Structural Characterization of Volatile Components of Rosa Banksiae Ait for Estimation and Prediction of Their Linear Retention Indices and Retention Times

The molecular electronegativity-distance vector （MEDV） was used to describe the molecular structure of volatile components of Rosa banksiae Ait, and QSRR model was built up by use of multiple linear regression （MLR）. Furthermore, in virtue of variable screening by the stepwise multiple regression technique, the QSRR models of 10 and 6 variables and linear retention index （LRI） 10, 7 and 6 varieables were built up by combinating MEDV with the Ultra2 column GC retention time （tR） of 53 volatile components of Rosa Banksiae Air. The multiple correlation coefficients （R） of modeling calculation values of QSRR model were 0.906, 0.906, 0.949, 0.943 and 0.949, respectively. The cross-verification multiple correlation coefficients （RCV） were 0.903, 0.904, 0.867, 0.901 and 0.904, respectively. The results show that the models constructed could provide estimation stability and favorable predictive ability.     

甲状腺激素受体配体化合物的定量构效关系(QSAR)研究

研究了68个TR（Thyroid Hormone Receptor,甲状腺激素受体）配体化合物的化学结构与活性的定量构效关系．采用实验室新近提出的三维原子场全息相互作用矢量,对化合物进行了结构参数化表达,采用逐步回归对变量进行筛选后,建立了定量构效关系模型．复相关系数和交互检验复相关系数R^2=0．767,Q^2=0．625（TRα）,R^2=0．734,Q^2=0．61（TRβ）．模型具有良好的稳定性和预测能力,证明了该三维原子场全息相互作用矢量在分子结构表征和生物活性预测上的适用性,并可应用于潜在和新型的TR配体化合物的设计和开发．     

虚拟原子探针随机采样法用于氨基酸结构描述及其构效关系研究

考虑药物与蛋白质受体的3类非键作用模式, 利用8类虚拟原子探针和Monte Carlo随机采样技术, 得到了一套新的氨基酸侧链表面静电、立体及疏水势能场(ASSPF)参数. 在此基础上对苦味二肽和血管舒缓激五肽进行了结构表征和QSAR研究, 所建模型复相关系数R2和留一法交互检验复相关系数QLOOCV2分别为0.8457, 0.851和0.7688, 0.7952, 同时分析了肽链不同位置上氨基酸侧链对活性的影响, 取得较好的结果.     

三维全息原子场作用矢量(3D-HoVAIF)用于神经氨酸酶抑制剂的结构表征与设计及定量构效关系(QSAR)研究

对100个神经氨酸酶抑制剂抗禽流感药物结构并与其活性建立定量构效关系模型。采用本实验室提出的三维全息原子场作用矢量(3D-HoVAIF)对100个神经氨酸酶抑制剂进行结构表征,然后采用逐步回归对变量进行筛选后,运用偏最小二乘建立3D-HoVAIF描述子与神经氨酸酶抑制剂活性之间的QSAR模型。结果表明:复相关系数(R),交互校验的复相关系数(Q2)和模型的标准偏差(SD)分别为R2=0.805、Q2=0.657和SD=0.936,模型具有良好的稳定性和预测能力,并对文献中23个药物和设计的32个化合物进行了预测。表明三维全息原子场作用矢量能较好表征该类分子结构信息值得进一步推广应用。     

支持向量机和线性判别分析用于禽流感病毒编码蛋白识别

以支持向量机(SVM)和线性判别分析(LDA)对200条禽流感病毒、100条B型流感和100条C型流感病毒蛋白共400条为训练集样本,从表征序列的200个整体与局部变量中以逐步(stepwise)方法选取24个变量作为LDA模型的输入建立线性识别模型,病毒蛋白总识别率达99.8%,留一法交互检验总识别率为99.4%.从原始200变量中经主成分分析得16个主成分作为SVM的输入,以径向基核函数(RBF)SVM建立非线性识别模型,病毒蛋白总识别率为99.8%,留一法交互检验总识别率为99.2%.以100条禽流感、50条B型流感和50条C型流感病毒编码蛋白质共200条为测试集样本,得LDA模型,对其总识别正确率为95.4%,SVM模型对其总识别正确率为96.5%.识别结果表明,两个模型都可较好识别禽流感病毒蛋白,并且SVM对禽流感病毒蛋白的识别结果优于LDA.     

