CN112151111A - 基于多元线性回归快速预测黄嘌呤衍生物抑制活性的qsar方法 - Google Patents
基于多元线性回归快速预测黄嘌呤衍生物抑制活性的qsar方法 Download PDFInfo
- Publication number
- CN112151111A CN112151111A CN202010881483.6A CN202010881483A CN112151111A CN 112151111 A CN112151111 A CN 112151111A CN 202010881483 A CN202010881483 A CN 202010881483A CN 112151111 A CN112151111 A CN 112151111A
- Authority
- CN
- China
- Prior art keywords
- xanthine derivative
- inhibitory activity
- linear regression
- multiple linear
- xanthine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)
Abstract
本发明涉及一种基于多元线性回归快速预测黄嘌呤衍生物抑制活性的QSAR方法，建立数据集样本；生成描述符；随机划分训练集和测试集；利用最大相关最小冗余方法结合多元线性回归留一法验证筛选变量，选出建模的最优变量子集；对筛选出的最优自变量进行转换，获得新的自变量；用多元线性回归建立黄嘌呤衍生物抑制活性的快速预报模型；根据建立的黄嘌呤衍生物的快速预报模型和待检测的黄嘌呤衍生物，快速预报待检测物的抑制活性。本发明基于可靠的文献真实值和建模方法，所建的黄嘌呤衍生物抑制活性的预报模型具有方便快捷，无化学污染等优点。
Description
技术领域
本发明涉及黄嘌呤衍生物抑制活性的预测，特别是一种基于多元线性回归快速预测黄嘌呤衍生物抑制活性的定量构效关系(quantitative structure activityrelationship，简称QSAR)方法。
技术背景
黄嘌呤衍生物属于二肽基肽酶IV(dipeptidyl peptidase IV,简称DPP-IV)抑制剂的其中一种，有降低糖尿病患者血糖水平的作用。DPP-IV是一种丝氨酸蛋白酶，能够从多肽的N-末端分裂出X-脯氨酸二肽(X为任意氨基酸)。当人们在进餐后，体内血糖升高，葡萄糖依赖性的胰高血糖素样肽1(GLP-1)能刺激胰岛β细胞分泌胰岛素，但其大部分被DPP-IV降解失活。黄嘌呤衍生物作为DPP-IV抑制剂中的一种，能够抑制DPP-IV的活性。因具有降糖作用，黄嘌呤衍生物受到人们的关注。
半抑制活性浓度(IC50)是指被测量的拮抗剂的半抑制浓度，即某一种药物或者物质(抑制剂)在抑制某些生物程序(或者是包括在此程序中的某些物质，如酶，细胞受体或微生物)的半量。IC50值越低，意味着此抑制剂的抑制活性效果越好。
定量构效关系(quantitative structure activity relationship，简称QSAR)作为一种统计模型，是用来分析分子结构与分子的某种活性之间的关系，包含与机器学习方法的结合，已经广泛用于药物发现和先导物优化中。
最大相关最小冗余(mRMR)是一种常见的用于自变量筛选的方法。该方法是基于所选择的特征之间的冗余度应最小，与目标变量之间的相关性最大的理论来筛选自变量。
多元线性回归(multiple linear regression，简称MLR)是多元数据分析的传统标准方法。该算法通过建立因变量和多个自变量之间的回归模型，从而得到线性方程，最终可以用来预测新的数据。如何应用多元线性回归建模，实现快速预报待检测物的抑制活性，成为亟待解决的技术问题。
发明内容
本发明的目的是为了克服现有技术存在的缺陷，提供一种基于多元线性回归快速预测黄嘌呤衍生物的抑制活性QSAR方法，通过计算黄嘌呤衍生物二维结构的描述符，利用最大相关最小冗余筛选变量，并借助多元线性回归算法建模，预测黄嘌呤衍生物的pIC50值，IC50值的负对数。通过这些方法能几分钟就可得到结果，方便快捷，无需实验和繁杂的计算。
本发明的目的可通过如下的技术方案实现：
一种基于多元线性回归快速预测黄嘌呤衍生物抑制活性的QSAR方法，包括如下步骤：
1)利用计算机系统，从文献中查找能够抑制DPP-IV活性的黄嘌呤衍生物结构及其对应的IC50值，作为数据集样本；
2)用Chemdraw画出收集到的黄嘌呤结构，再用Dragon软件生成描述符；
3)以IC50值的负对数(pIC50)为目标变量，Dragon生成的描述符为自变量，以互信息阈值为0.45初步筛选数据集；对初步筛选的数据集，随机划分训练集和测试集，测试集的比例占整个数据集的20％；
