鄭景泉++楊浩娜++彭世文++王立峰

摘要：采用分子描述符計算軟件PCLIENT獲得123個醇類有機小分子化合物的1 666個理化性質參數(shù)，通過相關性分析與逐步線性回歸篩選，最終獲得14個分子描述符。基于保留的14個關鍵理化性質，分別以多元線性回歸（MLR）、偏最小二乘回歸（PLS）與支持向量回歸（SVR）構建醇類化合物對歐洲林蛙蝌蚪毒性的QSAR模型。結果表明：3種模型的獨立預測決定系數(shù)Q2從初始的-163.350、-0.019、0.686分別提升到0.860、0.903與0.936，剔除無關描述符能顯著提升模型的預測精度；基于SVR的訓練擬合精度和獨立預測精度均較好，表明其泛化能力強，魯棒性好； SVR模型獨立測試集預測值和真實值比較結果證明最終篩選出的14個描述符具有較好的顯著性，模型具有較好的穩(wěn)健性。本方法在有毒化合物等QSAR研究領域有較廣泛應用前景。

關鍵詞：醇類化合物；歐洲林蛙蝌蚪；描述符篩選；支持向量回歸；定量構效關系

中圖分類號：Q592.9文獻標識號：A文章編號：1001-4942（2017）02-0067-05

目前人類已知的有機物達8 000多萬種，大量有機物已經(jīng)或正在通過各種途徑進入生態(tài)環(huán)境中，其中多數(shù)有機物具有一定的生物毒性。對有機物進行毒性評價是評估其是否具有環(huán)境可投放性必不可少的重要環(huán)節(jié)[1，2]。在對水生動物進行急性毒性研究中，由于兩棲類動物（如青蛙及其幼體蝌蚪）有可滲透的皮膚，更易從環(huán)境中吸收物質，對水質污染具有更大的敏感性，因而被較多地用作進行急性毒性生物評估的生物材料[3，4]。但通過實驗方法對有機物進行毒性評價耗時費力，難以覆蓋多達數(shù)千萬種的有機物種類；此外，毒性的實驗測定只適用于已合成出來的化合物，無法對還未實際合成的化合物進行預先評估。

定量結構-活性關系（quantitative strcture-activity relationship， QSAR）利用化學計量學方法總結化合物的生物活性與其分子結構參數(shù)的關系，是化學與生物學之間的橋梁[5，6]。精度是QSAR在有機物毒性活性預測中的關鍵，QSAR計算或預測精度與描述符的提取、篩選以及建模方法有關。描述符的提取要兼顧有效性及易獲得性，即使對虛擬化合物亦能以量子化學計算獲取標準數(shù)字化描述符[7]。篩選獲得的描述符要確保顯著性與可解釋性，模型的建立要保證魯棒性及泛化推廣性能。以統(tǒng)計學習理論和結構風險最小為基礎建立的支持向量機（support vector machine，SVM）是機器學習領域的集大成者，它較好地解決了小樣本、非線性、過擬合、維數(shù)災和局極小等問題，泛化推廣能力優(yōu)異[8，9]。 SVM 包括支持向量分類（support vector classification，SVC）和支持向量回歸（support vector regression，SVR），SVR 更適用于QSAR建模[10]，已在諸多QSAR研究中得到成功應用[11-14]。

本文采用分子描述符計算軟件PCLIENT表征醇類有機小分子化合物[15]，獲得其理化性質參數(shù)；結合相關性分析與逐步線性回歸，篩選獲得關鍵描述符；基于訓練集與保留描述符建立QSAR模型，預測其對歐洲林蛙蝌蚪的生物毒性，以證實該方法在有毒化合物的QSAR研究領域的應用前景。

1數(shù)據(jù)與方法

1.1數(shù)據(jù)來源

本文數(shù)據(jù)集來自文獻[3]，含123個醇類有機小分子化合物，其毒性指數(shù)為對歐洲林蛙蝌蚪50%生長抑制濃度（IGC50）的負對數(shù)。全部樣本按毒性活性值由低到高排序，為使測試集中的樣本均勻分布，每隔3個樣本抽取一個放入測試集，依次選取第4、8、12…116、120號30個樣本組成測試集（表1），其余93個樣本為訓練集，以訓練集樣本得到的模型對測試集樣本的毒性進行預測。

