排序方式: 共有7条查询结果,搜索用时 15 毫秒
1
1.
2.
甲状腺激素受体配体化合物的定量构效关系(QSAR)研究 总被引:1,自引:1,他引:0
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. 相似文献
3.
一种新型手性分子电性矩边矢量(Vmedc)的设计及其应用 总被引:1,自引:0,他引:1
根据分子中不同类型原子间电相互作用的不同, 文中提出了一种手性分子电矩边矢量(Vmedc), 进一步拓展分子电矩边性矢量(Vmed)使用范围. 为检测该手性描述矢量的结构表达特性和模型预测能力, 分别对32个培哚普利拉类血管紧张素转化酶(ACE)抑制剂的对映结构体和7对苯基哌啶类σ-受体抑制剂进行考察. 32个ACE抑制剂多元逐步回归系数R=0.913 (R2=0.834, SD=0.768, F=33.875), 留一法交互检验为Rcv=0.877 (Rcv2=0.769, SDcv=0.906, Fcv=22.473), 具有较强预测能力; 继而用BP神经网络, 对60组随机样本(23∶9)进行留分法分析取得较好结果, 训练集平均为: RTraining=0.931 (RTraining2=0.967), 预测集为: Rcv=0.918 (Rcv2=0.842); 而对14个σ-受体抑制剂多元回归(R=0.955, Rcv2=0.849)获得与文献一致结果. 再用Fisher线性判别方法和BP神经网络对ACE抑制剂进行判别分析, 其活性分类88.89%正确(仅9号错误), 非活性分类100.0%正确, 总分类正确率为96.87%. 两个数据集测试证明该方法与其它文献方法相当, 这为定量构效关系(QSAR)研究提供一种新选择, 扩充了Vmed描述矢量应用范围. 相似文献
4.
从表征分子的66个结构参量和拓扑指数出发,经主成分分析(PCA)得到一种包含134个氨基酸体系的特征描述子:氨基酸拓扑与结构信息矢量(VTSA).将其应用于58个血管紧张素转化酶抑制剂(ACEI)和88个弹性蛋白酶模拟底物催化动力体系(ESCK)的定量构效关系(QSAR)或定量序效模拟(QSAM)研究中,结合遗传偏最小二乘(GPLS)、支持向量机回归(SVMR)以及本文设计的免疫神经网络(INN)技术,成功建立了上述两个肽类似物样本集定量预测模型,并取得优于已有文献报道的结果:ACEI,Rca^2≥0.82,Rcu^2≥0.77,Ermse≤0.44(GPLS+SVM);ESCK,Rcu^2≥0.84,Rcu^2≥0.82,Ermse≤0.20(GPLS+INN). 相似文献
6.
梁桂兆 陈泽聪 杨善彬 梅虎 周原 舒茂 杨力 杨胜喜 郑小林 陈国华 周鹏 田菲菲 廖春阳 吴世容 李根容 李德静 何留 甘孟瑜 高剑坤 陈国平 王贵学 龙莎 景举华 曾晖 张巧霞 张梦军 杨娟 仝建波 王娇娜 刘永红 李波 仇亮加 蔡绍皙 赵娜 杨艳 苏霞利 宋健 陈美霞 陈刚 张雪姣 孙家英 李经纬 邓婕 彭传友 李志 许罗南 廖立敏 吴玉乾 朱万平 苏勤亮 卢大军 李军 黄振虎 周萍 李志良 《中国科学B辑》2007,37(6)
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. 相似文献
7.
将表征分子局部化学微环境的原子电性作用矢量(AEIV)和原子所处状态的原子杂化状态指数(AHSI)用于原小檗属类生物碱13C核磁共振(NMR)波谱模拟中,所得5参数回归模型的r, q, RMSEE和RMSCV分别为0.982 9, 0.982 1, 7.732 9和7.884 3. 采用留分法(LMO)和交叉测试(cross test, CT)相结合的方式对模型稳定性和预测能力的检验结果较为满意,LMO及CT对样本原子化学位移预测值与实验值的相关系数rpred分别为0.982 9, 0.986 5和0.982 1. 进一步采用该模型对13C NMR未知的4个小檗碱类化合物共计58个等价共振碳原子进行预测,所得结果与谱学模拟软件gNMR计算值较为接近. 相似文献
1