原子类型电拓扑状态指数预测吲哚喹唑啉衍生物的抗癌性

采用原子类型电拓扑状态指数(ETSIAT)对17个吲哚喹唑啉衍生物的抗癌活性进行定量构效关系(QSAR)的研究.经逐步回归变量筛选,得到包含4个ETSIAT变量的最优偏最小二乘模型,其复决定系数R2、留一法交互验证复决定系数Q2和均方根误差RMSEE分别为0.806、0.736和0.248.将样本随机分为训练集和预测集后,采用相同变量组合对模型进行外部验证,结果显示模型具有较高的外部预测能力.模型分析结果显示,与抗癌活性相关的4个ETSIAT描述子对应结构碎片分别为≥N襒,—NH—,襒O,>N—.其中—NH—结构碎片与抗癌活性呈负相关关系,而≥N襒,>N—和襒O则与抗癌活性呈正相关关系.此外,研究亦显示,取代基R1上存在强的吸电子基团可显著提高化合物的抗癌活性,且影响抗癌活性的因素可能还有R2基团的空间位阻效应.据此设计出4个化合物的预测活性比最高活性样本分别提高7.7%、15.3%、23.1%和130%.

吲哚喹唑啉衍生物抗癌活性与拓扑参数的定量关系

为建立吲哚喹唑啉衍生物类药物抗癌活性的定量结构-活性相关性模型,分析了20个具有不同取代基的吲哚喹唑啉衍生物分子抗癌活性与分子连接性指数mX及其电性拓扑状态指数Im的关系,有效地表征了该衍生物的分子结构.采用多元线性逐步回归方法进行多次优化筛选了2种分子连接性指数0χp,2χp和2种电性拓扑状态指数I7,I16,经逐步回归分析得到了用于预测吲哚喹啉衍生物抗癌活性的定量结构-活性相关(QSAR)模型,回归方程的相关系数为0.820.利用方程计算得到抗癌活性的估算值与实验值之间平均误差只有0.010,此外对模型稳定性和预测能力进行了检验,结果表明模型具有良好的稳健性和预测能力.

人工神经网络用于吲哚喹唑啉衍生物的QSAR研究

应用BP神经网络方法对20个吲哚喹唑啉衍生物的定量-结构活性关系(QSAR)进行了研究,采用自编的软件进行跟踪学习,当ξ=0.8,ψ=0.75时获得了较好的拟合,相关系数R=0.9996,标准偏差SD=0.0172,结果优于回归分析法R=0.8505,SD=0.2641.随机挑选16个化合物作为训练样本集,剩余的4个化合物作为预测样本集,标准误差SE=0.3471,表明该QSAR模型具有良好的预测效果,可为活性更高的该类化合物的设计提供理论参考.