有机污染物在碳纳米管吸附的定量结构-性质关系

对一系列共59个芳香性分子进行了HF/6-31G^*水平上的结构优化,并在优化结构上进行了分子静电势及其导出参数的计算,应用多元线性回归方法建立了碳纳米管吸附有机污染物的平衡常数与分子结构间的定量关系. 结果表明,分子表面静电势参数（V_min、σ₊² 和ΣV_ind⁺）结合分子表面积（S）和最低空轨道能级（ε_LUMO）可以很好地用于构建碳纳米管吸附的定量结构-性质关系（QSPR）模型. 模型中引入的参数均具有明确的物理意义,其合理性可以从污染物与碳纳米管或水分子间相互作用的角度进行解释. 模型的稳定性和预测能力经“留一法”和Monte Carlo 交叉验证法进行了确证. 本文亦采用支持向量机（SVM）、最小二乘支持向量机（LSSVM）和高斯过程（GP）等三种方法建立了上述参数与碳纳米管吸附性质的非线性模型. SVM和LSSVM模型表现出强的拟合能力,但预测能力明显不如其他模型. GP模型无论是拟合能力还是预测能力都是最佳,但并没有明显地优于线性模型,说明对本文研究体系而言,其分子结构与性质间的关系主要以线性形式存在.     

基于分子表面静电势参数对甲氧基高溴联苯醚的QSRR研究

甲氧基高溴联苯醚是一类持久性有机污染物。基于有机化合物定量结构与色谱相对保留时间的关系,对25个甲氧基高溴联苯醚化合物进行了HF/6-31G*水平上的结构优化,并在优化结构基础上进行了分子表面静电势描述符的提取。应用统计软件对甲氧基高溴联苯醚化合物的色谱相对保留时间与分子表面静电势进行了多元线性回归(MLR)。结果表明,分子体积和常规量子化学参数结合分子表面静电势参数可以很好地表达甲氧基高溴联苯醚的色谱保留时间与其分子结构间的定量关系,所建立的QSRR模型具有较强的稳健性和预测能力,同时也证明了分子表面静电势参数在甲氧基高溴联苯醚化合物QSRR研究中的适用性。     

多组件学习器实现有机分子沸点的精准预测

沸点(BP)是有机分子液体的基本物理化学量, 也是化学工业生产中的重要参数. 有机分子的沸点由分子结构决定, 呈现复杂的结构-沸点关系, 函数法(Function Method)、基团贡献法(Group Contribution Method)等传统方法无法应对复杂多样有机分子结构的预测, 应用范围狭窄, 预测精度低. 本研究中, 我们利用基于人工神经网络(ANN)和支持向量机(SVM)的多组件学习器实现有机分子沸点的精准预测. 我们构建了基于可解释性描述符的ANN、基于相关性描述符的ANN及基于复合分子指纹的SVM三个异质模型, 并通过包含4550个各种类别的有机分子沸点的数据集进行训练得到了三个异质性学习器, 最后集成三个学习器对有机分子沸点进行预测. 相比于传统方法和此前的定量结构性质关系(QSPR)模型, 多组件模型结合了三种模型的优点, 展现出很好的预测精度和泛化能力以及低的过拟合, 实现了对多种类型有机分子的沸点的有效预测.     

一些全氟(及多氟)有机化合物蒸汽压的QSPR研究

全氟(及多氟)化合物(PFCs)是环境中普遍存在的新一类持久性有机污染物。对其中有蒸汽压数据的35个全氟(及多氟)化合物进行了HF/6-31G*水平上的结构优化,并在优化结构的基础上进行分子表面静电势及其导出参数的计算。分别用"留一法"交叉验证及外部测试集对模型进行检验。结果表明,分子表面静电势参数结合分子表面积可以很好地表达全氟(及多氟)化合物与其分子结构间的定量关系,所建立的QSPR模型具有较强的稳健性和预测能力,同时也证明了分子静电势在全氟化合物QSPR研究中的适用性。     

基于启发式方法和支持向量机方法预测有机物的热导率

构建147个有机物分子结构与其热导率值之间的定量结构-性质关系(QSPR)模型, 探讨影响有机物热导率的结构因素. 以147个化合物作为样本集, 随机选择118个作为训练集, 29个作为测试集. 应用CODESSA软件计算了组成、拓扑、几何、静电和量子化学等描述符, 通过启发式方法(HM)筛选得到5个结构参数并建立线性回归模型; 用所选5个结构参数作为支持向量机(SVM)的输入, 建立非线性的支持向量机回归模型. 预测结果表明: 支持向量机回归模型的性能(复相关系数R²=0.9240)虽略低于启发式回归模型的性能(R²=0.9267), 但是支持向量机方法预测性能(R²=0.9682)高于启发式方法的预测性能(R²=0.9574), 对于QSPR模型来说, 预测性能更重要. 因此, 总体来说支持向量机方法优于启发式方法. 支持向量机方法和启发式方法的提出为工程上提供了一种根据分子结构预测有机物热导率的新方法.     

