[发明专利]基于支持向量机预测胞浆型磷脂酶A2α抑制剂的抑制浓度的方法

说明书

技术领域

本发明涉及一种基于支持向量机预测胞浆型磷脂酶A₂α抑制剂的抑制浓度的方法，属于化学计量学和化学信息学的交叉领域。

背景技术

胞浆型磷脂酶A₂α是胞浆型磷脂酶A₂的三个亚型（分别为α、β、γ）之一，它可以限制花生四烯酸的产生，此外胞浆型磷脂酶A₂α的激活导致了大量的油脂中介体的产生，例如白细胞三烯、前列腺素、血小板活化因子等。由于抑制胞浆磷脂酶A₂α的激活有着重要的意义，所以胞浆型磷脂酶A₂α抑制剂的开发引起了药物研究者的兴趣。抑制剂分子的抑制浓度实验数据测试困难、费用较高，限制了大量样本的获取，而抑制浓度是评价抑制剂效果的主要指标，因此在抑制剂开发初期，准确预测抑制剂分子的抑制浓度，可以减少后期抑制剂开发的风险，降低研发成本。

支持向量机是基于统计学习理论的一种新型机器学习方法，目的是根据给定的训练样本对某系统输入输出之间依赖关系的估计，使它能够对未知输出做出尽可能准确的预测。

发明内容

本发明的目的是解决现有技术中胞浆型磷脂酶A₂α抑制剂的抑制浓度实验数据测试困难的问题，提供一种基于支持向量机准确预测胞浆型磷脂酶A₂α抑制剂的抑制浓度的方法。

本发明的目的通过以下技术方案实现，

一种基于支持向量机预测胞浆型磷脂酶A₂α抑制剂的抑制浓度的方法，其特征在于，包括如下步骤：

1）样本集的建立：收集胞浆型磷脂酶A₂α抑制剂的分子结构；

2）抑制剂分子描述符集的构建：输入胞浆型磷脂酶A₂α抑制剂的分子结构，计算出与其对应的分子描述符值，该分子描述符含有若干个分量；

3）简化抑制剂分子描述符集； 

4）抑制剂分子描述符集的重新标度：将简化后的抑制剂分子描述符集映射到[-1，+1]区间，映射公式为：                                                

其中，x是抑制剂分子描述符的原始值，x_pre是重新标度后的值，x_max和x_min分别对应抑制剂分子描述符的最大值和最小值，y_max和y_min分别对应映射区间最大值和最小值，即+1和-1；

5）将经过步骤2）至4）处理后的样本集随机的划分为训练集和测试集，利用训练集数据，采用10折随机交叉验证方法，对支持向量机模型参数进行优化；

6）用步骤5）所述的训练集和优化后得到的支持向量机参数建立抑制剂分子结构与抑制浓度的关系模型；

7）将步骤5）所述的测试集数据输入步骤6）所建立的关系模型，预测抑制剂的抑制浓度。

进一步，步骤2）所述抑制剂的分子结构的构象处于最低能量状态。

进一步，步骤2）中分子描述符的计算是采用在线药物分子描述符计算软件MODEL完成。

进一步，步骤3）所述的简化过程为：

（a）删除与抑制剂分子结构相关性不大的抑制剂分子描述符；

（b）再删除描述符值为0的抑制剂分子描述符，删除对于所有抑制剂所对应的分子描述符值都相等的描述符；

（c）使用逐步回归方法对剩下的抑制剂分子描述符再进行筛选。

进一步，在步骤5）中，样本集是按4:1的比例随机划分为训练集和测试集。

进一步，步骤5）中所述的支持向量机模型参数优化过程为：

设置容量因子C固定为100；ε不敏感损失函数的ε值变化范围的最大值为1，最小值为-1，变化步长为0.01；核函数参数γ的值变化范围的最大值是1，最小值-1，变化步长为0.01；核函数K选用高斯径向基核函数；

将训练集随机的均分为10组，其中的9组用来建立抑制剂分子结构与抑制浓度的关系模型，剩余的一组用来验证该模型，依次对每一组进行一次验证，将验证后所得到10次结果的准确率的平均值作为准确的估计；

准确率最高时所对应的容量因子C、ε不敏感损失函数的ε值、核函数参数γ的值即为支持向量机模型参数的最优值。