醇類化合物對(duì)歐洲林蛙蝌蚪毒性的QSAR研究

鄭景泉++楊浩娜++彭世文++王立峰

摘要：采用分子描述符計(jì)算軟件PCLIENT獲得123個(gè)醇類有機(jī)小分子化合物的1 666個(gè)理化性質(zhì)參數(shù)，通過相關(guān)性分析與逐步線性回歸篩選，最終獲得14個(gè)分子描述符。基于保留的14個(gè)關(guān)鍵理化性質(zhì)，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(gòu)建醇類化合物對(duì)歐洲林蛙蝌蚪毒性的QSAR模型。結(jié)果表明：3種模型的獨(dú)立預(yù)測(cè)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(guān)描述符能顯著提升模型的預(yù)測(cè)精度；基于SVR的訓(xùn)練擬合精度和獨(dú)立預(yù)測(cè)精度均較好，表明其泛化能力強(qiáng)，魯棒性好； SVR模型獨(dú)立測(cè)試集預(yù)測(cè)值和真實(shí)值比較結(jié)果證明最終篩選出的14個(gè)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(lǐng)域有較廣泛應(yīng)用前景。

關(guān)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(gòu)效關(guān)系

中圖分類號(hào)：Q592.9文獻(xiàn)標(biāo)識(shí)號(hào)：A文章編號(hào)：1001-4942（2017）02-0067-05

目前人類已知的有機(jī)物達(dá)8 000多萬種，大量有機(jī)物已經(jīng)或正在通過各種途徑進(jìn)入生態(tài)環(huán)境中，其中多數(shù)有機(jī)物具有一定的生物毒性。對(duì)有機(jī)物進(jìn)行毒性評(píng)價(jià)是評(píng)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(duì)水生動(dòng)物進(jìn)行急性毒性研究中，由于兩棲類動(dòng)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(zhì)，對(duì)水質(zhì)污染具有更大的敏感性，因而被較多地用作進(jìn)行急性毒性生物評(píng)估的生物材料[3，4]。但通過實(shí)驗(yàn)方法對(duì)有機(jī)物進(jìn)行毒性評(píng)價(jià)耗時(shí)費(fèi)力，難以覆蓋多達(dá)數(shù)千萬種的有機(jī)物種類；此外，毒性的實(shí)驗(yàn)測(cè)定只適用于已合成出來的化合物，無法對(duì)還未實(shí)際合成的化合物進(jìn)行預(yù)先評(píng)估。

定量結(jié)構(gòu)-活性關(guān)系（quantitative strcture-activity relationship， QSAR）利用化學(xué)計(jì)量學(xué)方法總結(jié)化合物的生物活性與其分子結(jié)構(gòu)參數(shù)的關(guān)系，是化學(xué)與生物學(xué)之間的橋梁[5，6]。精度是QSAR在有機(jī)物毒性活性預(yù)測(cè)中的關(guān)鍵，QSAR計(jì)算或預(yù)測(cè)精度與描述符的提取、篩選以及建模方法有關(guān)。描述符的提取要兼顧有效性及易獲得性，即使對(duì)虛擬化合物亦能以量子化學(xué)計(jì)算獲取標(biāo)準(zhǔn)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(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小為基礎(chǔ)建立的支持向量機(jī)（support vector machine，SVM）是機(jī)器學(xué)習(xí)領(lǐng)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(zāi)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(yīng)用[11-14]。

本文采用分子描述符計(jì)算軟件PCLIENT表征醇類有機(jī)小分子化合物[15]，獲得其理化性質(zhì)參數(shù)；結(jié)合相關(guān)性分析與逐步線性回歸，篩選獲得關(guān)鍵描述符；基于訓(xùn)練集與保留描述符建立QSAR模型，預(yù)測(cè)其對(duì)歐洲林蛙蝌蚪的生物毒性，以證實(shí)該方法在有毒化合物的QSAR研究領(lǐng)域的應(yīng)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(xiàn)[3]，含123個(gè)醇類有機(jī)小分子化合物，其毒性指數(shù)為對(duì)歐洲林蛙蝌蚪50%生長抑制濃度（IGC50）的負(fù)對(duì)數(shù)。全部樣本按毒性活性值由低到高排序，為使測(cè)試集中的樣本均勻分布，每隔3個(gè)樣本抽取一個(gè)放入測(cè)試集，依次選取第4、8、12…116、120號(hào)30個(gè)樣本組成測(cè)試集（表1），其余93個(gè)樣本為訓(xùn)練集，以訓(xùn)練集樣本得到的模型對(duì)測(cè)試集樣本的毒性進(jìn)行預(yù)測(cè)。

