基于深度学习的睡眠呼吸事件检测

睡眠呼吸暂停、低通气等异常生理事件严重影响着人们的睡眠质量与生命健康,准确高效地检测此类事件是预防及诊断睡眠相关疾病的基础。本文基于双向长短时记忆网络,组合使用口鼻气流、胸部活动和腹部活动三种生理信号,构建多输入睡眠呼吸事件检测模型。模型的训练和测试在都柏林大学学院睡眠呼吸暂停数据集(UCD)和美国国家睡眠研究资源数据集(HeartBEAT)上进行。实验结果显示,本文构建的多输入模型可有效识别睡眠呼吸事件,在UCD数据集上的准确率达87.98%,ROC曲线下面积达0.964;在HeartBEAT上的准确率达88.49%,ROC曲线下面积达0.963。此外,本文发现腹部活动信号在模型构建中具有较高的贡献度,表明了将腹部活动信号用于睡眠呼吸事件检测的必要性,为进一步开发睡眠呼吸疾病的自动筛查工具提供了参考。

基于机器学习的药物血浆蛋白结合率的预测

预测药物在血浆中的蛋白结合率,有助于了解药物的药代动力学特征,对药物发现的早期研究有重要的参考价值。本研究收集了2452个临床药物的血浆蛋白结合率信息,用Molecular Operating Environment(MOE)和Mordred两种软件计算分子描述符,将算得的分子描述符作为模型的输入特征。使用极端梯度提升(extreme gradient boosting,XGBoost)算法和随机森林(randomforest,RF)算法构建机器学习模型。结果表明,与MOE相比,将Mordred计算的分子描述符作为模型的输入,构建的模型预测性能更优。使用XGBoost算法和RF算法构建模型的预测性能结果相近,最优模型的R2均为0.715。此外,根据研究结果得出药物血浆蛋白结合率与药物分子的一些理化性质参数,如水溶性,辛醇/水分配系数以及共轭双键密切相关。通过这些参数预测药物血浆蛋白结合率具有方便快捷的优点,可以为相关药代动力学研究提供参考依据。

基于机器学习的化合物血脑屏障通透性预测

目的建立基于机器学习的化合物血脑屏障通透性(logBB)预测模型,并评价其预测效果。方法收集360个化合物的分子结构信息与相应的logBB,使用遗传算法结合极端梯度提升算法来构建化合物logBB预测模型。结果经十折交叉验证,模型的预测平方相关系数为0.63,均方误差为0.23,表现出良好的预测性能。此外,通过对模型特征重要性的分析,总结了对化合物logBB影响程度最高的前5个分子描述符,分别是拓扑极性表面积、氢键、疏水/亲水性、油水分配系数、辛醇水分配系数。结论模型的预测性能优于仅使用极端梯度提升算法或使用遗传算法结合支持向量机来构建的模型性能,且远优于discovery studio(DS,2016版)软件自带的预测算法性能。本研究可为治疗脑部相关疾病的药物研发提供指导性意义。