化合物的毒性和致突變性是制藥行業(yè)新藥數量下降的主要原因之一。目前對于此類問題研究人員采用了多種方法來評估該風險,包括體內、體外和計算機模擬等方法。研究發(fā)現(xiàn),定量結構-活性關系（QSAR）等計算方法在藥物發(fā)現(xiàn)早期階段的安全篩查中,具有出結果快、不需要藥物實驗的優(yōu)點。然而大多數已發(fā)表的人類藥物性肝損傷（DILI）和化合物致突變模型的預測性能并不令人滿意,準確度還有待提高。此外,人類DILI和細菌反向突變試驗（Ames試驗）等有限的可靠數據也是計算建模的一個巨大障礙。本文主要從化合物的毒性和致突變性兩個方面開展相關研究:1、提出一種基于集成分類器方法的藥物性肝損傷預測。新藥的開發(fā)受到多重因素的限制,即使很多藥物能夠到臨床試驗這一步,依然會因為藥物性肝損傷等因素造成藥物研發(fā)失敗。美國食品和藥物管理局的國家毒理學研究中心（NCTR）建立了關于藥物性肝損傷（DILI）的數據集,并根據該數據集建立一個良好的預測模型,為以后的藥物開發(fā)提供參考。但是該模型是依據單一分類器模型進行預測的,預測的準確率很低。本文根據NCTR公開發(fā)表的數據集進行基于多基集成分類器的方法進行建模,從12個指紋圖譜篩選出8個對于... 

【文章頁數】：68 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 研究現(xiàn)狀
    1.3 本文的主要工作
    1.4 本文組織結構安排
第二章 機器學習相關理論概述
    2.1 機器學習概述
    2.2 基分類器概述
        2.2.1 邏輯回歸(LR)
        2.2.2 支持向量機(SVM)
        2.2.3 隨機森林(RF)
        2.2.4 梯度提升(GBDT)
        2.2.5 Adaboost(AdaBT)
        2.2.6 Xgboost(XGBT)
        2.2.7 Extremely randomized trees(Extra Trees)
        2.2.8 Lightgbm(LGBT)
        2.2.9 Catboost(CatBT)
    2.3 集成學習框架
    2.4 本章小結
第三章 基于集成分類器方法的藥物性肝損傷預測研究
    3.1 簡介
    3.2 材料與方法
        3.2.1 材料準備
        3.2.2 分子指紋的計算
    3.3 構建模型
        3.3.1 基分類器
        3.3.2 Voting算法
        3.3.3 集成模型
    3.4 性能評估
    3.5 實驗結果與討論
        3.5.1 結果
        3.5.2 討論
    3.6 本章小結
第四章 基于集成分類器方法的化合物致突變預測研究
    4.1 簡介
    4.2 材料與方法
        4.2.1 材料準備
        4.2.2 分子指紋的計算
        4.2.3 特征選擇
    4.3 構建模型
        4.3.1 基分類器
        4.3.2 Stacking集成算法
        4.3.3 集成模型
    4.4 性能評估
    4.5 實驗結果與討論
        4.5.1 結果
        4.5.2 討論
    4.6 本章小結
結論
    5.1 總結
    5.2 展望
參考文獻
攻讀學位期間發(fā)表的學術論文
致謝



本文編號：3728899