人工神经网络在醇类QSRR的研究中的应用.pdfVIP

人工神经网络在醇类QSRR研究中的应用* 郭伟强..1卢 鸯，郑小明’ (1浙江大学化学系，杭州 310028) (2.浙江省丝绸科学研究院，杭州310012) 作为定量结构一性质关系研究 Q〔SAR)的一个重要分支，定量结构一保留相关关系 (QSRR)的 研究和应用在色谱科学领域越来越多地受到关注。醇类化合物由于含有一个极性的轻基，氧的电负 性较强，又存在氢键缔合作用，由QSRR研究的基本思路可推测此类化合物的保留行为比烷烃要复 杂，表现为一方面醇分子中烷基部分的碳数大小、分枝情况对保留值有影响，另一方面，轻基所在 位置的差异亦将导致保留值的不同。本文拟以分子结构的拓扑参数为描述符，找出它们与色谱保留 值之间的定量关系式，使之更方便地适用于醇类化合物保留值的预测。结合以前的工作0[.2,3[，我们 用BP算法人工神经网络建立分子结构与保留参数间的相关模型并进行预测，并将所得结果与多元 回归方法的结果进行对比。 1 实验部分 (1)仪器及色谱条件:SP-6800气相色谱仪，配N-2000型色谱工作站。色谱柱为2mx3nlmi.d. 不锈钢柱，上试硅烷化白色担体((8-0100目)为载体，液载比为10%:高纯氮为载气，汽化温度2400C, 检测器温度240C，柱温100,C，桥流90rnA. (2)保留指数值:除部分来源于文献[4】外，其余均由本实验室所测。选用的25种醇，分为拟 合集 (1-19)和预测集 (20-25). (3)模型稳定性和实用性的检验:为了检验所得模型的稳定性，采用去一(leave-one-out)交叉检 验法，并通过对照预测集样本的实验值与通过网络预测得到的预测值的偏差来检验模型的实用性。 2 结果与讨论 2.1单一固定相上的模型 对应于单一固定相上的回归方程，神经网络的输入节点5个:1,x,COH,沐 以及介韧， 输出节点 1个(RI),隐含层节点数经训练后取3。在训练过程中，随着训练次数的增加，训练集的 均方根误差(RMS)持续下降，而预测集样本的RMS在训练至10000次左右时己基本保持水平，其 预测精度也己基本满足要求，所以我们选择 10000次为训练终止次数。从图1所示对各个柱子的网 络模型稳定性的去一法 (leave-one-out)验证结果看，得到的各网络模型稳定性良好，没有出现异 常值。利用训练好的神经网络对预溅集样本的保留指数进行预测的结果见表1，可发现1一丙醇和2- 甲基一卜丙醇的预测相对误差较大。 翻 巨二口 口 口 口不 巨刃 压云刁 省 。 「一 巨产厂一 n 厂一一 } 口 巨二团 军 l 占 r } 一 甲户{ }卫 口圃 口 口 吕 灿 ‘ 盆 矛，「} 一} 七 团 门 口口 」 目 一 厂 }一 一 」 } 」沙口 乙 厂，口 日尹口 习 匕 ] 团r } } 一} 厂二一坛