《表2 采用不同描述符集构建的QSKR模型在验证集上的测试结果》
提示:宽带有限、当前游客访问压缩模式
本系列图表出处文件名:随高清版一同展现
《应用机器学习方法构建药物分子解离速率常数的预测模型》
为了进一步评价我们得出的QSKR模型的真实能力,我们还构建了一个简单模型(Null Model)作为参照。该参照模型采用6个只与配体分子相关的物化性质作为描述符,包括分子量、可旋转键数目、氢键受体数目、氢键供体数目、极性表面积和Alog P值(见图4),采用相同的随机森林算法(所有超参数均为软件给定的缺省值),在相同的训练集上训练得到。该模型在内部验证集、外部测试集以及HSP90测试集上的表现请参见表3。结果显示:我们构建的QSKR模型的预测能力明显强于该参照模型。这也说明单纯用配体描述符不足以预测蛋白-配体复合物的解离速率常数,而本工作采用的蛋白-配体相互作用描述符则更适用于这一目标。
图表编号 | XD00124658100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.15 |
作者 | 苏敏仪、刘慧思、林海霞、王任小 |
绘制单位 | 中国科学院上海有机化学研究所生命有机化学国家重点实验室、中国科学院大学、上海大学理学院化学系、上海大学理学院化学系、中国科学院上海有机化学研究所生命有机化学国家重点实验室、中国科学院大学 |
更多格式 | 高清、无水印(增值服务) |