人工神经网络及其在定量结构-活性%2f性质相关性(QSAR%2fQSPR)研究中的应用.pdfVIP

城市与工业安全 380 CITYANDINDUs，I’RlAI．SAFETY 人工神经网络及其在定量结构一活性／性质相关性 (QSAR／QSPR)研究中的应用 潘 勇 蒋军成 (南京工业大学城市建没与安全环境学院，南京210009) 摘 要：人工神经网络(ANN)源于模拟人脑中信息处理过程的计算机模型．它独特的学习能 力和自动建模功能，使其在许多实际应用领域中取得了显著的成效．介绍了人工神经网络的 原理及其在定量结构一活性／性质相关性(QSAR／QSI，R)研究中的应用，并将结果与多元线 性回归法进行了比较，效果优于后者．对其在安全工程中的应用做了展望． 关键词：人工神经网络；定量结构～活性／性质相关；多元线性回归 己I 吉 ]l Fa 在定量结构一活性／性质相关性(QSAR／QSPR)研究中，结构与性质、结构与活性、性质与活性之 间，不仅有着线性关系，而且还存在着非线性关系[1]．对于线性问题，运用统计学中的一元同归、多元回 归分析等方法就能迎刃而解；而非线性问题的处理则要复杂得多，尤其是那些因果关系不明了、推理规 则不确定的非线性问题．要想解决这一类问题，用常见的计算方法是极难奏效的．近年来，人工神经网 络(ANN)技术获得重大突破，它独特的学习能力和自动建模功能，使得它对非线性问题具有极高的求 解能力[23，因而特别适合用来解决QSAR／QSPR研究中因果关系不明确，推理规则不确定的问题．现 在，众多学科的研究者们纷纷致力于寻求基于神经网络的QSAR／QSPR研究方法在自身研究领域中 的发展E3-1z]．本文主要介绍人工神经网络方法的原理及其在QSAR／QSPR研究中的应用及进展． 2 人工神经网络概述 人工神经网络(ANN)又称神经网络，是由大量的同时也是很简单的处理单元广泛连接构成的复杂 网络系统．人工神经网络是建立在现代神经科学研究基础上的一种抽象数学模型，它反映了大脑功能 的基本特征，但并非逼真地描写，只是某种简化、抽象和模拟‘2|． 人工神经网络有多种算法，但可粗略地分为两类：有教师学习的 输入层 隐含层 输出层 人工神经网络和无教师学习的人工神经网络r13I．前者主要是对已知样 本进行训练，然后对未知样本进行预测．此类方法的典型代表是误差 反向传播(BP，BackPropagation)人上神经网络．后者亦称自组织人 工神经网络，无需对已知样本进行训练，则可用于化合物的分类，如 Kohonen神经网和Hopfield神经网． 在以上各种算法中，应用得最多的是BP网络(图1)．从结构上 作者简介：潘勇，汉族，男，1981年10月生于江苏省漂阳市．现在南京工业大学攻读安全技术及工程专业硕士学位．研究方向为介质危险 特性与分析技术，导师为蒋军成教授 人工神经网络及其在定量结构一活性／性质相关性(QsAR／QSPR)研究中的应用 381 各层之间，只有相邻层的神经元之间存在联系．对输人X进行某种函数运算，即得到神经元的输出y． 在实际应用领域中，常用的函数形式是S型函数F(z)． F(z)3『鬲丽1 BP算法的具体步骤是：(1)初始化，即随机地设置各层权重系数和值；(2)将训练样本数据X加到 网络输人端，计算各层的输出y，将输出值与期望值相比得到误差信号；(3)根据误差信号重新调整连 接权重；(4)如果小于预定误差，则认为网络已收敛而停止学习，反之，则返回(2)继续学习(3)L14]． 3 神经网络在定量结构一活性／性质相关性(QSAR／QSPR)中的应用 3．1神经网络在QSAR研究中的应用 在QSAR研究巾，用统计方法得到的模型反映的是结构与活性之间的线性关系，要求建模参数之 间无共线性，样本数量足够多．而神经网络模型用于QSAR研究，可以更全面更好地利用参数信息，揭 示变量间非线性关系，分类和预测结果均优于传统统计方法． 日本学者Aoyama最先将神经网络用于QSAR领域u 5|．1989年他和同事第一次利用三层BP网