论文部分内容阅读
合理药物设计不仅要考虑药效学因素，也应该考虑药动学因素。以往的药物设计过分注重前者而忽略了后者。药物分子的许多理化性质及结构因素与药物在体内动态过程相关。本文利用神经网络方法，进行了药动学参数--药物清除率与药物分子结构参数的相关分析。我们选用了已知清除率（健康人群）的不同系列的100个药物，分别计算了它们理化参数：分子的体积（V），分子摩尔质量（M），摩尔折射率（MR），疏水性参数（LogP），水合能（H），分子表面积（S），生成热（HF），分子极化率（α），总能量（ET）。量化参数：前线轨道能量EHOMO和ELUMO。拓扑参数：0～6阶连接性指数，共计18种结构参数。首先，我们对样本进行了相关性分析，获得3个相互独立的结构参数：分子的体积，最低空轨道能量ELUMO和疏水性参数。随后，我们对这3个参数进行了偏最小二乘分析，选出3个主成分。我们分别以3个结构参数、3个主成分及所有18个结构参数作为神经网络的输入，进行了神经网络建模。网络参数选择如下：最大迭代次数为3,000，第一隐含层节点数为18，第二隐含层节点数为34，初始学习率为0.1，学习率增长率为1.05，学习率减少率为0.7，动量因子为0.9。利用此网络，以90个样本作为训练集，以随机选取的10个样本作为预测集，来检验网络的性能。计算结果显示，在总清除率较低（CL＜1.0ml／min／kg）的样本中，选择参数网络学习正确率为26.3%，预测正确率为50%，主成分网络学习正确率为15.8%，预测正确率为0%，全参数网络学习正确率为5.3%，预测正确率为。%。在总清除率较高（cL>l .oml/mi叭g）的样本中，选择参数网络学习正确率为80.3%，预测正确率为87.5%，主成分网络学习正确率为76.1%，预测正确率为87.5%，全参数网络学习正确率为54.9%，预测正确率为12.5%。通过对比发现，全参数网络性能最差，主成分神经网络与选择参数网络的建模结果没有显著差异，前者的学习和预测结果均比后者略差，可能是药物清除率与药物分子结构参数之间存在较为复杂的非线性关系，基于线性的最小二乘法所选择的主成分不能体现出其在模型中的作用。研究结果说明我们所建立的清除率一药物结构参数的神经网络模型的合理的，神经网络方法可以成为QSPR研究的有效工具。