1.2分子描述符的計(jì)算與篩選

1.2.1分子描述符獲取首先以分子結(jié)構(gòu)編輯器JME Editor畫出分子結(jié)構(gòu)，并保存為簡(jiǎn)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(gè)分子結(jié)構(gòu)描述符[15]。

1.2.2描述符篩選相關(guān)性分析篩選描述符：首先以毒性實(shí)驗(yàn)值與各理化性質(zhì)逐個(gè)計(jì)算Pearson相關(guān)系數(shù)，根據(jù)相關(guān)系數(shù)假設(shè)檢驗(yàn)的概率P值，選出顯著正或負(fù)相關(guān)（顯著水平0.05）的描述符。

通過逐步線性回歸（stepwise linear regression，SLR）進(jìn)行進(jìn)一步變量篩選：SLR是一種“有進(jìn)有出”的變量篩選方法，它從一個(gè)自變量開始，根據(jù)自變量對(duì)因變量Y作用的顯著程度，從大到小依次逐個(gè)引入回歸方程。當(dāng)已引入的自變量由于后面變量的引入而變得不顯著時(shí)，則停止引入，進(jìn)入到剔除過程。引入一個(gè)自變量或從回歸方程中剔除一個(gè)自變量，為逐步回歸的一步。對(duì)于每一步都要對(duì)回歸方程的顯著性進(jìn)行F值檢驗(yàn)，以確保每次引入新的顯著性變量前回歸方程中只包含對(duì)Y作用顯著的變量。“進(jìn)”與“出”的過程反復(fù)進(jìn)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(jì)學(xué)中最經(jīng)典常用的回歸模型，原理簡(jiǎn)單，構(gòu)建模型通俗易懂，在QSAR研究中得到廣泛應(yīng)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(xiàng)，b1～bm為偏回歸系數(shù)。

本研究的MLR模型由MATLAB統(tǒng)計(jì)工具箱中的“regress.m”函數(shù)實(shí)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(guān)性進(jìn)行建模預(yù)測(cè)的一種多元統(tǒng)計(jì)方法[17]。它結(jié)合了主成分分析、相關(guān)性分析和多元線性回歸分析的主要優(yōu)點(diǎn)，能更有效地抓取到因變量和自變量之間潛在的相關(guān)性，達(dá)到滿意的建模效果。

本文中PLS模型由MATLAB統(tǒng)計(jì)工具箱中的“plsregress.m”程序?qū)崿F(xiàn)，以留一法交叉驗(yàn)證的最小MSE原則來選擇PLS的潛變量個(gè)數(shù)。

1.3.3支持向量回歸支持向量機(jī)（SVM）是基于統(tǒng)計(jì)學(xué)習(xí)理論提出的一種應(yīng)用于模式識(shí)別與機(jī)器學(xué)習(xí)領(lǐng)域的新方法[18]，其核心思想是對(duì)所有樣本構(gòu)建一個(gè)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(gè)向量距離此超平面的間隔最大，而此時(shí)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(jiǎn)寫為：

WTx+b=0。（2）

支持向量機(jī)包括支持向量分類（SVC）和支持向量回歸（SVR），分別應(yīng)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(shí)現(xiàn)[6]：核函數(shù)均設(shè)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(shí)現(xiàn)。

1.4模型評(píng)價(jià)指標(biāo)

模型的獨(dú)立預(yù)測(cè)精度采用均方根誤差RMSE與Tropsha等[19]的方法作為評(píng)價(jià)指標(biāo)：

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(cè)試集因變量觀測(cè)值，y^i為測(cè)試集因變量預(yù)測(cè)值，nte為測(cè)試集樣本數(shù)，ytr為訓(xùn)練集因變量的平均值。

