基于支持向量机的药物诱导磷脂质病预测模型.pdf

《基于支持向量机的药物诱导磷脂质病预测模型.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第23卷第6期化学研究与应用Vo1．23，No．62011年6月ChemicalResearchandApplicationJun．，2011文章编号：1004—1656(2011)06-0696~6基于支持向量机的药物诱导磷脂质病预测模型解扬，张会，杨胜勇(四川大学华西医院生物治疗国家重点实验室，四川成都610041)摘要：本文应用一种组合遗传算法和共轭梯度法的支持向量机(GA．CG．SVM)方法建立了药物诱导磷脂质病分类预测模型。首先对描述符进行了优化，选出了19个描述符用于模型的构建，所建模型对训练集的预测准确率为81．6％，对测试集的预测精度为8

2、7．5％，说明所建SVM分类模型不仅能正确预测训练集药物诱导的磷脂质病，也对其他化合物具有很好的预测能力。关键词：支持向量机；遗传算法；共轭梯度法；磷脂质病中图分类号：R991文献标识码：AApredictionmodelofdrug-inducedph0sph0lipidOsisbasedonsupportvectormachineXIEYang，ZHANGHui，YANGSheng—yong(StateKeylaboratoryofBiotherapyofWestChinaHospital，SichuanUniversity，Chengdu61004

3、1，China)Abstract：Inthisstudy，asupportvectormachine(SVM)methodcombinedwithgeneticalgorithm(GA)andconjugategradient(CG)algorithmwasusedtobuildaclassificationpredictionmodelofdrug—inducedphospholipidosis．I1ledescriptorswereoptimizedfirsdyand19descriptorswerefinallyselectedtoconstruc

4、ttheSVMmode1．Theoverallpredictionaccuracyoftheestablishedmodelforthetrainingsetis81．6％．andthatforthetestsetis87．5％．TheseshowthattheSVMmodelnotonlycancorrectlypredictthetrainingsetdrugmoleculesbutalsohasgoodpredictionabilitytocompoundsoutsideofthetrainingseL■Keywords：supportvector

5、machine；geneticalgorithm；conjugategradient；phospholipidosis近年来，药物诱导的磷脂质病在临床用药以研究将使用我们最近发展的一种改进型支持向量及药物研发中已引起了越来越多的重视¨．2J。磷机(SVM)分类建模方法，即GA-CG-SVM(基于遗传脂质病是溶酶体的贮藏紊乱，其特征为磷脂在组算法(GA)和共轭梯度法(CG)的支持向量机织中过度积累。磷脂质病的机制包括捕捉或选择(SVM))，建立药物磷脂质病毒性分类预测模型。性摄入携带磷脂质病药物的溶酶体、被感染细胞的酸性小囊泡。药物被捕获后，药物．磷脂复合

6、体1．方法与方法和包含着的溶酶体内膜一起，逐渐积累，最终引发各类代谢综合征。1．1支持向量机药物诱导磷脂质病的性质可以通过电子显微支持向量机(suppo~vectormachine)是由镜和光学显微镜进行检测，但其高成本限制了药物研发中大规模药物诱导磷脂质病的筛选。为此，本Vapnik等人于九十年代中期提出的基于统计学习收稿日期：2011-03-17；修回日期：2011-04-11基金项目：国家自然科学基金(20872100)资助联系人简介：杨胜勇(1968一)男，教授，主要从事药物的结构修饰与优化，新型药物设计方法，计算机辅助药物分子设计方面的研究。E

7、mail：yangsy@SCU．edu．cn第6期解扬等：基于支持向量机的药物诱导磷脂质病预测模型697理论的一种新型的机器学习方法J，详细的理论其中C为惩罚参数，引入该参数是为了使训练集推导已有大量文献报道，这里仅对其做简要介绍。误分率最小化，该参数需由用户事先定义。设有两类分类问题，训练集样本为(，Y；)，i=对于非线性情况，可通过引入核函数K(，1，2，⋯⋯，l，其中i∈Rn，，，i∈{1，-1}，，，i是类别标)，)，将输入向量映射到高维特征线性空间，在此号。线形可分是指存在着超平面·+b=0，i_空间中构建线性分类超平面。核函数有多种形1，⋯n

8、，使得训练样本中的阳性(+)和阴性(．)分式，在本研究中，我们采用目前广泛使用的