4)利用最大相关最小冗余方法结合多元线性回归留一法验证筛选变量，选出建模的最优变量子集；
5)对筛选出的最优自变量进行转换，获得新的自变量；
6)用多元线性回归建立黄嘌呤衍生物抑制活性的快速预报模型；
7)根据建立的黄嘌呤衍生物的快速预报模型和待检测的黄嘌呤衍生物，快速预报待检测物的抑制活性。
优选地，所述步骤5)中获得的新的自变量为：
P(1)＝+0.5318X1+0.1015X2+0.01403X3+3.751X4+0.08761X5+0.08958X6]+0.5885X7+0.1830X8+0.004620X9+0.9556X10-51.580
P(2)＝-0.7803X1-0.2487X2-0.005499X3+4.865X4+0.01781X5+0.06662X6+0.2001X7+0.09473X8-0.006231X9+0.7070X10-16.425
P(3)＝-1.326X1+0.2069X2-0.01321X3+5.587X4-0.006104X5+0.05154X6+0.3427X7-0.002190X8-0.008101X9+0.6040X10-8.878
P(4)＝-1.085X1+0.04423X2+0.0003891X3+5.462X4-0.1017X5-0.02304X6+0.1587X7-0.2447X8+0.005499X9+1.322X10-10.836
P(5)＝-0.1980X1-0.01055X2-0.02453X3+8.016X4-0.09841X5-0.004190X6+0.9428X7-0.3690X8+0.006330X9+0.1503X10-24.193
P(6)＝-0.5804X1-0.006145X2+0.0003567X3+8.097X4-0.1426X5+0.04710X6+0.5413X7-0.1006X8+0.007435X9-1.881X10-7.663
P(7)＝-0.9359X1-0.05420X2+0.01620X3+2.366X4-0.0156X5-0.04107X6+1.580X7-0.1670X8+0.003524X9-1.594X10+15.090
P(8)＝+0.4573X1+0.002638X2+0.02015X3+2.915X4-0.1471X5-0.09858X6+0.7866X7-0.01202X8-0.006955X9-0.1316X10-12.377
P(9)＝-0.09285X1-0.005898X2-0.006817X3-3.525X4-0.1834X5+0.01118X6+0.9294X7+0.2454X8+0.0009003X9+0.4599X10+10.845。
本发明与现有技术比，具有以下显而易见的突出实质性特点和显著的技术进步：
1.本发明避免了重复试验，不断试错的过程，利用Dragon软件对画好的黄嘌呤衍生物结构生成描述符，经过变量筛选与多元线性回归建模，可提前预判黄嘌呤衍生物的抑制活性，也能给药物研发人员提供参考，缩短研发时间，降低研发成本；
2.本发明是在Dragon软件生成自变量并进行一定的筛选的基础上再对变量进行转换，再以多元线性回归建模，操作过程简单，成本低，仅需一人便可完成；
3.本发明整个过程不涉及实验及化学品，不产生环境污染，符合绿色环保理念。
附图说明
图1为本发明的程序框图。
图2为本发明的黄嘌呤衍生物抑制活性的多元线性回归模型建模效果图。
图3为本发明的黄嘌呤衍生物抑制活性的多元线性回归模型留一法交叉验证结果图。
图4为本发明的黄嘌呤衍生物抑制活性的多元线性回归模型独立测试集结果图。
具体实施方式
以下优选实施例结合附图对本发明进行详细的说明：
实施例一：
参见图1和图2，一种基于多元线性回归快速预测黄嘌呤衍生物抑制活性的QSAR方法，包括如下步骤：
1)利用计算机系统，从文献中查找能够抑制DPP-IV活性的黄嘌呤衍生物结构及其对应的IC50值，作为数据集样本；
2)用Chemdraw画出收集到的黄嘌呤结构，再用Dragon软件生成描述符；
3)以IC50值的负对数为目标变量，Dragon生成的描述符为自变量，以互信息阈值为0.45初步筛选数据集；对初步筛选的数据集，随机划分训练集和测试集，测试集的比例占整个数据集的20％；
4)利用最大相关最小冗余方法结合多元线性回归留一法，验证筛选变量，选出建模的最优变量子集；
5)对筛选出的最优自变量进行转换，获得新的自变量；
6)用多元线性回归方法，建立黄嘌呤衍生物抑制活性的快速预报模型；
7)根据建立的黄嘌呤衍生物的快速预报模型和待检测的黄嘌呤衍生物，快速预报待检测物的抑制活性。
本实施例通过计算黄嘌呤衍生物二维结构的描述符，利用最大相关最小冗余筛选变量，并借助多元线性回归算法建模，预测黄嘌呤衍生物的pIC50值，IC50值的负对数。通过这些方法能几分钟就可得到结果，方便快捷，无需实验和繁杂的计算。
实施例二：
本实施例与实施例一基本相同，特别之处如下：
