人类A3腺苷受体拮抗剂1,2,4-三唑并[1,5-α]喹喔啉衍生物的QSAR研究

采用遗传算法构建了27种人类腺苷受体拮抗剂1,2,4-三唑并[1,5-α]喹喔啉衍生物与受体之间的亲和性的QSAR模型. 为得到理想模型, 计算了拓扑学、热力学、空间、电子拓扑状态和量子化学描述符. 结合这些参数得到最终模型: pK_i＝13.407－0.027*F_C－8^E－0.033*F_C－8^N＋0.845*Atype_C_28－19.493*Shadow_XYfrac.计算得到的统计学指标为: LOF＝0.291, r²＝0.766, r_adj²＝0.723, F-test＝17.974, PRESS＝3.469, CV-r²＝0.791. 通过对模型进行分析, 得到如下结论: 降低C-8位亲电、亲核原子的前线电子密度的权重和分子在XY平面的投影分数, 增加疏水性原子类型描述符Atpye_C_28的值, 都对增加化合物分子与受体的亲和性有利. 利用此模型合理的设计了两个新的化合物, 并预测具有较高的结合活性. 该研究为喹喔啉衍生物作为人类A₃腺苷受体拮抗剂的结构改造提供理论指导, 并为进一步研究受体与配体亲和性机理奠定理论基础.     

基于MOLMAP 指数的光化学反应分类预测

由反应物和产物的结构衍生了反应物、产物和化学反应的MOLMAP 指数, 其中化合物的结构由化学键的物理化学性质和拓扑性质所表征. 将前述MOLMAP 指数应用于一个含七类光化学反应的数据集, 通过随机森林建立了三种类型的模型: (1)预测反应物可能发生的反应类型; (2)预测可能合成产物的反应类型; (3)预测整个化学反应的类型. 由于无需指定数据集中参与反应的化学键, 所以, MOLMAP 指数能够得到广泛的应用. 所得分类预测结果好于我们此前对同一数据集的研究, 表明改进化学键的描述有助于提高MOLMAP 指数的预测能力.     

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.     

MOLMAP指数及其在变异性预测中的应用

分子映射(MOLMAP)指数是以分子的化学键描述符为基础,通过Kohonen自组织映射依据一定的算法而衍生.化学键描述符是由化学键的物理化学性质,如两端原子的电荷差和拓扑性质,键连杂原子数量等所组成.本文将分子映射指数应用于4075个有机物质(Ames实验结果:2305个结构有诱变性,1770个结构无诱变性)的变异性预测.通过随机森林,分别采用三种类型的指数建立模型:(1)采用不同维数的分子映射指数;(2)采用全局分子描述符;(3)将分子映射指数与全局分子描述符相结合.整个数据集的集外(out-of-bag)交叉验证的正确预测率达到85.4%.为了检验模型的稳定性,采用所建模型预测源于另一数据库的472个化合物,正确预测率为86.7%,与此前的研究相比,两个预测结果均有所提高.