1.2分子描述符的計算與篩選

1.2.1分子描述符獲取首先以分子結構編輯器JME Editor畫出分子結構，并保存為簡化分子線性輸入規(guī)范（simplified molecular input line entry specification，SMILES）文件格式，再將SMILES文件作為PCLIENT的輸入（http：//vcclab.org/articles/cite.html），即可獲得每個分子結構描述符[15]。

1.2.2描述符篩選相關性分析篩選描述符：首先以毒性實驗值與各理化性質逐個計算Pearson相關系數(shù)，根據(jù)相關系數(shù)假設檢驗的概率P值，選出顯著正或負相關（顯著水平0.05）的描述符。

通過逐步線性回歸（stepwise linear regression，SLR）進行進一步變量篩選：SLR是一種“有進有出”的變量篩選方法，它從一個自變量開始，根據(jù)自變量對因變量Y作用的顯著程度，從大到小依次逐個引入回歸方程。當已引入的自變量由于后面變量的引入而變得不顯著時，則停止引入，進入到剔除過程。引入一個自變量或從回歸方程中剔除一個自變量，為逐步回歸的一步。對于每一步都要對回歸方程的顯著性進行F值檢驗，以確保每次引入新的顯著性變量前回歸方程中只包含對Y作用顯著的變量?！斑M”與“出”的過程反復進行，直到既無可剔除的不顯著變量，又無可引入的顯著變量為止。根據(jù)以上兩步變量篩選過程，獲得最終的保留描述符[16]。

1.3建模過程

1.3.1多元線性回歸 多元線性回歸（multiple linear regression，MLR）是統(tǒng)計學中最經(jīng)典常用的回歸模型，原理簡單，構建模型通俗易懂，在QSAR研究中得到廣泛應用。其多元線性回歸方程為：

y^=b0+b1x1+b2x2+…+bmxm。（1）

式中y^為因變量，x為自變量，b0為常數(shù)項，b1～bm為偏回歸系數(shù)。

本研究的MLR模型由MATLAB統(tǒng)計工具箱中的“regress.m”函數(shù)實現(xiàn)。

1.3.2偏最小二乘回歸偏最小二乘回歸（partial least squares，PLS）是一種基于潛變量之間的相關性進行建模預測的一種多元統(tǒng)計方法[17]。它結合了主成分分析、相關性分析和多元線性回歸分析的主要優(yōu)點，能更有效地抓取到因變量和自變量之間潛在的相關性，達到滿意的建模效果。

本文中PLS模型由MATLAB統(tǒng)計工具箱中的“plsregress.m”程序實現(xiàn)，以留一法交叉驗證的最小MSE原則來選擇PLS的潛變量個數(shù)。

1.3.3支持向量回歸支持向量機（SVM）是基于統(tǒng)計學習理論提出的一種應用于模式識別與機器學習領域的新方法[18]，其核心思想是對所有樣本構建一個超平面，通過核函數(shù)將各樣本變量映射到高維特征空間，使兩類樣本能夠通過此超平面可分，并使各個向量距離此超平面的間隔最大，而此時距離超平面最近的向量則被稱為支持向量。該超平面方程可簡寫為：

WTx+b=0。（2）

支持向量機包括支持向量分類（SVC）和支持向量回歸（SVR），分別應用于分類問題和回歸問題，本研究采用SVR。

本研究的SVR模型由Chang等編寫的軟件LIBSVM實現(xiàn)[6]：核函數(shù)均設置為徑向基核；該軟件包中需優(yōu)化的參數(shù)包括懲罰參數(shù)c，徑向基核函數(shù)的參數(shù)g和損失函數(shù)的參數(shù)p，參數(shù)優(yōu)化以網(wǎng)格搜索實現(xiàn)。

