计算机辅助设计极光激酶抑制剂的研究
作者单位:北京化工大学
学位级别:硕士
导师姓名:阎爱侠
授予年度:2011年
学科分类:1007[医学-药学(可授医学、理学学位)] 100701[医学-药物化学] 10[医学]
主 题:极光激酶 极光激酶抑制剂 定量构效关系(QSAR) 多元线性回归(MLR) 自组织神经网络(SOM) 支持向量机(SVM)
摘 要:众所周知,癌症是目前致死率较高的疾病,因此,迫切需要发现新的药物来治疗肿瘤以治愈或减轻癌症病人的疾病和痛苦。极光激酶家族是-类重要的丝氨酸/苏氨酸激酶,包括极光激酶A、B、C三个家族成员,其具有控制细胞有丝分裂的作用。经研究发现,在多种肿瘤病症中极光激酶均有过表达现象出现,而且极光激酶A和B已经被作为抗癌药物设计的靶标,本文主要对极光激酶的抑制剂进行了研究。 第一部分:用自组织神经网络和支持向量机的方法分别建立了极光激酶抑制剂的选择性的分类模型。这些模型可以很好的将极光激酶抑制剂的选择性划分为三个类别,即:对极光激酶A有选择性抑制,对极光激酶B有选择性抑制和没有明显选择性抑制。两类模型的预测正确率分别是:自组织神经网络方法对训练集为97.0%,对测试集为88.9%;支持向量机方法对训练集为95.5%,对测试集为100%。 第二部分:用自组织神经网络和支持向量机方法分别建立了148个极光激酶A分子抑制剂的分类模型,所建立的分类模型可以有效的区分抑制剂的高低活性。两个模型的预测正确率分别是:自组织神经网络方法对训练集为96.6%,对测试集为90.0%;支持向量机方法对训练集为93.2%,对测试集为93.3%。这两个模型均可以用来筛选现有的已知数据库来发现可能的新的具有高活性的先导化合物。 第三部分:建立了117个极光激酶A抑制剂生物活性(IC50)的四个定量关系预测模型。整个数据集用了两种不同的方法来划分训练集和测试集,一种为随机选择方法,另一种为基于自组织神经网络方法。分别建立了多元线性回归分析(MLR)及支持向量机回归分析(SVM)模型来预测IC50数值。建立的四个定量构效关系模型对测试集的预测的相关系数均大于0.92。