支持向量机在构建白介素-1β转化酶抑制剂药效团模型中的应用

以24个作用于人体外围血单核细胞药理模型的白介素-1β转化酶抑制剂作为研究对象,计算了其表征分子的拓扑、电子、几何结构等物理化学性质的1209个分子描述符,用CfsSubsetEval评价方法和BestFirst-D1-N5搜索方法筛选描述符,用Kennard-Stone方法选择训练集和测试集。分别采用支持向量机、决策树、贝叶斯网络、人工神经网络等机器学习方法建立分类预测模型并使用Catalyst/HipHop系统建立药效团模型。结果表明支持向量机优于其他分类模型,正、负样本的预测正确率均达到100%。最优药效团模型具有5个特征:2个疏水基团、2个脂性氢键受体、1个氢键给体;以此药效团进行中药数据库筛选得到384个候选白介素-1β转化酶抑制剂。利用支持向量机建立的分类预测模型对候选化合物的活性进行了预测,其中高活性化合物占96.6%,表明白介素-1β转化酶抑制剂药效团模型较准确地反映了高活性化合物的公共特征。该模型的建立有助于从中草药筛选新型白介素-1β转化酶抑制剂。