1.4模型評價指標

模型的獨立預測精度采用均方根誤差RMSE與Tropsha等[19]的方法作為評價指標：

RMSE=∑ntei=1（yi-y^i）2nte ； （3）

Q2=1-∑ntei=1（yi-y^i）2∑ntei=1（yi-ytr）2。 （4）

式中：yi為測試集因變量觀測值，y^i為測試集因變量預測值，nte為測試集樣本數(shù)，ytr為訓練集因變量的平均值。

2結果與分析

2.1描述符構建與篩選

把所有的化合物結構式輸入在線服務軟件PCLIENT，經(jīng)過計算和篩選，刪除每一列全為0或全為999的特征，最終得到每個化合物含1 666個描述子作為初始特征矩陣。而后以毒性實驗值與各理化性質逐個計算Pearson相關系數(shù)，根據(jù)相關系數(shù)假設檢驗的概率P值，以0.05為顯著水平，選出顯著正相關的描述符共792個，然后通過SLR做進一步變量篩選，最終保留描述符14個。

2.2模型比較

分別以1 666、792、14個描述符作為特征，再分別以MLR、PLS和SVR建模，所得結果見表2。由表2可以看出，隨著篩選出描述符數(shù)量的減少，模型的獨立預測精度變得更優(yōu)，表明該特征篩選方法是有效的，篩選出的特征是顯著的。不同模型橫向比較，基于MLR的訓練擬合精度極好，但獨立精度很差，表明模型容易產(chǎn)生過擬合，且泛化推廣能力較差；基于PLS的訓練擬合精度較好，但獨立精度一般；而基于SVR訓練擬合精度和獨立預測精度均很好，表明其泛化能力好，魯棒性強。

3討論與結論

以PCLIENT計量軟件對醇類有機小分子化合物進行表征，每一化合物分別得到1 666個理化參數(shù)描述符，這些理化參數(shù)描述符涵蓋疏水性、拓撲性、親電性、立體性質等多種屬性，是對醇類有機小分子化合物較為全面系統(tǒng)的整體表征。但對QSAR模型而言，無關、冗余描述符會影響預測精度，本文首先以相關性分析剔除其中874個未達顯著相關性指標的描述符，結合逐步線性回歸，最終篩選得到14個關鍵理化性質描述符?；?4個分子描述符，采用支持向量機學習算法建立QSAR模型，預測獨立測試樣本的生物毒性，取得了較好效果，預測指標Q2和RMSEP分別達到0.936和0.308。通過獨立測試集的預測值和真實值比較，表明篩選出的14個描述符具有較好的顯著性，SVR模型具有較好的穩(wěn)健性。與常用模型MLR、PLS等比較，新方法具有顯著優(yōu)越性，在醇類有機小分子化合物毒性的QSAR研究中具有較好的應用前景。

參考文獻：

[1]張愛茜， 劉景富， 景傳勇， 等. 我國環(huán)境化學研究新進展[J]. 化學通報， 2014 （7）： 654-659.

[2]董小蓉， 楊曉明， 魯翌， 等. 長江、漢江水源水及其自來水中有機物生物毒性的比較[J]. 中國環(huán)境科學， 2010， 30（2）： 263-268.

[3]Agrawal V K， Chaturvedi S， Abraham M H， et al. QSAR study on tadpole narcosis[J]. Bioorganic. & Medicinal. Chemistry， 2003， 11（20）： 4523-4533.

[4]Abraham M H， Rafols C. Factors that influence tadpole narcosis. An LFER analysis[J]. J. Chem. Soc.， Perkin Trans.，1995，2（10）： 1843-1851.

[5]安麗英， 相玉紅， 張卓勇， 等. 定量構效關系研究進展及其應用[J]. 首都師范大學學報 （自然科學版）， 2006， 27（3）： 52-57.

[6]Chang C C， Lin C J. LIBSVM： a library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology （TIST）， 2011， 2（3）： 27.

[7]梅虎， 周原， 孫立力， 等. 一種新的氨基酸描述子及其在肽QSAR中的應用[J]. 物理化學學報， 2004， 20（8）： 821-825.

[8]陳淵， 袁哲明， 周瑋， 等. 基于地統(tǒng)計學與支持向量回歸的QSAR建模[J]. 物理化學學報， 2009， 25（8）： 1587-1592.

