摘要 | 第5-7页 |
ABSTRATC | 第7-8页 |
第一章 绪论 | 第15-30页 |
1.1 计算机辅助药物设计 | 第15-16页 |
1.2 构效关系研究 | 第16-22页 |
1.2.1 分子描述符 | 第16-17页 |
1.2.2 分子描述符的选择 | 第17页 |
1.2.3 描述符与活性之间的关系 | 第17-22页 |
1.2.3.1 多元的线性回归 | 第18-19页 |
1.2.3.2 自组织神经网络 | 第19-21页 |
1.2.3.3 支持向量机 | 第21-22页 |
1.3 Beta分泌酶及其抑制剂 | 第22-28页 |
1.3.1 Beta分泌酶 | 第22-26页 |
1.3.1.1 BACE1在阿尔茨海默症的作用 | 第24-25页 |
1.3.1.2 阿尔茨海默症 | 第25-26页 |
1.3.2 Beta分泌酶抑制剂 | 第26-28页 |
1.3.2.1 BACE1抑制剂临床研究进展 | 第26-27页 |
1.3.2.2 结构活性关系研究 | 第27-28页 |
1.4 本论文主要研究工作 | 第28-30页 |
第二章 Beta分泌酶抑制剂分类研究 | 第30-52页 |
2.1 研究背景 | 第30-31页 |
2.2 数据的收集和处理 | 第31-32页 |
2.2.1 数据收集 | 第31-32页 |
2.2.2 数据的预处理 | 第32页 |
2.2.3 化合物结构优化 | 第32页 |
2.3 抑制剂的描述符 | 第32-34页 |
2.3.1 描述符计算 | 第33页 |
2.3.2 ECFP指纹图谱 | 第33-34页 |
2.4 描述符的筛选 | 第34-38页 |
2.4.1 相关性分析 | 第34-35页 |
2.4.2 F-score方法选择描述符 | 第35-37页 |
2.4.3 用Weka软件选描述符 | 第37-38页 |
2.5 建模方法 | 第38-39页 |
2.5.1 自组织神经网络(SOM)分类模型 | 第38页 |
2.5.2 支持向量机(SVM)分类模型 | 第38-39页 |
2.6 模型评估方法 | 第39页 |
2.6.1 ROC曲线 | 第39页 |
2.6.2 Y-randomization验证 | 第39页 |
2.7 结果与讨论 | 第39-51页 |
2.7.1 模型结果 | 第40-45页 |
2.7.1.1 自组织神经网络(SOM)分类模型 | 第40-43页 |
2.7.1.2 SVM模型 | 第43-45页 |
2.7.2 模型检验 | 第45-47页 |
2.7.2.1 ROC验证 | 第45-46页 |
2.7.2.2 Y-randomization检验 | 第46-47页 |
2.7.3 自组织神经网络算法与支持向量机方法对照 | 第47页 |
2.7.4 训练集/测试集划分方法的比较 | 第47-48页 |
2.7.5 描述符分析 | 第48-49页 |
2.7.6 ECFP指纹图谱分析 | 第49-51页 |
2.8 本章小结论 | 第51-52页 |
第三章 β分泌酶抑制剂活性的定量预测研究 | 第52-69页 |
3.1 概述 | 第52页 |
3.2 数据采集与处理 | 第52-53页 |
3.3 化合物描述符的计算 | 第53-56页 |
3.3.1 选择描述符 | 第54页 |
3.3.2 MLR建模的描述符 | 第54-55页 |
3.3.3 SVM建模的描述符 | 第55-56页 |
3.4 定量预测模型 | 第56页 |
3.5 Y-randomization检验 | 第56-57页 |
3.6 结果与分析 | 第57-67页 |
3.6.1 模型结果 | 第57-62页 |
3.6.1.1 多元线性回归模型 | 第57-60页 |
3.6.1.2 支持向量机模型 | 第60-62页 |
3.6.2 Y-randomization检验 | 第62-66页 |
3.6.2.1 MLR模型检验 | 第63-64页 |
3.6.2.2 SVM模型检验 | 第64-66页 |
3.6.3 描述符的分析 | 第66-67页 |
3.7 结论 | 第67-69页 |
第四章 结论建议 | 第69-72页 |
4.1 结论 | 第69-70页 |
4.2 建议 | 第70-72页 |
参考文献 | 第72-78页 |
附录 | 第78-84页 |
致谢 | 第84-85页 |
研究成果及发表的学术论文 | 第85-86页 |
作者简介 | 第86-87页 |
导师简介 | 第87-88页 |
附件 | 第88-89页 |