计算机与应用化学
計算機與應用化學
계산궤여응용화학
COMPUTERS AND APPLIED CHEMISTRY
2010年
5期
635-639
,共5页
热休克蛋白90%定量结构活性关系%改进MC_GEP%线性解码
熱休剋蛋白90%定量結構活性關繫%改進MC_GEP%線性解碼
열휴극단백90%정량결구활성관계%개진MC_GEP%선성해마
以35种嘌呤骨架类热休克蛋白90(Hsp90)化合物为研究对象,以文献[3]的8个变量构成自变量集,提出1种改进的MC_GEP算法对该类化合物抗癌活性pEC50做定量结构活性关系研究.按文献[3]对所有35种嘌呤类化合物建模,本文GEP模型与文献[3]的回归模型计算结果决定系数R2分别为0.821 4和0.738 0.进一步用七均值聚类算法将此35种化合物划分为训练集和预测集,分别采用改进的MC_GEP算法、v-SVM和ε-SVM算法基于训练集建模,本文建立的GEP模型训练和预测结果R2分别为0.808 0和0.745 5,而v-SVM和ε-SVM模型对预测集的预测结果R2分别为0.204 6和0.410 3,均低于0.5.研究表明,本文提出的改进MC GEP算法函数发现能力较强,建立的QSAR模型预测性能好.
以35種嘌呤骨架類熱休剋蛋白90(Hsp90)化閤物為研究對象,以文獻[3]的8箇變量構成自變量集,提齣1種改進的MC_GEP算法對該類化閤物抗癌活性pEC50做定量結構活性關繫研究.按文獻[3]對所有35種嘌呤類化閤物建模,本文GEP模型與文獻[3]的迴歸模型計算結果決定繫數R2分彆為0.821 4和0.738 0.進一步用七均值聚類算法將此35種化閤物劃分為訓練集和預測集,分彆採用改進的MC_GEP算法、v-SVM和ε-SVM算法基于訓練集建模,本文建立的GEP模型訓練和預測結果R2分彆為0.808 0和0.745 5,而v-SVM和ε-SVM模型對預測集的預測結果R2分彆為0.204 6和0.410 3,均低于0.5.研究錶明,本文提齣的改進MC GEP算法函數髮現能力較彊,建立的QSAR模型預測性能好.
이35충표령골가류열휴극단백90(Hsp90)화합물위연구대상,이문헌[3]적8개변량구성자변량집,제출1충개진적MC_GEP산법대해류화합물항암활성pEC50주정량결구활성관계연구.안문헌[3]대소유35충표령류화합물건모,본문GEP모형여문헌[3]적회귀모형계산결과결정계수R2분별위0.821 4화0.738 0.진일보용칠균치취류산법장차35충화합물화분위훈련집화예측집,분별채용개진적MC_GEP산법、v-SVM화ε-SVM산법기우훈련집건모,본문건립적GEP모형훈련화예측결과R2분별위0.808 0화0.745 5,이v-SVM화ε-SVM모형대예측집적예측결과R2분별위0.204 6화0.410 3,균저우0.5.연구표명,본문제출적개진MC GEP산법함수발현능력교강,건립적QSAR모형예측성능호.