[9]顧燕萍， 趙文杰， 吳占松. 最小二乘支持向量機魯棒回歸算法研究[J]. 清華大學學報（自然科學版）， 2015，55（4）：396-402.

[10]孫德山. 支持向量機分類與回歸方法研究[D]. 長沙：中南大學， 2004.

[11]李顆， 李向輝， 徐西林， 等. 芳香羧酸衍生物驅避劑的非線性定量構效關系[J]. 昆蟲學報， 2014， 57（9）： 1018-1024.

[12]王雪源， 張燦， 蔣莉， 等. 基于支持向量機的乙酰膽堿酯酶抑制劑的構效關系研究[J]. 計算機與應用化學， 2014， 31（2）： 185-188.

[13]Wang L， Dai Z， Zhang H， et al. Quantitative sequence-activity model analysis of oligopeptides coupling an improved high-dimension feature selection method with support vector regression[J]. Chemical Biology Drug Design， 2014， 83（4）： 379-391.

[14]熊光， 張紅燕. 黃烷酮類衍生物的抗菌活性QSAR研究[J]. 中國農(nóng)學通報， 2015， 31（29）： 77-81.

[15]Tetko I V， Gasteiger J， Todeschini R， et al. Virtual computational chemistry laboratory – design and description[J]. Journal of Computer-Aided Molecular Design， 2005， 19（6）：453-463.

[16]Tang Q Y， Zhang C X. Data processing system （DPS） software with experimental design， statistical analysis and data mining developed for use in entomological research[J]. Insect Science， 2013， 20（2）： 254-260.

[17]Wold S， Ruhe A， Wold H， et al. The collinearity problem in linear regression. The partial least squares （PLS） approach to generalized inverses[J]. Siam Journal on Scientific & Statistical Computing， 1984， 5（3）：735-743.

[18]張學工. 關于統(tǒng)計學習理論與支持向量機[J]. 自動化學報， 2000， 26（1）： 32-42.

[19]Tropsha A， Gramatica P， Gombar V K. The importance of being earnest： validation is the absolute essential for successful application and interpretation of QSPR models[J]. QSAR & Combinatorial Science， 2003， 22（1）： 69-77.（上接第66頁）

[5]繆靜， 殷曰彩，馮志彬，等. 無花果果醋發(fā)酵工藝優(yōu)化[J].食品與機械，2014，30（3）：218-221.

[6]李芳， 孔令明，宋曼，等. 速凍無花果保鮮工藝的研究[J].食品工業(yè)，2014，35（9）：70-74.

[7]張澤俊，沙坤，馬雯. 無花果葉不同溶劑提取物抗氧化活性的比較研究[J]. 安徽農(nóng)業(yè)科學， 2011， 39（12）： 6981-6982，7010.

[8]楊潤亞，明永飛，王慧. 無花果葉中總黃酮的提取及其抗氧化活性測定[J]. 食品科學， 2010， 31（16）： 78-82.

[9]中華人民共和國衛(wèi)生部.GB 5009.3-2010 食品安全國家標準 食品中水分的測定[S].2010.

[10]邱松山，周天，姜翠翠，等. 無花果粗多糖提取工藝及抗氧化活性研究[J].食品與機械， 2011， 27（1）： 40-42.

[11]Kanokwan M， Soottawat B， Munehiko T. Effect of reactant concentrations on the Maillard reaction in a fructose-glycine model system and the inhibition of black tiger shrimp poly phenoloxidase [J]. Food Chemistry， 2006， 98（1）： 1-8.

[12]孫月娥，呂丹娜，王衛(wèi)東，等. 美拉德反應對大蒜抗氧化活性的影響[J].食品工業(yè)科技，2013， 34（9）：119-123.山 東 農(nóng) 業(yè) 科 學2017，49（2）：72～75Shandong Agricultural Sciences山 東 農(nóng) 業(yè) 科 學第49卷第2期郭成，等：蘋果砧木組培苗生根誘導技術研究DOI：10.14083/j.issn.1001-4942.2017.02.015