人工神经网络用于1,1二苯基乙烯衍生物QSAR研究.docVIP

人工神经网络用于1,1-二苯基乙烯衍生物的QSAR研究 　　摘要：对于19个1,1-二苯基乙烯衍生物，分别采用人工神经网络(网络结构为3-7-1)和线性回归分析方法，建立了其抗雌激素活性／C与扩展的引力指数Go、17号氢原子的净电荷Q和24号氧原子与17号氢原子间库仑力KL之间的QSAR模型，ANN模型的相关系数R=0.9999。标准偏差SD=3,058 88E-4；MLB.模型的相关系数K=0.966 0，标准偏差SD=0.10t 0。结果表明人工神经网络是一种比较精密的拟合方法，具有良好的预测效果。 　　关键词：人工神经网络；定量结构活性关系；1,1-二苯基乙烯衍生物 　　中图分类号：0641　文献标识码：A　文章编号：1000-8136(2009)26-0093-03 　　 　　乳腺癌是女性常见恶性肿瘤之一，抗雌激素类药是其内分泌疗法的常用药物，因而开发新型高效的抗雌激素药物已成为一大热点。Gilbertm等通过实验发现1，1-二苯基乙烯衍生物在MVLN细胞中有一定的抗雌激素活性，具有开发为抗雌激素药物的潜能。文献在此基础上主要采用量化计算方法和拓扑指数法对其进行研究，得出1,1-二苯基乙烯衍生物在OOC下与小牛子宫雌激素受体间亲合力大小与扩展的引力指数(Go)、17号氢原子的净电荷(O)和24号氧原子与17号氢原子间库仑力(KL)较好的相关性。人工神经网络(artificial neural network，ANN)是一种信息处理技术，具有很强的非线性处理、自适应学习、自组织调整及容错抗噪声能力，通过学习确定输入与输出间的复杂的内部联系，实现对样本的识别与分类，对活性的估计与预测。本文应用人工神经网络方法，对1，1-二苯基乙烯衍生物采用3个主要的影响参数G0、O和KL进行了定量构效关系(quantitativestructure-activity relationships，QSAR)研究，并与多元线性回归法(multiple linear regression，MLR)即经典的Hanseh分析方法进行比较，结果表明人工神经网络具有更好的性能，有利于辅助完成新药活性预测及分子设计。 　　 　　1　原理与算法 　　误差反向传播(backpropagafion,BP)模型是应用最广的一种神经网络。它由输入层、隐含层和输出层组成，各层次的神经元之间形成全互连接，各层次内的神经元之间没有连接见图1。每层由若干个神经元(又叫节点)组成，每个神经元包含一定信息量，相邻两层神经元之间通过连接权重相互联接，然后通过输入输出转换函数输出信息见图2。 　　 　　 　　BP神经网络学习算法的学习过程由正向传播和反向传播两个过程组成。在正向传播过程中，输入信息由输入层经隐含层传向输出层，如果在输出层不能得到期望的输出，则转入反向传播，将误差信息沿原来的连接通路返回，修改各层节点间的连接权值，如此往复调整网络参数，使之误差函数达到极小为止。当训练结束时，将学习得到的规则表达在网络的权值中，利用这组权值，根据样本的输入特性参数，迅速输出预测结果。 　　 　　2 数据与软件 　　 　　本文采用文献叫报道的19个1，1一二苯基乙烯衍生物的3种结构参数(Go、Q和KL)和活性数据见表1，其分子结构见图3所示。抗雌激素活性以／C(C为经0.1nM雌二醇诱导过的荧光素酶失去50％的活性所需浓度)表示。首先从16个化合物样本中随机选取30个化合物作为训练样本集，用人工神经网络建立QSAR模型，然后用3个化合物作为预测样本集以检验模型的预测能力。采用自编的人工神经网络程序，在PD3.40GHz，2.00G内存的PC机上进行运算。 　　 　　3　网络参数与模拟结果 　　 　　对于1，1-二苯基乙烯衍生物亲合力的实验数据进行学习时采用ANN(3-7-1)网络结构，通过跟踪学习过程发现当学习速率等于0.7、动量因子等于0.8时，ANN具有良好的学习效果和收敛速度。19个样本的学习结果见表2，其中所列前15个化合物作为训练样本集，用BP人工神经网络建立QSAR模型，最后4个化合物为预测样本集，计算得出训练样本和预测样本的相关系数R分别为09999和0.9996，标准偏差SD分别为0.0027和0.011 5，说明该模型具有较好的预测能力。经BP人工神经网络算法得出的模拟值与实验值之间的残差比较小，19个化合物的残差值均小于0.10,其绝对值的平均值为0.004 2。由于ANN具有非线性处理及容错抗噪声能力和优势，其计算值与实验值更为接近。 　　 　　4　ANN与MLR比较 　　 　　采用多元线性逐步回归(MLt)分析法，对19种1，1-二苯基乙烯衍生物在4℃时与小牛子宫雌激素受体的亲合力进行了QSAR研究，获得了回归方程