基于支撑向量机方法的有机化合物的生成Gibbs自由能的预测

基于支撑向量机方法的有机化合物的生成Gibbs自由能的预测;支撑向量机;多元线形回归;吉布斯自由能     

基于启发式算法和支持向量机算法预测醛类化合物急性毒性

应用启发式算法(HM)和支持向量机算法(SVM)建立了88种醛类化合物对大鼠急性毒性的定量构效关系模型。应用ChemOffice2004软件进行化合物的结构输入,利用半经验方法进行分子结构优化,在CODDESA软件中计算出组成、拓扑、几何、电子和量子化学参数。并用启发式方法筛选出相对阳性电荷、氧原子数量、碳原子的最小亲核反应指数、双键相对数量、碳原子数量、碳氢键之间的最大交换能量、最大σ-σ键序和双键数量8个参数,在此基础上应该多元线性回归和支持向量机方法建立QSPR模型。两种方法均得到了较好的结果,HM和SVM的交互检验的相关系数分别为0.90和0.93;通过对模型的稳定性和预测能力比较,SVM建立的QSAR模型能够更好地预测醛类化合物对大鼠急性毒性LD50。     

基于启发式方法和支持向量机方法预测药物与人血浆蛋白结合率

应用启发式方法和支持向量机方法建立了70种药物与血浆蛋白结合率的定量构效关系模型, 研究了分子结构对药物与血浆蛋白结合率的影响. 两种方法均得到了较好的结果, 交互检验的相关系数平方分别为0.80和0.82; 通过对模型的稳定性和预测能力比较, 支持向量机建立的QSAR模型能够更好地预测药物与血浆蛋白结合率.     

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.