所述步骤5)中获得的新的自变量为：
P(1)＝+0.5318X1+0.1015X2+0.01403X3+3.751X4+0.08761X5+0.08958X6]+0.5885X7+0.1830X8+0.004620X9+0.9556X10-51.580
P(2)＝-0.7803X1-0.2487X2-0.005499X3+4.865X4+0.01781X5+0.06662X6+0.2001X7+0.09473X8-0.006231X9+0.7070X10-16.425
P(3)＝-1.326X1+0.2069X2-0.01321X3+5.587X4-0.006104X5+0.05154X6+0.3427X7-0.002190X8-0.008101X9+0.6040X10-8.878
P(4)＝-1.085X1+0.04423X2+0.0003891X3+5.462X4-0.1017X5-0.02304X6+0.1587X7-0.2447X8+0.005499X9+1.322X10-10.836
P(5)＝-0.1980X1-0.01055X2-0.02453X3+8.016X4-0.09841X5-0.004190X6+0.9428X7-0.3690X8+0.006330X9+0.1503X10-24.193
P(6)＝-0.5804X1-0.006145X2+0.0003567X3+8.097X4-0.1426X5+0.04710X6+0.5413X7-0.1006X8+0.007435X9-1.881X10-7.663
P(7)＝-0.9359X1-0.05420X2+0.01620X3+2.366X4-0.0156X5-0.04107X6+1.580X7-0.1670X8+0.003524X9-1.594X10+15.090
P(8)＝+0.4573X1+0.002638X2+0.02015X3+2.915X4-0.1471X5-0.09858X6+0.7866X7-0.01202X8-0.006955X9-0.1316X10-12.377
P(9)＝-0.09285X1-0.005898X2-0.006817X3-3.525X4-0.1834X5+0.01118X6+0.9294X7+0.2454X8+0.0009003X9+0.4599X10+10.845。
本实施例对筛选出的最优自变量进行转换，获得新的自变量，提供丰富的变量条件和变量资源。
实施例三：
本实施例与上述实施例基本相同，特别之处如下：
一种基于多元线性回归快速预测黄嘌呤衍生物抑制活性的QSAR方法，包括如下步骤：
(1)利用计算机系统，在文献中查找对DPP-IV有抑制活性的黄嘌呤衍生物结构以及对应的IC50值，共找到符合要求的黄嘌呤衍生物51个，部分结构及IC50值如表1所示：
表1.部分文献中黄嘌呤衍生物结构及其IC50值
(2)用Dragon软件对Chemdraw画出的黄嘌呤二维结构生成描述符共1922个，部分描述符如表2所示：
表2.Dragon生成的部分黄嘌呤衍生物描述符
(3)以IC50值的负对数为目标变量，Dragon生成的描述符为自变量，以互信息阈值为0.45初步筛选数据集，获得28个描述符；随机划分训练集与测试集，比例为4:1，训练集与测试集的样本量分别为41和10；
(4)以最大相关最小相关冗余结合多元线性回归筛选描述符，选出了10个最优描述符，分别为X1:SM3_Dz(p)；X2:F08[C-O]；X3:UNIP；X4:HyWi_B(v)；X5:Ho_D；X6:SpPos_B(v)；X7:SpPosLog_D/Dt；X8:Ho_B(p)；X9:SpDiam_Dz(p)；X10：HyWi_Dz(e)，部分样本的10个最优描述符的数据如表3所示：
表3. 10个最优描述符的部分数据
| X1 | X2 | X3 | X4 | X5 | X6 | X7 | X8 | X9 | X10 |
| 16.4087 | 6 | 139 | 4.3901 | 41.8870 | 44.8475 | 4.7544 | 21.7634 | 353.9451 | 9.2431 |
| 15.8961 | 6 | 115 | 4.2586 | 37.7979 | 39.3125 | 4.1958 | 19.1507 | 295.4847 | 8.8866 |
| 16.0969 | 6 | 122 | 4.2824 | 39.0830 | 40.4018 | 4.3923 | 19.6239 | 316.0434 | 8.9829 |
| 15.0632 | 6 | 82 | 4.1205 | 32.3109 | 34.1970 | 3.3797 | 16.6601 | 206.8854 | 8.2355 |
| 16.2044 | 8 | 127 | 4.3182 | 40.3495 | 42.0449 | 4.5962 | 20.4301 | 328.7472 | 9.0965 |