2結(jié)果與分析

2.1描述符構(gòu)建與篩選

把所有的化合物結(jié)構(gòu)式輸入在線服務(wù)軟件PCLIENT，經(jīng)過計(jì)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(gè)化合物含1 666個(gè)描述子作為初始特征矩陣。而后以毒性實(shí)驗(yàn)值與各理化性質(zhì)逐個(gè)計(jì)算Pearson相關(guān)系數(shù)，根據(jù)相關(guān)系數(shù)假設(shè)檢驗(yàn)的概率P值，以0.05為顯著水平，選出顯著正相關(guān)的描述符共792個(gè)，然后通過SLR做進(jìn)一步變量篩選，最終保留描述符14個(gè)。

2.2模型比較

分別以1 666、792、14個(gè)描述符作為特征，再分別以MLR、PLS和SVR建模，所得結(jié)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(dú)立預(yù)測(cè)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(xùn)練擬合精度極好，但獨(dú)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(xùn)練擬合精度較好，但獨(dú)立精度一般；而基于SVR訓(xùn)練擬合精度和獨(dú)立預(yù)測(cè)精度均很好，表明其泛化能力好，魯棒性強(qiáng)。

3討論與結(jié)論

以PCLIENT計(jì)量軟件對(duì)醇類有機(jī)小分子化合物進(jìn)行表征，每一化合物分別得到1 666個(gè)理化參數(shù)描述符，這些理化參數(shù)描述符涵蓋疏水性、拓?fù)湫浴⒂H電性、立體性質(zhì)等多種屬性，是對(duì)醇類有機(jī)小分子化合物較為全面系統(tǒng)的整體表征。但對(duì)QSAR模型而言，無關(guān)、冗余描述符會(huì)影響預(yù)測(cè)精度，本文首先以相關(guān)性分析剔除其中874個(gè)未達(dá)顯著相關(guān)性指標(biāo)的描述符，結(jié)合逐步線性回歸，最終篩選得到14個(gè)關(guān)鍵理化性質(zhì)描述符。基于14個(gè)分子描述符，采用支持向量機(jī)學(xué)習(xí)算法建立QSAR模型，預(yù)測(cè)獨(dú)立測(cè)試樣本的生物毒性，取得了較好效果，預(yù)測(cè)指標(biāo)Q2和RMSEP分別達(dá)到0.936和0.308。通過獨(dú)立測(cè)試集的預(yù)測(cè)值和真實(shí)值比較，表明篩選出的14個(gè)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(jī)小分子化合物毒性的QSAR研究中具有較好的應(yīng)用前景。

參考文獻(xiàn)：

[1]張愛茜， 劉景富， 景傳勇， 等. 我國環(huán)境化學(xué)研究新進(jìn)展[J]. 化學(xué)通報(bào)， 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(jī)物生物毒性的比較[J]. 中國環(huán)境科學(xué)， 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(gòu)效關(guān)系研究進(jìn)展及其應(yīng)用[J]. 首都師范大學(xué)學(xué)報(bào) （自然科學(xué)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(yīng)用[J]. 物理化學(xué)學(xué)報(bào)， 2004， 20（8）： 821-825.

[8]陳淵， 袁哲明， 周瑋， 等. 基于地統(tǒng)計(jì)學(xué)與支持向量回歸的QSAR建模[J]. 物理化學(xué)學(xué)報(bào)， 2009， 25（8）： 1587-1592.

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

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

[11]李顆， 李向輝， 徐西林， 等. 芳香羧酸衍生物驅(qū)避劑的非線性定量構(gòu)效關(guān)系[J]. 昆蟲學(xué)報(bào)， 2014， 57（9）： 1018-1024.

[12]王雪源， 張燦， 蔣莉， 等. 基于支持向量機(jī)的乙酰膽堿酯酶抑制劑的構(gòu)效關(guān)系研究[J]. 計(jì)算機(jī)與應(yīng)用化學(xué)， 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(xué)通報(bào)， 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(xué)工. 關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J]. 自動(dòng)化學(xué)報(bào)， 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(jī)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(xué)， 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(cè)定[J]. 食品科學(xué)， 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(biāo)準(zhǔn) 食品中水分的測(cè)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(jī)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(yīng)對(duì)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(xué)2017，49（2）：72～75Shandong Agricultural Sciences山 東 農(nóng) 業(yè) 科 學(xué)第49卷第2期郭成，等：蘋果砧木組培苗生根誘導(dǎo)技術(shù)研究DOI：10.14083/j.issn.1001-4942.2017.02.015