基于分子表面静电势参数研究多环芳烃化合物的定量结构-性质关系

对一系列多环芳烃分子进行了HF/6-31G^*水平上的结构优化,在优化结构上进行了分子静电势及其导出参数的计算.运用多元线性回归方法对多环芳烃的沸点、色谱保留指数、水溶性、正辛醇/水分配系数、正辛醇/空气分配系数、土壤吸附性、亨利系数以及生物富集因子等理化性质与分子的结构参数进行了关联.结果表明:分子空间和表面最负的静电势(V_min和V_s,min)、分子表面正的静电势和负的静电势的求和(∑V_s⁺和∑V_s^-)、表面静电势的平衡参数(ν)加上分子的体积可以很好地用于表达多环芳烃分子理化性质与其分子结构间的定量关系.     

结合三维静电势参数研究二取代苯的定量结构－疏水性关系

对含有常见取代基的92个二取代苯化合物进行了结构优化和静电势及其导出参数的计算,运用多元线性回归方法对化合物的疏水常数与分子的结构参数进行了关联.结果表明,分子表面负静电势的加和ΣV－S、分子空间内最负的静电势Vmin、表面最大静电势Vs,max以及分子体积V、极性表面积APS和分子的偶极密度μ/V这六个参数,可以很好地用于表达这些化合物疏水性与分子结构间的定量关系,而不用具体考虑分子中极性基团间的相互作用.用建立起来的QSPR(quantitative structure-property relationship)关系式对111个类似化合物的疏水性进行了预测,获得了满意的结果.     

基于迭代自组织数据分析算法与蚁群算法建立有机物黏度的QSPR模型

为了构建310个有机物分子结构与其黏度之间的定量结构-性质关系(QSPR)模型,探讨影响有机物液体黏度的结构因素,首先运用迭代自组织数据分析技术(ISODATA)将样本集初步分类,划分为训练集和测试集,进而应用DRAGON2.1软件计算310个有机物分子的分子结构描述符,以蚁群算法(ACO)筛选分子描述符,得到5个参数,随后分别采用多元线性回归法(MLR)和支持向量机法(SVM)建立ACO-MLR模型和ACOSVM模型.结果表明,非线性ACO-SVM模型(相关系数R2train=0.9013,R2test=0.9026)的性能优于线性ACOMLR模型(R2train=0.7680,R2test=0.8725).ACO-MLR模型和ACO-SVM模型对测试集所得预测值与实验值的相关系数分别为0.934和0.950,预测效果令人满意.本文应用Williams图对模型的应用域进行了一定的研究,所建立的模型为工程上提供了一种根据分子结构预测有机物黏度的有效方法.     

一种新多肽表征方法及支持向量机用于肽HPLC定量结构-保留建模预测

从20种天然氨基酸的1369种性质参数经主成分分析得出一种新多肽序列表征方法——SZOTT. 将其用于71个不同长度肽序列表征, 以偏最小二乘(PLS)和支持向量机(SVM)建立定量结构-保留模型(QSRM). 研究表明, SZOTT能够较好表征71个肽序列特征, 其含信息量大且易操作, 与PLS相比, SVM对lgk建模预测表现出较强的拟合能力和良好外部预测能力, SZOTT表征方法和SVM建模可进一步用于肽HPLC保留行为研究.     

多氯联苯的定量结构－性质(活性)关系

多氯联苯(PCBs)是一类重要的持久性环境污染物.首先对所有209个PCB分子进行了HF/6-31G*水平上的结构优化, 在优化结构上获得了分子的表面静电势分布, 并在此基础上对其统计导出的参数进行了计算．其后, 运用多元线性回归方法对PCBs的水溶性、正辛醇/水分配系数、正辛醇/空气分配系数、土壤吸附性、水溶液活度系数、298 K超冷流体蒸汽压、总分子表面积、色谱保留指数、升华焓、蒸发焓、熔融焓、PCB结合芳烃受体活性数据、生物降解度以及生物降解速率参数等理化性质和生物活性与分子的结构参数进行了关联．结果表明:分子静电势参数结合分子表面积和常规的量子化学参数可以很好地用于表达多氯联苯分子理化性质和生物活性与其分子结构间的定量关系．     

基于分子对接和QSAR方法预测B-Raf II型抑制剂活性

B-Raf激酶在促分裂素原活化蛋白激酶(MAPK)信号转导通路中起着重要作用,已被确定为癌症治疗非常有吸引力的靶标.新型高效B-Raf抑制剂的开发成为癌症治疗的一个热门研究领域.本文以结构多样的B-Raf II型抑制剂为研究对象,联合应用分子对接和定量构效关系(QSAR)模型研究其定量构效关系去探讨抑制活性的起源.两个主题作为研究重点:生物活性构象和描述符.首先对分子对接方法(Glide、Gold、LigandFit、Cdocker和Libdock)进行准确性评价,后将研究的对象分子对接到B-Raf活性位点并获得生物活性构象.基于准确的对接结果,计算得到16个打分评价函数和21个能量描述符,以此构建定量构效关系模型. QSAR结果表明模型具有高度精确的拟合和强的预测能力(模型M1: r² = 0.852, r_(CV)² = 0.790, r_pre² = 0.864;模型M2: r² = 0.738, r_(CV)² = 0.812, r_pre² = 0.8605).同时探讨了对抑制活性有重要影响的描述符,结果表明打分评价函数(G_Score, -ECD, Dock_Score, PMF)与能量描述符(S(hb_ext), DE(int), Emodel)对抑制活性影响非常大.通过虚拟筛选和QSAR模型理论预测,一些新的具有潜在抑制活性的化合物作为B-Raf II型抑制剂被获得.上述信息对于进一步设计新颖高效的B-Raf II型抑制剂提供了有用的指导.