有机化合物的陆地和水生环境毒性的计算机预测研究(英文)  

In silico prediction of terrestrial and aquatic toxicities for organic chemicals

作　　者：程飞雄[1] 沈杰[1] 李卫华[1] Philip W.LEE 唐赟[1] 

机构地区：[1]华东理工大学药学院药物科学系 [2]京都大学农业研究院

出　　处：《农药学学报》2010年第4期477-488,共12页Chinese Journal of Pesticide Science

基　　金：Program for New Century Excellent Talents in University ( Grant No NCET-08-0774);the National S & T Major Project of China ( Grant No 2009ZX09501-001);the 111 Project ( Grant No B07023)

摘　　要：采用子结构模式识别结合 5 种机器学习方法( 包括支持向量机、C4. 5决策树、k-最近邻法、随机森林法、和朴素贝叶斯法) ,分别构建了有机化合物对水生和陆地环境毒性评价的两个重要生物靶标——呆鲦鱼( Fathead minnow) 和蜜蜂毒性的定性分类和定量回归预测模型。所有模型均通过独立测试集验证。其中,利用支持向量机分类算法得到的分类模型对呆鲦鱼和蜜蜂毒性测试集的整体预测准确度分别达到 95. 9% 和 95. 0% 。采用支持向量机回归算法得到的回归模型,对呆鲦鱼和蜜蜂毒性测试集的预测相关系数的平方( R2) 分别达到 0. 878 和 0. 663。最后,通过信息熵分析的方法,确定了一批能够代表性地表征呆鲦鱼和蜜蜂毒性的子结构模式,包括 1,2-二酚、二烷基硫醚、二芳香醚和磷酸衍生物等。提出的方法为有毒化学品的生态风险评价提供了一种非常好的评价策略和可靠的工具。Qualitative classification and quantitative regression models for fathead minnow and honey bee toxicity prediction were developed using different chemoinformatics techniques such as substructure pattern recognition and different machine learning methods.Specifically,methods include support vector machine,C4.5 decision tree,k-nearest neighbors,random forest and naive bayes.Reliable predictive models were developed and all models were validated by the independent test set.The overall predictive accuracy of th...

关 键 词：呆鲦鱼毒性 蜜蜂毒性 定量结构-活性相关性(QSAR) 子结构模式识别 信息熵 支持向量机 

分 类 号：X171.5[环境科学与工程—环境科学]