机器学习方法用于建立乙酰胆碱酯酶抑制剂的分类模型

我们构建了表征乙酰胆碱酯酶抑制剂分子组成、电荷、拓扑、几何结构及物理化学性质等特征的1559个描述符,通过Fischer Score排序过滤和Monte Carlo模拟退火法相结合进行变量筛选得到37个描述符,然后分别用支持向量学习机（SVM）、人工神经网络（ANN）和k-近邻（k-NN）等机器学习方法建立了乙酰胆碱酯酶抑制剂的分类预测模型.对于训练集的515个样本,通过五重交叉验证,各机器学习方法对正样本,负样本和总样本的平均预测精度分别为87.3%-92.7%,67.0%-81.0%和79.4%-88.2%;通过y-scrambling方法验证SVM模型是否偶然相关,结果正样本,负样本和总...

Full description

Saved in:
Bibliographic Details
Published inWuli huaxue xuebao Vol. 26; no. 12; pp. 3351 - 3359
Main Author 杨国兵 李泽荣 饶含兵 李象远 陈宇综
Format Journal Article
LanguageChinese
Published 四川大学化学工程学院,成都,610065%四川大学化学学院,成都,610064%Department of Pharmacy,National University of Singapore,Singapore,117543 2010
Subjects
乙酰胆碱酯酶抑制剂
变量筛选
应用域
机器学习方法
变量筛选
应用域
机器学习方法
乙酰胆碱酯酶抑制剂
Online AccessGet full text
ISSN1000-6818

Cover

More Information
Summary:我们构建了表征乙酰胆碱酯酶抑制剂分子组成、电荷、拓扑、几何结构及物理化学性质等特征的1559个描述符,通过Fischer Score排序过滤和Monte Carlo模拟退火法相结合进行变量筛选得到37个描述符,然后分别用支持向量学习机（SVM）、人工神经网络（ANN）和k-近邻（k-NN）等机器学习方法建立了乙酰胆碱酯酶抑制剂的分类预测模型.对于训练集的515个样本,通过五重交叉验证,各机器学习方法对正样本,负样本和总样本的平均预测精度分别为87.3%-92.7%,67.0%-81.0%和79.4%-88.2%;通过y-scrambling方法验证SVM模型是否偶然相关,结果正样本,负样本和总样本的平均预测精度分别为72.7%-82.5%,41.0%-53.0%和62.1%-69.1%,明显低于实际所建模型的预测精度,表明所建模型不存在偶然相关;对172个没有参与建模的外部独立测试样本,各机器学习方法对正样本,负样本和总样本的预测精度分别为93.3%-100.0%,74.6%-89.6%和86.1%-95.9%.所建模型中,SVM模型预测精度最好,且明显高于其它文献报道结果.
Bibliography:11-1892/06
O641
Acetylcholinesterase inhibitor
Feature selection
Machine learning method
Acetylcholinesterase inhibitor; Machine learning method; Feature selection; Applicability domain
Applicability domain
ISSN:1000-6818