第05讲-基于结构的药物设计范例.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * 交互检验 Leave-one-out (LOO) Leave-many (group) –out (LMO) Bootstrapping Out-of-train (OOT) Stochastic Model Validation (SMV) * 交互检验：依次从N个样本中抽出1个样本，用剩下的N-1个样本来建立构效关系模型，然后用建立的模型预测抽取出来的1个样本的活性，重复这个操作，直到所有样本都被抽去和预测。然后，计算预测误差的平方和PRESS和交互检验相关系数rcv 。 最常用交互检验方法：留一法（leave-one-out） 典型的LMO交互检验根据数据量的大小，把数据集分成2 到10 个组（G=2-10），每一组包含化合物数目基本相同（mj=n/G，相差最大为1），每次抽取一组mj 作为临时的测试集，用剩下的n-mj 个化合物建立模型对测试集进行预测。 Leave-many (group) –out (LMO) 对于大型数据，只要保证剩余的临时训练集能够得到有意义的模型，每次抽取的化合物可以任意多；但对于中小型数据（比如n50），如果每次抽取太多的化合物出来，剩余化合物就很难包含所有的重要结构信息从而得不到好的QSAR 模型。有文献已经证明对于只包含20 到