用MATLAB程序預測地平類藥物的熔點

李志偉，郭海謙，吳 芬

(1.河北科技大學化學與制藥工程學院，河北石家莊 050018；2.石藥集團歐意藥業有限公司，河北石家莊 050051)

藥物的性質很大程度上取決于藥物分子的結構，通過分析藥物分子的結構，可以發現藥物的性質和結構之間存在的某種定量關系[1]。許多因素都影響藥物的各種理化性質，如在化合物分子中分子的電荷分布及立體因素、官能團的位置等。許多學者也用人工神經網絡或回歸方程等方法對各種藥物進行研究[2-14]。

1 參數及模型

根據文獻[4]中的方法對地平類藥物構建相似的分子參數N和T，與該藥物的熔點進行關聯，構建預測的數學模型，得到地平類藥物的熔點計算值。普拉地平分子結構見圖1。

圖1 普拉地平分子結構Fig.1 Molecular structure of pranidipine

例如：對普拉地平的分子參數N，T進行計算：

T=(δ0)-0.5× 6+(δNH)-0.5+(δN)-0.5+(δC)-0.5×9+(δCH)-0.5×12+(δCH2)-0.5+(δCH3)-0.5×3=1.808×6+0.280 +1.191+0.5×9+0.577×12+0.707+1×3=27.449，

N=0.2+1/3=0.533。

依照上述計算方法，將地平類藥物的熔點、分子參數N和T值列入表1。

表1 地平類藥物熔點實驗值與分子參數N，T

2 編制程序

2.1 回歸方程程序

mmin=[172 156 178 124 178 148 148 142 120 174 148 118 105 75]；

mmax=[174 159 179 128 185 152 150 145 126 175 150 120 109 80]；

format bank；

mpm=(mmin+mmax)/2%程序所用熔點均為熔程平均值

n=[0.7 0.533 0.7 0.533 0.533 0.7 0.533 0.4 0.533 0.7 0.533 0.533 0.533 0.533]′；

t=[23.204 23.911 24.024 28.003 29.901 25.488 25.472 19.569 33.380 28.581 36.175 36.363 30.672 37.559]′；

y=[mpm]′；

x=[ones(14,1) n t]; %對數據擬合新的方程，同時和文獻中方程作圖對比;

[b,bint,r,rint,stats]=regress(y,x);

figure；

rcoplot(r,rint)；

pre_mp=～6.393 1*t+107.425 78*n+260.080 9；

mp=b(3)*t+b(2)*n+b(1);

no=1:14；

figure；

plot(no,mmin,'ro',no,pre_mp,'*',no,mmax,'ro')；

figure；

plot(no,mmin,'ro',no,mp,'*',no,mmax,'ro')；

[t1,n1]=meshgrid(18:2:38,0.8:～0.1:0.3)；

mp3=～6.393 1*t1+107.425 78*n1+260.080 9；

mp4=b(3)*t1+b(2)*n1+b(1)；

figure；

set(gcf,'defaultlinelinewidth',1.5)；

plot3(t,n,pre_mp,'～y*'),hold on,surf(t1,n1,mp3),shading interp,hold on，…

plot3(t,n,mp,'～～m'),hold on,surf(t1,n1,mp4),shading interp，…

hold on,plot3(t,n,mmin,'o'),hold on,plot3(t,n,mmax,'v'),xlabel('T'),ylabel('N')，…

zlabel('melting point'),title('Surfaces Before and after the Curve Fitting')；

choose=input('Do you want to test 4 groups of data,input "1" to go on or"0" to stop.')；

if (choose==0),break；

else

n15=input('test 15th N: ')；

t15=input('test 15th T: ')；

Test_mp15=b(3)*t15+b(2)*n15+b(1)

Pre_mp15=～6.393 1*t15+107.425 78*n15+260.080 9

余下3個藥物驗證程序略去。

2.2 神經網絡程序

數據輸入部分略。

P(2,:)=(p(2,:)～min(p(2,:)))/(max(p(2,:))～min(p(2,:))); % p為參數T，N組成的矩陣

T=(t～min(t))/(max(t)～min(t)); % t為熔程平均值

rand('state',0)；

%net=newff(minmax(P),[6,1],{'tansig','purelin'},'trainlm')；

net=newff(minmax(P),[9,1],{'tansig','purelin'},'traingdx')；

%以上兩行可交替注釋屏蔽訓練

net=init(net)

net.trainParam.epochs = 10 000；

net.trainParam.goal = 0.01；

[net,tr]=train(net,P,T)；

mmin=[172 156 178 124 178 148 148 142 120 174 148 118 105 75]；

mmax=[174 159 179 128 185 152 150 145 126 175 150 120 109 80]；

format bank；

mp=sim(net,P).*(max(t)～min(t))+min(t)

no=1:14；

figure；

plot(no,mmin,'ro',no,mp,'*',no,mmax,'ro')；

choose=input('Do you want to test 4 groups of data,input "1" to go on or"0" to stop.')；

if (choose==0),break；

else

N15=input('test 15th N: ')；

t15=input('test 15th T: ')；

T15=(t15～min(p(2,:)))/(max(p(2,:))～min(p(2,:)))；

Test_mp=sim(net,[N15 T15]').*(max(t)～min(t))+min(t)

余下3個藥物驗證程序略去。

3 運行結果

3.1 回歸方程程序運行結果

程序擬合所得方程為

Test_mp= ～ 2.85T+128.79N+151.85。

(1)

文獻[4]中方程為

Pre_mp= ～6.39T+107.43N+260.08。

(2)