| 16.0510 | 7 | 121 | 4.2889 | 39.0893 | 40.6934 | 4.3958 | 19.7638 | 312.4974 | 8.9970 |
| 16.1884 | 7 | 126 | 4.3182 | 40.3996 | 41.9668 | 4.5952 | 20.3803 | 323.4780 | 9.0894 |
| 16.7932 | 11 | 145 | 4.4135 | 44.6039 | 46.0802 | 5.1917 | 22.4280 | 359.7743 | 9.3699 |
| 16.3220 | 8 | 138 | 4.3670 | 40.5805 | 43.7079 | 4.5706 | 21.3295 | 347.0941 | 9.1879 |
(5)基于筛选出来的描述符，根据以下公式进行转换，生成新的描述符，参见表4，公式如下：
P(1)＝+0.5318X1+0.1015X2+0.01403X3+3.751X4+0.08761X5+0.08958X6]+0.5885X7+0.1830X8+0.004620X9+0.9556X10-51.580
P(2)＝-0.7803X1-0.2487X2-0.005499X3+4.865X4+0.01781X5+0.06662X6+0.2001X7+0.09473X8-0.006231X9+0.7070X10-16.425
P(3)＝-1.326X1+0.2069X2-0.01321X3+5.587X4-0.006104X5+0.05154X6+0.3427X7-0.002190X8-0.008101X9+0.6040X10-8.878
P(4)＝-1.085X1+0.04423X2+0.0003891X3+5.462X4-0.1017X5-0.02304X6+0.1587X7-0.2447X8+0.005499X9+1.322X10-10.836
P(5)＝-0.1980X1-0.01055X2-0.02453X3+8.016X4-0.09841X5-0.004190X6+0.9428X7-0.3690X8+0.006330X9+0.1503X10-24.193
P(6)＝-0.5804X1-0.006145X2+0.0003567X3+8.097X4-0.1426X5+0.04710X6+0.5413X7-0.1006X8+0.007435X9-1.881X10-7.663
P(7)＝-0.9359X1-0.05420X2+0.01620X3+2.366X4-0.0156X5-0.04107X6+1.580X7-0.1670X8+0.003524X9-1.594X10+15.090
P(8)＝+0.4573X1+0.002638X2+0.02015X3+2.915X4-0.1471X5-0.09858X6+0.7866X7-0.01202X8-0.006955X9-0.1316X10-12.377
P(9)＝-0.09285X1-0.005898X2-0.006817X3-3.525X4-0.1834X5+0.01118X6+0.9294X7+0.2454X8+0.0009003X9+0.4599X10+10.845
表4.转换生成的部分新的描述符
| P(1) | P(2) | P(3) | P(4) | P(5) | P(6) | P(7) | P(8) | P(9) |
| 1.1064 | 0.9479 | -0.3479 | -0.0303 | 0.0468 | 0.1412 | -0.0572 | -0.0444 | 0.0107 |
| -2.2677 | 0.1517 | -0.2735 | 0.0993 | 0.1224 | -0.1157 | -0.0702 | 0.0471 | -0.0033 |
| -1.3741 | 0.1918 | -0.4931 | 0.0142 | 0.1259 | -0.1385 | -0.0028 | 0.0461 | -0.0155 |
| -6.5981 | -0.4351 | 0.3150 | 0.0428 | 0.0419 | 0.1538 | -0.0042 | 0.0003 | -0.0135 |
| -0.2166 | 0.0075 | 0.0228 | 0.0720 | 0.1084 | -0.1150 | -0.0822 | 0.0047 | 0.0397 |
| -1.2354 | 0.0813 | -0.1230 | 0.1011 | 0.1301 | -0.1186 | -0.0799 | 0.0206 | 0.0100 |
