典型文献
抗乳腺癌活性化合物的ADMET性质预测模型
文献摘要：
为提升抗乳腺癌药物虚拟筛选过程中吸收(absorption)﹑分配(distribution)﹑代谢(metabolism)、排泄(excretion)﹑毒性(toxicity)等属性的预测能力,提出一种抗乳腺癌药物定量结构?ADMET性质预测模型.首先,从化合物的分子描述符数据中遴选出对ADMET性质具有影响的319个特征变量;然后,以逻辑回归(Logistic Regression,LR)、朴素贝叶斯(Na?ve Bayes,NB)、梯度提升决策树(Gradient Boosting Decision Tree,GBDT)作为ADMET分类预测的候选模型,筛选出GBDT模型为最优模型;最后,针对GBDT模型训练成本较高的问题,借助概率代理模型拟合超参数与预测精度之间的关系(即黑箱模型)构建GBDT*模型.结果显示,GBDT*集成学习模型整体表现最优,准确率、精准率、灵敏度、AUC指标分别达90％、88％、89％、0.95以上,误报率低于15％,表明GBDT*集成机器学习模型在抗乳腺癌活性化合物的ADMET性质预测方面具有良好的性能.
文献关键词：
计算机应用;集成学习;特征筛选;超参数优化;抗癌候选药物
中图分类号：
作者姓名：
秦雅琴;夏玉兰;卢梦媛;王锦锐;谢济铭
作者机构：
昆明理工大学交通工程学院,云南昆明 650500
文献出处：
引用格式：
[1]秦雅琴;夏玉兰;卢梦媛;王锦锐;谢济铭-.抗乳腺癌活性化合物的ADMET性质预测模型)[J].云南大学学报（自然科学版）,2022(06):1127-1134
A类：
抗癌候选药物
B类：
抗乳腺癌活性,活性化合物,ADMET,抗乳腺癌药物,药物虚拟筛选,选过,absorption,distribution,metabolism,排泄,excretion,toxicity,预测能力,从化,分子描述符,遴选出,特征变量,逻辑回归,Regression,LR,朴素贝叶斯,Na,ve,Bayes,NB,梯度提升决策树,Gradient,Boosting,Decision,Tree,GBDT,分类预测,最优模型,模型训练,练成,代理模型,模型拟合,黑箱模型,集成学习模型,误报率,集成机器学习,机器学习模型,计算机应用,特征筛选,超参数优化
AB值：
0.438546
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