回歸方程法熔點計算值及誤差見表2。

表2 回歸方程法熔點計算值及誤差Tab.2 Calculation values of RE method and errors

其余4組驗證數據見表3。

表3 回歸方程法熔點預測值及誤差驗證

3.2 神經網絡程序運行結果

神經網絡法熔點計算值及誤差見表4。

表4 神經網絡法熔點計算值及誤差

其余4組驗證數據見表5。

表5 神經網絡法熔點預測值及誤差驗證

4 結果與討論

以上數據的結果表明，重新擬合的回歸方程比文獻[4]中方程更適合于計算地平類藥物的熔點。但回歸方程法預測結果與實驗值比較平均誤差在10%左右，而神經網絡方法平均誤差在5%左右，人工神經網絡預測值的結果比回歸方程更接近實驗值。以上2個方法若進一步完善也可以對其他藥物熔點進行更精準的預測，為進一步研究藥物的其他理化性質及藥物活性提供幫助。而其中的BP神經網絡具有設計簡單的優點[15]，具有較好的預測和泛化能力，為復雜、高度非線性問題的解決提供了途徑。因此，BP神經網絡可作為藥物構效關系及計算機輔助藥物設計的有效方法。

用MATLAB處理數據比較方便，而且能進行非線性擬合。作為高級計算機語言，MATLAB具有強大的計算能力，它將成為藥物科研人員進行數據處理及試驗設計的得力助手。

參考文獻/References：

[1] 宋 倩,梅向東,寧 君. 生物電子等排原理在農藥與醫藥開發中的應用[J]. 河北工業科技,2009,26(2):131-136.

SONG Qian, MEI Xiangdong, NING Jun. Application of bioisosterism in pesticide and medicine development[J]. Hebei Journal of Industrial Science and Technology, 2009,26(2):131-136.

[2] HECHT D, CHEUNG M, FOGEL G B. QSAR using evolved neuralnetworks for the inhibition of mutant PfDHFR by pyrimethamine derivatives[J]. Biosystems, 2008, 92(1): 10-15.

[3] FOMENKO I, DURST M, BALABAN D. Robust regression for high throughput drug screening[J]. Computer Methods and Programs in Biomedicine, 2006, 82:31-37.

[4] 周燕平, 焦 健, 周先鋒, 等. 碳酸酐酶XIV抑制劑的定量構效關系研究[J].華中師范大學學報(自然科學版), 2010, 44(4): 618-622.

ZHOU Yanping, JIAO Jian, ZHOU Xianfen, et al. QSAR studies of sulfonamides as the carbonic anhydrase XIV inhibitors by artificial neural network-based transformation for nonlinear partial least-square regression[J]. Journal of Huazhong Normal University (Natural Sciences),2010,44(4):618-622.

[5] LEOW J L, BARON R, CASEY P J, et al. Quantitative structure-activity relationship (QSAR) of indoloacetamides as inhibitors of human isoprenylcysteine carboxyl methyltransferase[J]. Bioorganic and Medicinal Chemistry Letters, 2007, 17(4): 1 025-1 032.

[6] HEMMATEENEJAD B, SHAMSIPUR M. Quantitative structure electrochemistry relationship study of some organic compounds using PC-ANN and PCR[J]. Internet Electronic Journal of Molecular Design, 2004, 3(6): 316-334.

[7] 周 魯,夏昆華. 喹諾酮類化合物的定量構動關系[J].華西藥學雜志, 2006, 21(5): 433-435.

ZHOU Lu, XIA Kunhua. The quantative structure-pharmacokinetic relationship of quinolones compounds[J]. West China Journal of Pharmaceutical,2006, 21(5): 433-435.

[8] 陳國華,陸 瑤,陳 虹. 基于逐步回歸所得變量集的遺傳反向傳播神經網絡的QSAR研究[J]. 計其機與應用化學,2010,27(9):1 257-1 262.

CHEN Guohua, LU Yao, CHEN Hong. The QSAR study of backpropagation neural network using genetic algrithm based on variable pool selected by stepwise linear regression[J]. Computers and Applied Chemistry,2010,27(9):1 257-1 262.

[9] 堵錫華,陳 艷,唐自強,等.抗糖尿病新藥熔點的定量構效關系研究[J]. 南京工業大學學報,2006,28(2):98-100.

DU Xihua, CHEN Yan, TANG Ziqiang, et al. QSPR research for melting point of new antidiabetic drugs[J]. Journal of Nanjing University of Technology,2006,28(2):98-100.

[10] 高鴻斌,張永強,張 佳. BP-神經網絡算法在分布式VOD系統流量預測中的應用[J]. 河北科技大學學報, 2001, 22(3): 23-26.

GAO Hongbin, ZHANG Yongqiang, ZHANG Jia. Applicationof BP-neural networktonetwork-flow predictionof distributed VOD system[J]. Journal of Hebei University of Science and Technology, 2001, 22(3): 23-26.

[11] HANGAN M T, DEMUTH H B, BEALE M. Neural Network Design[M].Beijing: China Machine Press,2002.

[12] KAHANER D, MOLER C B, NASH S. Numerical Methods and Software[M]. Englewood Cliffs: Prentice Hall, 1989.

[13] SMITH B T, BOYLE J M, DONGARRA J J, et al. Matrix Eigensystem Routines-EISPACK Guide[M]. 2nd ed. New York: Springer-Verlag, 1976.

[14] 郝平嬌, 李士雨. 淺談MATLAB在化工計算中的應用[J]. 計算機與應用化學, 2000,17(4): 371-374.

HAO Pingjiao, LI Shiyu. Applications of MATLAB in chemical engineering calculating[J]. Computers and Applied Chemistry, 2000,17(4): 371-374.

[15] 馮 劍. MATLAB在化工計算中的應用[J]. 化學工程師, 2008, 22(5): 25-27.

FENG Jian. Applications of MATLAB in chemical engineering calculating[J]. Chemical Engineer, 2008, 22(5): 25-27.