机器学习方法用于激素敏感脂肪酶抑制剂活性预测

摘要：

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.

关键词：激素敏感脂肪酶抑制剂、机器学习方法、变量筛选

所属期刊栏目：23

分类号：O64(物理化学（理论化学）、化学物理学)

资助基金：四川农业大学本科论文培育基金00709062;四川农业大学双支计划00770117

在线出版日期：2012-04-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1577-1584