| -0.3841 | 0.2927 | -0.1160 | 0.0149 | 0.1250 | -0.1321 | -0.0274 | 0.0123 | 0.0226 |
| 2.8659 | -0.1804 | 0.4527 | -0.2944 | -0.0914 | -0.2760 | -0.2302 | 0.0912 | -0.0292 |
| 0.6740 | 0.23771 | -0.0260 | 0.1507 | -0.0498 | 0.1209 | -0.2425 | 0.0537 | 0.0135 |
| 0.5839 | 0.4707 | -0.2593 | 0.0426 | -0.0380 | 0.3840 | -0.0352 | 0.0611 | -0.0226 |
(6)在生成新的描述符的基础上，用多元线性回归建立黄嘌呤衍生物抑制活性的快速预报模型；
(7)根据建立的黄嘌呤衍生物抑制活性的快速预报模型和待检测的黄嘌呤衍生物，快速预报待检测的黄嘌呤衍生物的抑制活性；
在本实施例中，基于41个多元线性回归建立的黄嘌呤衍生物的QSAR预报模型的建模效果，如图2所示。利用多元线性回归算法对41个黄嘌呤衍生物样本数据进行回归建模，建立黄嘌呤衍生物抑制活性的多元线性回归定量预报模型，模型预报值与文献真实值的相关系数为0.886，均方根误差为0.5263，p值小于0.0001。
在本实施例中，基于41个多元线性回归建立的黄嘌呤衍生物的QSAR预报模型的留一法交叉验证的结果，如图3所示。利用留一法交叉验证对41个样本数据建立的黄嘌呤衍生物的多元线性回归模型进行交叉验证，留一法中黄嘌呤衍生物的模型预报值与文献真实值的相关系数为0.7741，均方根误差为0.7704。
在本实施例中，基于41个多元线性回归建立的黄嘌呤衍生物的QSAR预报模型的独立测试集预报结果，如图4所示。通过建立的黄嘌呤衍生物的多元线性回归预报模型对独立测试集中的10个样本进行预报，预报结果较好，黄嘌呤衍生物抑制活性预报值与文献真实值的平均相对误差为30.73％。
综上所述，上述实施例基于多元线性回归快速预测黄嘌呤衍生物抑制活性的QSAR方法，包括以下步骤：(1)利用计算机系统，从文献中查找能够抑制DPP-IV活性的黄嘌呤衍生物结构及其对应的IC50值，作为数据集样本。(2)用Chemdraw画出收集到的黄嘌呤结构，再用Dragon软件生成描述符。(3)以IC50值的负对数为目标变量，Dragon生成的描述符为自变量，以互信息阈值为0.45初步筛选数据集。对初步筛选的数据集，随机划分训练集和测试集，测试集的比例占整个数据集的20％。(4)利用最大相关最小冗余方法结合多元线性回归留一法验证筛选变量，选出建模的最优变量子集。(5)对筛选出的最优自变量进行转换，获得新的自变量。(6)用多元线性回归建立黄嘌呤衍生物抑制活性的快速预报模型。(7)根据建立的黄嘌呤衍生物的快速预报模型和待检测的黄嘌呤衍生物，快速预报待检测物的抑制活性。上述实施例基于可靠的文献真实值和建模方法，所建的黄嘌呤衍生物抑制活性的预报模型具有方便快捷，无化学污染等优点。
上述实施例方法避免了重复试验，不断试错的过程，利用Dragon软件对画好的黄嘌呤衍生物结构生成描述符，经过变量筛选与多元线性回归建模，可提前预判黄嘌呤衍生物的抑制活性，也能给药物研发人员提供参考，缩短研发时间，降低研发成本；上述实施例方法是在Dragon软件生成自变量并进行一定的筛选的基础上再对变量进行转换，再以多元线性回归建模，操作过程简单，成本低，仅需一人便可完成。
上面对本发明实施例结合附图进行了说明，但本发明不限于上述实施例，还可以根据本发明的发明创造的目的做出多种变化，凡依据本发明技术方案的精神实质和原理下做的改变、修饰、替代、组合或简化，均应为等效的置换方式，只要符合本发明的发明目的，只要不背离本发明的技术原理和发明构思，都属于本发明的保护范围。
Claims (2)
1.一种基于多元线性回归快速预测黄嘌呤衍生物抑制活性的QSAR方法，其特征在于，包括如下步骤：
1)利用计算机系统，从文献中查找能够抑制DPP-IV活性的黄嘌呤衍生物结构及其对应的IC50值，作为数据集样本；
2)用Chemdraw画出收集到的黄嘌呤结构，再用Dragon软件生成描述符；
3)以IC50值的负对数为目标变量，Dragon生成的描述符为自变量，以互信息阈值为0.45初步筛选数据集；对初步筛选的数据集，随机划分训练集和测试集，测试集的比例占整个数据集的20％；
4)利用最大相关最小冗余方法结合多元线性回归留一法，验证筛选变量，选出建模的最优变量子集；
5)对筛选出的最优自变量进行转换，获得新的自变量；
6)用多元线性回归方法，建立黄嘌呤衍生物抑制活性的快速预报模型；
7)根据建立的黄嘌呤衍生物的快速预报模型和待检测的黄嘌呤衍生物，快速预报待检测物的抑制活性。
2.根据权利要求1所述基于多元线性回归快速预测黄嘌呤衍生物抑制活性的QSAR方法，其特征在于：所述步骤5)中获得的新的自变量为：
