-69.5％,명현저우실제소건모형적예측정도,표명소건모형불존재우연상관；대52개몰유삼여건모적외부독립측시양본,각궤기학습방법대정양본,부양본화총양본적예측정도분별재84.6％-92.3％,88.5％-92.3％화86.5％-92.3％.소건모형중,SVM,CKD화LR교호,차명현고우기타문헌보도결과.