[发明专利]有机污染物定量结构活性相关建模的变量筛选方法

说明书

技术领域

本发明涉及一种有机污染物定量结构活性相关建模的变量筛选方法，具体地说是从大量的分子结构描述符变量中，选取一定数量相互作用较大的n-变量组合；然后以此为基础，每次增加一个变量，与所有选取出n-变量组合构成(n+1)-变量组合，并筛选出一定数量的(n+1)-变量组合，依次类推，直到满足要求为止，从而得到不同变量数的最优线性模型的一种变量筛选方法。

背景技术

有机污染物的定量结构活性相关(Quantitative Structure and Activity Relationship，QSAR)研究方法作为一种计算机建模技术，能够深入挖掘有机污染物结构与其对人体及生态环境造成危害之间的量变规律和因果关系，为从分子水平上将污染物结构与其相对宏观的多样性环境行为和毒性效应进行关联提供了一种强有力的体外模拟技术。QSAR模型可以预测并弥补有机污染物环境行为和生态毒理数据的缺失、节省人力物力，有助于减少和替代实验(尤其是动物实验)测试，因此QSAR目前已经成为污染物环境生态风险评价和人体健康风险评价的重要工具(王连生，韩朔睽，有机污染物的定量结构-活性相关，1993，北京：中国环境科学出版社；国家自然科学基金委员会化学科学部组编，叶常明，王春霞，金龙珠主编，21世纪的环境化学，2004，科学出版社：北京。)

随着化学信息学的高速发展，QSAR建模研究的日益深入，表征分子结构的描述变量越来越多(目前可提取5000以上)。然而，因为结构表征描述符的提取方式、原理和途径等不一致，包含信息量的不一致，导致描述符变量之间存在大量的信息重叠或冗余，为QSAR模型的建立带来了困难。同时根据奥卡姆剃刀原则，要求模型尽可能简单，以避免复杂模型带来的过拟合问题。因此，筛选最佳的分子结构描述符变量子集，建立QSAR模型是成了有机污染物毒性效应建模与预测中急需解决的问题。

通常，解决大量描述变量建模方法还有主成分回归(Principle Component Regression，PCR)和偏最小二乘法(Partical Least Squares，PLS)，这两种方法都是从描述变量中分解出有原变量线性组合构成的几个重要的正交变量，然后建立模型的方法，可以解决部分线性相关及大变量集的问题(刘树深；易忠胜，基础化学计量学.科学出版社：北京，1999.王惠文；吴载斌；孟洁，偏最小二乘回归的线性与非线性方法.国防工业出版社：北京，2006.)。实际上，这两种方法所得模型质量不会超过通过适宜的变量筛选方法得到模型质量(Kubinyi，H.，Variable Selection in QSAR Studies.I.An Evolutionary Algorithm.QSAR Comb.Sci.1994，13(3)，285-294.)；其次，这两种方法，最后建立的模型是一个隐模型，也就是不能给出一个明确函数关系，虽然可以通过拟线性化得到线性模型(刘树深，有机物分子电性距离矢量表征及其应用.高等教育出版社：北京，2005.)，但变量数比较多的时候，非常不方便；因主成分为原变量的线性组合，不能直接给出分子结构描述符变量与有机污染物毒性效应之间的影响关系。因此，现在QSAR建模预测有机污染物毒性效应时，通常从众多的分子结构描述中筛选最佳子集，然后采用线性方法进行建模和预测。