《计算机辅助药物设计_部分2》.pdfVIP

如上图 4-16 所示，删除 Outlier 后，训练集样本数减少为 53，在这个新训练集的基础上 重复步骤 D ，发现此时 XR2=0.306414 ，有了很大提高（上一次 XR2=0.033869 ），但是还不 足以进行下一步操作（大于 0.5 ）。继续剔除Outlier ！ 图4-17 、第三次训练集自身交叉验证的结果 如图 4-17 所示，重复一次根据剔除 Z-SCORE 大于 2 的 Outlier 后的操作，保存新的数 据库为“mytrps-train-refined2.mdb ”，得到模型的PLS Model: RMSE=0.143511 R2=0.975035 XRMSE=1.36198 XR2=0.344367 ，同样尽管有所提高（上一次XR2=0.306414 ），但是还需进 一步提高。 图4-18 、第四次训练集自身交叉验证的结果 81 如图 4-18 所示，根据剔除 Z-SCORE 大于 1.5 的 Outlier 后的操作，保存新的数据库为 “mytrps-train-refined3.mdb ”，此时，得到模型的PLS Model: RMSE=0.0739945 R2=0.993785 XRMSE=0.48619 XR2=0.770392 （0.5 ），点击“Fit ”按钮，将该训练得到的模型保存为 trypsinpred.fit ，这个模型可以用于下一步的操作。 图4-19 、图形分析法评估训练集拟合结果 利用图形分析法对训练集拟合结果进行评估。 具体操作：在“mytrps-train-refined3.mdb ”中点击 DBV|Compute|Analysis|Correlation plot ， 回到“mytrps-train-refined3.mdb ”数据库，依次点击实验得到的活性数据（pki-trypsin ）和预 测得到的活性数据（$PRED ），如上图4-19 所示，预测与实际有着很好的线性关系。 （5 ）模型的验证 图4-20 、Model-Evaluate 面板参数设置 具体操作：打开测试集样本数据库“mytrps-test.mdb ”，并在该数据库中打开Model-Evaluate 82 面板（DBV|Compute|Model-Evalulate… ），在Model File 中选择前面得到的模型trypsinpred.fit ， 并设置新生成的字段为“trypsin-pred ”，最后点击“OK ”，如图4-20 所示。 图4-21 、模型评估操作后测试集样本数据库的变化 如上图 4-21 所示，测试集样本数据库“mytrps-test.mdb ”中新增加了一列trypsin-pred ， 此字段为预测值。 图4-22 、计算预测值与实验值之差 83 具体操作：通过计算预测值与实验值差来评估模型的好坏。打开 Calculator 面板 （DBV|Compute|Calculator… ），如上图 4-22 所示计算字段 pki-trypsin 与字段 trypsin-pred 之 差，并生成新的字段 trypsin-res 。 图4-23 、图形分析法评估测试集拟合结果 如果偏差的绝对值超过 1，即认为该样本的预测值不好，那么如上图 4-23 所示，31 个 测试样本中，仅 2 个样本的预测值不够好，说明测试集的拟合结果符合要求。 到此为止，对样本进行拟合得到的模型符合要求，可以利用该模型进行新样本的预测。 （6 ）新样本的预测 收集新的 3-amidinophenylalanine 化合物，利用上面的模型对其活性进行预测