基于粒子群优化算法的神经网络在农药定量构效关系建模中的应用
张丽平 俞欢军3 陈德钊 胡上序
(浙江大学化工系,杭州310027)
摘 要 神经网络模型能有效模拟非线性输入输出关系,但其常规训练算法为BP 或其它梯度算法,导致训练时间较长且易陷入局部极小点。本实验探讨用粒子群优化算法训练神经网络,并应用到苯乙酰胺类农药的定量构效关系建模中,对未知化合物的活性进行预测来指导新药的设计和合成。仿真结果表明,粒子群优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也得到了较大的提高。关键词 粒子群优化算法,神经网络,定量构效关系
2004201204收稿;2004207225接受
本文系国家自然科学基金资助项目(N o.20276063)
1 引 言
药物定量构效关系(QS AR )是研究药物生理活性和药物分子结构参数间的量变规律并建立相应的
数学模型,进而研究药物的作用机理,从而用于预测未知化合物的生物活性,探讨药物的作用机理,指导新药的设计和合成,在药物和农药的研究与设计中已经显示出广阔的应用前景1。以往QS AR 的建模方法大多基于统计原理,局限于线性模型,只进行简单的非线性处理,由此所建立的模型很难契合实际构效关系,并且其处理过程都比较繁琐2。神经网络通过学习将构效关系知识隐式分布在网络之中,适用于高度非线性体系。
在药物QS AR 中采用神经网络(NN )始于20世纪80年代末3,此后得到迅速的发展,目前已发展为除多重线性回归和多元数据分析之外的第3种方法4。通常多层前传网络采用BP 算法,通过误差反传,按梯度下降的方向调整权值。其缺点是可能陷入局部极小点,且对高维输入收敛速度非常缓慢。
粒子群优化算法(particle swarm optimization ,PS O )是K ennedy 等5源于对鸟群、鱼群和人类社会行为的研究而发展的一种新的进化型寻优技术。PS O 已成为进化寻优算法研究的热点,其最主要特点是简单、收敛速度快,且所需领域知识少。本实验拟将该方法初始化前传神经网络为苯乙酰胺类农药建立良好适用的QS AR 模型。
2 苯乙酰胺类农药的Q SAR 问题
苯乙酰胺类化合物是除草农药,其除草活性与其分子结构密切相关。所有的N 2(12甲基212苯乙基)苯乙酰胺都可用相应的羧酸酰胺通过霍夫曼反应生成。N 2(12甲基212苯乙基)苯乙酰胺的基本结构式为
:
其中X 为Me 、F 、Cl 、OMe 、CF 3和Br 等,Y 为Me 、Cl 、F 和Br 等,由不同的X 和Y 取代基可构成不同的化合物。常用以下7个理化参数描述化合物的分子组成和结构:log P 、log 2P (疏水性参数及其平方项)、
σ(电性效应参数)、E s (T aft 立体参数)、MR (摩尔折射度),1χ、2
χ(分子连接性指数)。于是这类化合物的QS AR 就转化为上述理化参数与除草活性间的关系。为研究这种关系,选用具有代表性的50个化合物,
他们的活性值取自文献1,见表1。
第32卷2004年12月分析化学(FE NXI H UAX UE ) 研究报告Chinese Journal of Analytical Chemistry 第12期1590～1594
表1 苯乙酰胺类化合物分子结构参数与除草活性值
T able1 S tructural parameters and anti2scipusjuncoides activity of N2phenylacetamides
序号N o.
自变量Independent variables
log PσMR E s1χ2χlog2P
因变量
Dependent variable
活性Activity
1 1.12-0.349.240.007.31 5.59 1.254 5.85
20.70-0.11 4.510.78 6.93 5.170.490 5.68
3 1.270.069.620.277.42 5.70 1.613 5.72
40.54-0.4411.460.697.43 5.480.292 6.07
5 1.12-0.249.240.007.31 5.65 1.254 5.89
6 1.270.209.620.277.41 5.7
7 1.613 6.00
7 1.270.069.620.277.42 5.70 1.662 5.58
80.850.29 4.89 1.057.03 5.280.722 5.44
9 1.420.4610.000.547.52 5.81 2.016 5.65
100.69-0.0411.840.967.53 5.590.476 5.46
11 1.270.169.620.277.41 5.76 1.613 5.57
12 1.420.6010.000.547.51 5.88 2.016 5.65
130.690.1011.840.967.52 5.630.476 5.42
14 1.270.069.620.277.41 5.76 1.613 5.18
15 1.420.4610.000.547.51 5.88 2.016 5.41
16 1.12-0.249.240.007.31 5.65 1.254 5.79
170.70-0.01 4.510.78 6.92 5.230.490 5.92
18 1.270.169.620.277.41 5.75 1.613 6.10
190.54-0.3411.460.697.42 5.530.292 5.79
20 1.12-0.149.240.007.30 5.71 1.254 5.82
21 1.270.309.620.277.40 5.83 1.613 6.22
22 1.440.368.61-1.167.39 5.66 2.074 5.73
23 1.420.1612.470.087.80 6.27 2.016 4.64
240.94-0.3116.060.038.00 5.800.884 4.32 250.700.17 4.510.78 6.92 5.200.490 6.47 260.850.57 4.89 1.057.02 5.310.722 6.57
27 1.270.209.620.277.41 5.76 1.613 6.49
280.850.43 4.89 1.057.02 5.340.7227.04
29 1.420.6010.000.547.51 5.87 2.016 6.71
300.690.1011.840.967.52 5.650.476 6.53
31 1.270.309.620.277.40 5.83 1.613 6.38
32 1.420.7410.000.547.51 5.94 2.016 6.95
33 1.570.6212.850.357.90 6.32 2.465 6.47
340.56-0.349.240.007.31 5.640.314 5.82 350.70-0.11 4.510.78 6.92 5.220.490 6.01
36 1.270.069.620.277.41 5.75 1.613 6.22
370.54-0.4411.460.697.42 5.530.292 5.82 380.56-0.249.240.007.30 5.700.314 5.89
39 1.270.209.620.277.40 5.82 1.613 5.92
400.70-0.11 4.510.78 6.92 5.190.490 6.25 410.850.29 4.89 1.057.02 5.310.7227.05 420.12-0.21 6.73 1.477.03 5.080.014 6.44 430.70-0.01 4.510.78 6.91 5.260.490 6.50 440.850.43 4.89 1.057.02 5.370.722 6.39
45 1.270.069.620.277.41 5.76 1.613 6.68
460.850.29 4.89 1.057.02 5.340.722 6.63
47 1.420.4610.000.547.51 5.87 2.016 6.91
48 1.270.169.620.277.40 5.82 1.613 6.84
49 1.000.297.740.867.41 5.79 1.000 6.60
50 1.570.6012.850.357.90 6.39 2.465 6.49 1951
第12期张丽平等:基于粒子群优化算法的神经网络在农药定量构效关系建模中的应用
