《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》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。