P(1)＝+0.5318X1+0.1015X2+0.01403X3+3.751X4+0.08761X5+0.08958X6]+0.5885X7+0.1830X8+0.004620X9+0.9556X10-51.580
P(2)＝-0.7803X1-0.2487X2-0.005499X3+4.865X4+0.01781X5+0.06662X6+0.2001X7+0.09473X8-0.006231X9+0.7070X10-16.425
P(3)＝-1.326X1+0.2069X2-0.01321X3+5.587X4-0.006104X5+0.05154X6+0.3427X7-0.002190X8-0.008101X9+0.6040X10-8.878
P(4)＝-1.085X1+0.04423X2+0.0003891X3+5.462X4-0.1017X5-0.02304X6+0.1587X7-0.2447X8+0.005499X9+1.322X10-10.836
P(5)＝-0.1980X1-0.01055X2-0.02453X3+8.016X4-0.09841X5-0.004190X6+0.9428X7-0.3690X8+0.006330X9+0.1503X10-24.193
P(6)＝-0.5804X1-0.006145X2+0.0003567X3+8.097X4-0.1426X5+0.04710X6+0.5413X7-0.1006X8+0.007435X9-1.881X10-7.663
P(7)＝-0.9359X1-0.05420X2+0.01620X3+2.366X4-0.0156X5-0.04107X6+1.580X7-0.1670X8+0.003524X9-1.594X10+15.090
P(8)＝+0.4573X1+0.002638X2+0.02015X3+2.915X4-0.1471X5-0.09858X6+0.7866X7-0.01202X8-0.006955X9-0.1316X10-12.377
P(9)＝-0.09285X1-0.005898X2-0.006817X3-3.525X4-0.1834X5+0.01118X6+0.9294X7+0.2454X8+0.0009003X9+0.4599X10+10.845。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010881483.6A CN112151111B (zh) | 2020-08-27 | 2020-08-27 | 基于多元线性回归快速预测黄嘌呤衍生物抑制活性的qsar方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010881483.6A CN112151111B (zh) | 2020-08-27 | 2020-08-27 | 基于多元线性回归快速预测黄嘌呤衍生物抑制活性的qsar方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112151111A true CN112151111A (zh) | 2020-12-29 |
| CN112151111B CN112151111B (zh) | 2022-10-11 |
Family
ID=73889262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010881483.6A Active CN112151111B (zh) | 2020-08-27 | 2020-08-27 | 基于多元线性回归快速预测黄嘌呤衍生物抑制活性的qsar方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112151111B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113035291A (zh) * | 2021-04-08 | 2021-06-25 | 广东药科大学 | 计算机辅助药物设计dpp-iv抑制肽的方法、dpp-iv抑制肽及其应用 |
| CN113808680A (zh) * | 2021-08-30 | 2021-12-17 | 上海大学 | 基于SHAP值构建可解释的XGBoost回归模型预测PCE的QSPR方法及其系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930113A (zh) * | 2012-11-14 | 2013-02-13 | 华南农业大学 | 用于预测化合物活性的两级拟合qsar模型的构建方法 |
| CN104866710A (zh) * | 2015-05-08 | 2015-08-26 | 西北师范大学 | 一种简化偏最小二乘预测细胞色素p450酶cyp1a2抑制剂的抑制浓度的方法 |
