[发明专利]有机污染物定量结构活性相关模型抽多法交叉验证方法

摘要

本发明公开了一种有机污染物定量结构活性相关模型抽多法交互验证方法。本发明将均匀设计方法与留多法交互验证进行整合，以均匀设计优化的留多法交互验证(Uniform Design Optimized LMOCV，UDOLMOCV)的相关系数为变量筛选终止标准；同时在模型内部验证时，运用均匀设计优化的留多法交互验证对模型进行样本内部交叉验证，以为预测能力判断指标，提供更大的样本波动性，少量的样本抽样验证次数即可实现验证样本均匀分布样本空间，且每次抽取的样本具有很强的代表性。本发明所得验证样本具有很强的样本分布代表性，克服了Monte Carlo方法选取样本的单一方式。本发明可以不仅可以用于验证QSAR模型的稳定性和与预测能力，并且可以用于发现和确定模型中不稳定因素。

主权项

1.一种有机污染物定量结构活性相关模型抽多法交互验证方法，包括以下步骤：(1)将均匀设计方法与留多法交互验证相结合，采用均匀设计优化的抽多法交互验证对模型进行内部验证，并将均匀设计优化的抽多法交互验证的相关系数作为有机污染物定量结构活性相关模型变量筛选终止标准和预测能力判断指标，在改进变量筛选的同时，提供更大的样本波动性，完成留多法交互验证；若需建立n个有机污染物m种结构描述符x(n，m)与其环境行为或生物效应指标y(n)之间的构效关系，首先确定最优子集变量数不得大于n/5的整数值，同时变量v_i和v_j间相关系数r(v_i，v_j)不得高于阈值r_int＝0.76，而不得低于0.60；(2)根据样本数n建立n+1水平均匀设计表并基于该表进行QSAR模型的m-折留多法交互验证；具体为：A.使用好格子点法构造用于交叉验证的n+1水平的均匀设计表：根据样本数n，寻找比n+1小的整数h，且使n+1和h的最大公约数为1，符合这些条件的正整数组成一个生成向量H_n+1＝[h：h＜n+1]；均匀设计表的第j列根据公式u_ij＝ih_j[mod n+1]生成，其中[mod n+1]表示同余运算；将生成向量中所有的元素进行上面同余运算得到的结果组成一个二维表格；删除最后一行，即得到所需的设计表，并记为U_n^＊(n^s)；其中n为样本数，s为均匀设计表的列数；B.均匀设计优化的留多法交叉验证(UDOLMOCV)方法：将均匀设计表的每一列分成m等份(如果不能整除，则多余的样本归入最后一份)，这样均匀设计表的一列就构成一次m-折留多法交叉验证所需样本分组方式，均匀设计表的列数s即为留多法交叉验证的重复次数；然后按照下列公式分别计算交叉验证计算模型的交叉验证相关系数均方根误差(RMSEV^UDOLMOCV)以及和RMSEV^UDOLMOCV的标准差和STDRMSEV^UDOLMOCV；其中y_i为第i个观测值，为进行UDOLMOCV时第i个观测值的模型估计值，为观测值的平均值，n为模型的样本数，s为均匀设计表的列数，为第i个观测值的均方根误差，为第i个观测值的交叉验证相关系数；qUDOLMOCV2=1sΣj=1N(1-Σi=1n(yi-y^IUDOLMOCV)2Σi=1n(yi-y‾)2)]]>RMSEVUDDOLMOCV=1sΣj=1N1n·Σi=1n(yi-y^iUDOLMOCV)2]]>STDqUDOLMOCV2=Σi=1N(qUDOLMOCV,i2-qUDOLMOCV2)2s-1]]>STDRMSEVUDOLMOCV=Σi=1N(RMSEViUDOLMOCV-RMSEVUDOLMOCV)2s-1]]>(3)得到的UDOLMOCV的统计参数和RMSEV^UDOLMOCV用于衡量QSAR模型的预测能力，而与STDRMSEV^UDOLMOCV则分别表征参数和RMSEV^UDOLMOCV的变异程度；同时，类似留一法交叉验证的相关系数q²，用作变量筛选方法的终止标准；因均匀设计表具有均衡分散的特点，通过均匀设计表安排的分组样本具有很强的代表性，也就是说这样得到的样本分组形式，每一种分组方案都代表了一种样本分布；因此通过均匀设计表分组方式，充分考虑了样本分布的代表性，得到的结论就有很强的代表性。