| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-20页 |
| 1.1 计算机辅助药物设计方法 | 第9-10页 |
| 1.2 基于受体的药物设计模型-分子对接和打分函数的发展 | 第10-15页 |
| 1.2.1 分子对接的理论依据 | 第10-12页 |
| 1.2.2 构象搜索 | 第12页 |
| 1.2.3 基于力场的打分函数(Force-field based scoring function) | 第12-13页 |
| 1.2.4 基于经验的打分函数(Empirical-based scoring function) | 第13页 |
| 1.2.5 基于知识的打分函数(Knowledge-based scoring function) | 第13-14页 |
| 1.2.6 基于机器学习的打分函数(Machine learning-based scoring function) | 第14-15页 |
| 1.3 基于配体的计算机辅助药物设计模型 | 第15-19页 |
| 1.3.1 药效团模型(Pharmacophore) | 第15-16页 |
| 1.3.2 QSAR模型 | 第16-19页 |
| 1.4 本章小结 | 第19-20页 |
| 第2章 组合3D-QSAR模型的构建及虚拟筛选 | 第20-36页 |
| 2.1 前言 | 第20-22页 |
| 2.2 材料和方法部分 | 第22-27页 |
| 2.2.1 数据集 | 第22-23页 |
| 2.2.2 药效团产生 | 第23-25页 |
| 2.2.3 建立3D-QSAR模型 | 第25-26页 |
| 2.2.4 模型验证 | 第26页 |
| 2.2.5 基于药效团的虚拟筛选和3D-QSAR分析 | 第26-27页 |
| 2.3 结果和讨论 | 第27-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第3章 FGFR1靶标特异性打分函数的发展及虚拟筛选 | 第36-68页 |
| 3.1 前言 | 第36-44页 |
| 3.2 材料和方法 | 第44-51页 |
| 3.2.1 数据集 | 第44-45页 |
| 3.2.2 对接模式的生成 | 第45页 |
| 3.2.3 描述符的产生 | 第45-48页 |
| 3.2.4 描述符的挑选以及用机器学习的方法进行回归 | 第48-49页 |
| 3.2.5 模型验证 | 第49-50页 |
| 3.2.6 虚拟筛选 | 第50页 |
| 3.2.7 生物活性分析 | 第50-51页 |
| 3.3 结果与讨论 | 第51-67页 |
| 3.3.1 FGFR1-RTK打分函数的发展 | 第51-54页 |
| 3.3.2 模型验证 | 第54-55页 |
| 3.3.3 生物测定结果及活性化合物的结构活性分析 | 第55-56页 |
| 3.3.4 结构活性分析 | 第56-67页 |
| 3.4 本章小结 | 第67-68页 |
| 第4章 全文总结和展望 | 第68-70页 |
| 参考文献 | 第70-80页 |
| 硕士期间发表论文 | 第80-81页 |
| 致谢 | 第81页 |