| CN107001374A (zh) * | 2014-12-01 | 2017-08-01 | 阿斯利康(瑞典)有限公司 | 作为髓过氧化物酶抑制剂的1‑[2‑(氨基甲基)苄基]‑2‑硫代‑1,2,3,5‑四氢‑4h‑吡咯并[3,2‑d]嘧啶‑4‑酮 |
| CN109473147A (zh) * | 2018-10-08 | 2019-03-15 | 上海大学 | 一种快速预测高分子禁带宽度的方法 |
| CN110573518A (zh) * | 2017-01-26 | 2019-12-13 | 尤拉·S·赞特里佐斯 | 被取代的双环嘧啶基化合物及其组合物和用途 |
| CN110982821A (zh) * | 2019-12-27 | 2020-04-10 | 广东石油化工学院 | 一种具有黄嘌呤氧化酶抑制活性的核酸适配体及其应用 |
| CN111091878A (zh) * | 2019-11-07 | 2020-05-01 | 上海大学 | 一种快速预测钙钛矿介电常数的方法 |
-
2020
- 2020-08-27 CN CN202010881483.6A patent/CN112151111B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930113A (zh) * | 2012-11-14 | 2013-02-13 | 华南农业大学 | 用于预测化合物活性的两级拟合qsar模型的构建方法 |
| CN107001374A (zh) * | 2014-12-01 | 2017-08-01 | 阿斯利康(瑞典)有限公司 | 作为髓过氧化物酶抑制剂的1‑[2‑(氨基甲基)苄基]‑2‑硫代‑1,2,3,5‑四氢‑4h‑吡咯并[3,2‑d]嘧啶‑4‑酮 |
| CN104866710A (zh) * | 2015-05-08 | 2015-08-26 | 西北师范大学 | 一种简化偏最小二乘预测细胞色素p450酶cyp1a2抑制剂的抑制浓度的方法 |
| CN110573518A (zh) * | 2017-01-26 | 2019-12-13 | 尤拉·S·赞特里佐斯 | 被取代的双环嘧啶基化合物及其组合物和用途 |
| CN109473147A (zh) * | 2018-10-08 | 2019-03-15 | 上海大学 | 一种快速预测高分子禁带宽度的方法 |
| CN111091878A (zh) * | 2019-11-07 | 2020-05-01 | 上海大学 | 一种快速预测钙钛矿介电常数的方法 |
| CN110982821A (zh) * | 2019-12-27 | 2020-04-10 | 广东石油化工学院 | 一种具有黄嘌呤氧化酶抑制活性的核酸适配体及其应用 |
Non-Patent Citations (1)
| Title |
|---|
| 吴世容: ""黄酮类化合物的提取分离及定量构效关系研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113035291A (zh) * | 2021-04-08 | 2021-06-25 | 广东药科大学 | 计算机辅助药物设计dpp-iv抑制肽的方法、dpp-iv抑制肽及其应用 |
| CN113035291B (zh) * | 2021-04-08 | 2022-04-05 | 广东药科大学 | 计算机辅助药物设计dpp-iv抑制肽的方法、dpp-iv抑制肽及其应用 |
| CN113808680A (zh) * | 2021-08-30 | 2021-12-17 | 上海大学 | 基于SHAP值构建可解释的XGBoost回归模型预测PCE的QSPR方法及其系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112151111B (zh) | 2022-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Patruno et al. | A review of computational strategies for denoising and imputation of single-cell transcriptomic data | |
| CN115240772B (zh) | 一种基于图神经网络的解析单细胞通路活性的方法 | |
| MX9704559A (es) | Metodo y sistema para identificar pacientes de riesgo a quienes se diagnostica insuficiencia cardiaca congestiva. | |
