Q2SAR: 一种用于药物发现的量子多核学习方法-计算机科学-药物发现-量子机器学习-支持向量机.pdfVIP

2

QSAR:一种用于药物发现的量子多核学习

方法

AlejandroGiraldoDanielRuizMarianoCarusoJavierMancilla

QNOWTechnologiesQNOWTechnologiesUGR,Granada,SpainFalcondaleLLC

Delaware,USADelaware,USAUNIR,LaRioja,SpainDelaware,USA

alejandro@qnow.techdaniel@qnow.techFIDESOL,Granada,Spainjavier@

mcaruso@

GuidoBellomo

CONICET-UBA

本ICC,Argentina

译gbellomo@icc.fcen.uba.ar

中

3摘要—定量构效关系(QSAR)建模是计算药物发现的基石。常，这些模型是使用机器学习（ML）算法构建的。开

v本研究展示了量子多重核学习(QMKL)框架的成功应用，用于提发QSAR模型的一般工作流程已被广泛记录[2][3]。

0

2升QSAR分类性能，显示出了比经典方法更显著的改进。我们将

9此方法应用于识别DYRK1A激酶抑制剂的数据集。工作流程包括类似于SAR（结构-活性关系）分析，QSAR建模需

4

1将SMILES表示转换为数值分子描述符，通过主成分分析(PCA)要一组具有明确结构和实验测定活性的分子数据集。分

6.降低维度，并使用经过多重量子和经典核优化组合训练的支持向子描述符——分子特性的数值表示——为每个化合物

0量机(SVM)。通过将QMKL-SVM对比经典梯度提升模型，我们展示计算得出。这些描述符可以包括原子计数（如杂原子的

5了量子增强方法实现了更优的AUC分数，突显了其在挑战性的化

2数量）、片段计数（如苯环的数量）、拓扑指数（描述分

:学生物信息学分类任务中提供量子优势的潜力。

vIndexTerms—QSAR,分类,药物发现,量子机器学习,多子的连接性）和三维描述符（捕捉分子的空间特征）。[4]

i

x核学习,支持向量机。

rQSAR的理论基础建立在相似分子结构表现出相似

a

生物活性的前提之上，这一原则使仅从结构信息系统预

I.介绍测药理学、毒理学和物理化学性质成为可能。本质上，

QSAR通过将化学结构系统地编码为数值描述符[5]，将

II.定量结构活性关系理论与当代相关性

分子构架与生物反应之间的复杂关系转化为可处理的

A.定量结构活性关系基础计算问题。

定量结构-活性关系(QSAR)建模是计算化学和药物结构上，QSAR模型作为统计或机器学习框架发挥

发现中的一个基石(其中之一)方法，体现了分子结构可作用，利用分子描述符作为预测变量来预测感兴趣的性

以决定生物活性的基本原理。这一范式最初由Hansch质，无论是物理化学性质（溶解度、疏水性）、生物性

和Fujita在20世纪60年代提出，已经演变成一个复杂质（酶抑制、受体结合）还是毒理学性质（诱变性、致

的计算框架，通过数学建模[1]将化学结构与药理功能癌性）。一般的QSAR工作流程包括通过SMILES字符串

联系起来。进行分子表示