抗过敏药物盐酸松齐拉敏的合成

以2-氨基嘧啶、对甲氧基氯苄和N,N-二甲基-2-氯乙胺为原料,经两步N-烃基化反应合成了抗过敏药物盐酸松齐拉敏,总收率75.1%,其结构经¹H NMR, ¹³C NMR和HR-MS(ESI)确证。     

将潜因多元建模技术与遗传虚拟筛选模式相结合：改善定量构效关系

提出了改进的定量构效关系（^mmQSAR）研究方法,即认为在知晓配基与受体相互作用模式前提下建立一种较可靠的定量构效关系模型,从而克服了传统做法中仅根据样本集分子自身信息来构建预测模型的某些弊端．将此思路应用于功能肽／蛋白质亲和活性考察,采用遗传算法（GA）筛选虚拟受体结合靶点及相互作用模式,结合偏最小二乘（PLS）潜因多元建模技术,通过交互检验均方根误差（RMScv）作适应度评价函数筛选变化位点和受体残基,完成种群进化以最优个体为最终确定模型,得到一种新颖QSAR方法（^mmQSAR）：基于功能肽／蛋白质作用模式的遗传虚拟筛选（暂称GVSPPC）．该法成功解决了诸多QSAR研究难题,即大多数情况下受体结构未知而难以了解的配基与之结合方式．分别使用生物功能寡肽和多肽体系对GVSPPC加以检验,其结果表明,GVSPPC得到了优于传统方法QSAR结果（Rcu^2〉0．75～0．91,Qcv^2〉0．71～0．86,ERMs为0．19～0．95）且深入阐明配基与受体间作用机理,物理意义较为明确;同时计算选中模式作用能并与样本活性建立PLS模型,以其交互检验均方根误差（ERMSCV）作评价函数完成种群进化．通过大规模迭代直到规定的终止条件或到达最大繁殖代数,以该过程最优个体作为最终确定QSAR模型．     

N-[2-(4-吗啉基)乙基]苯甲酰胺类单胺氧化酶抑制剂的合成及其生物活性研究

以取代苯甲酸为原料,经缩合反应制得N-(2-溴乙基)苯甲酰胺类化合物(4a~4i);4a~4i经N-烷基化反应合成N-[2-(4-吗啉基)乙基]苯甲酰胺类化合物(1a~1i),其结构经~1H NMR,~(13)C NMR,MS和元素分析表征。并对其生物活性进行了初步实验。实验结果表明:1a~1i对单胺氧化酶(MAO-A)有良好的抑制作用,其中1a最好,当IC50=3.652μmol·L~(-1)时,SI=42.32。     

氨基酸0D-3D信息得分矢量用于人免疫缺陷病毒蛋白酶裂解位点预测及特异性分析

收集天然氨基酸的1369种0D-3D结构信息参数,经主成分分析得一组新氨基酸描述子——氨基酸0D-3D信息得分矢量,将其用于人免疫缺陷病毒蛋白酶（HIV PR）裂解位点预测,以线性判别分析与支持向量机建模预测HIV PR裂解位点．线性判别分析与支持向量机模型对646个训练集样本的自检验识别、留一法交互验证及对100个测试集样本外部验证的马休斯相关系数分别为0．879和0．911,0．849和0．901,0．822和0．846．经受试者操作特征曲线分析表明,支持向量机对HIVPR裂解位点的预测结果优于线性判别分析．研究显示,氨基酸0D-3D信息得分矢量可进一步用于HIVPR裂解位点预测．     

氨基酸描述子VHSEH用于多肽定量序效建模研究

从20 种天然氨基酸的171个物化性质出发, 按照疏水、立体和电性特征及氢键贡献将其分类后, 分别进行主成分分析, 得到一个新描述子VHSEH(Principal component score vector of hydrophobic, steric, electronic properties and, hydrogen bonds contributions). 对后叶催产素的结构进行了表征, 并以偏最小二乘法及D-优化划分样本建立了PLS定量序效关系模型, 得到复相关系数R2分别为 0.958 和 0.957, Q2分别为0.903和0.845, 约高于VHSE描述子模型值; 对抗菌肽进行了结构表征, 建立了PLS和OSC-PLS模型, 其R2分别为0.84和 0.995, Q2分别为0.546和0.926, 较SZOTT描述子结果好; 对58 个血管紧张素转化酶抑制剂进行QSAM研究, 得到R2, Q2及RMS分别为0.877, 0.838和0.361. 研究结果表明, VHSEH 描述子信息量大, 物化意义明确, 结果更易解释.