| CN107229841A (zh) | 一种基因变异评估方法及系统 | |
| JP2009247688A (ja) | 臨床検査データ解析支援装置、臨床検査データ解析支援方法及びそのプログラム | |
| CN112151111B (zh) | 基于多元线性回归快速预测黄嘌呤衍生物抑制活性的qsar方法 | |
| Kivisild et al. | Patterns of genetic connectedness between modern and medieval Estonian genomes reveal the origins of a major ancestry component of the Finnish population | |
| WO2024187890A1 (zh) | 基于snp数据的预测方法、装置、设备及存储介质 | |
| Danubianu | Step by step data preprocessing for data mining. A case study | |
| Yang et al. | SAMSVM: a tool for misalignment filtration of SAM-format sequences with support vector machine | |
| JP6884389B2 (ja) | 解析装置、解析方法およびプログラム | |
| CN117116357A (zh) | 布拉格治疗免疫应答预测方法和装置 | |
| Boulesteix et al. | On fishing for significance and statistician’s degree of freedom in the era of big molecular data | |
| CN114936208B (zh) | 一种基于数据清洗的信息分析系统 | |
| CN112951355B (zh) | 一种海量医疗数据入库的质检功能方法及装置 | |
| US20230102127A1 (en) | Systems and methods for identifying samples of interest by comparing aligned time-series measurements | |
| EP3795692A1 (en) | Method, apparatus, and system for detecting chromosome aneuploidy | |
| KR101615287B1 (ko) | 질병조절 유비퀴틴화 효소 선정 장치 및 이를 이용한 질병조절 유비퀴틴화 효소 선정 방법 | |
| Green et al. | Mapping the digital bioethics embraced by adolescent HIV prevention researchers recruiting online: protocol for a systematic literature review and critical interpretive synthesis | |
| Sankaran et al. | Semisynthetic Simulation for Microbiome Data Analysis | |
| Atlas et al. | A statistical technique for monoisotopic peak detection in a mass spectrum | |
| Fan et al. | Williams syndrome-specific neuroarchitectural profile and its associations with cognitive features | |
| Ivich et al. | Missing cell types in single-cell references impact deconvolution of bulk data but are detectable | |
| Lu et al. | Identifying unmeasured heterogeneity in microbiome data via quantile thresholding (QuanT) | |
| Kim et al. | A practical handbook on single-cell RNA sequencing data quality control and downstream analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |