胡帥，孔韌，謝良旭

（江蘇理工學(xué)院電氣信息工程學(xué)院生物信息與醫(yī)藥研究工程研究所，常州 213001）

0 引言

許多天然或者非天然的化合物被廣泛應(yīng)用于人類的日常生活，如防腐劑、紫外線過濾器、增塑劑、香料、抗菌劑、殺蟲劑和阻燃劑等個人護理和消費品，食品都有化合物的存在［1-2］。值得注意的是，許多化合物作為內(nèi)分泌干擾物（endocrine disrupting chemicals，EDC），可過干擾人類激素的合成和作用，導(dǎo)致多種疾病，如生殖能力下降，癌癥，甚至幼體死亡［3］。根據(jù)內(nèi)分泌學(xué)會的定義，內(nèi)分泌干擾化學(xué)物質(zhì)是“一種外源性的非自然的化學(xué)物質(zhì)，或化學(xué)物質(zhì)的混合物，它能干擾激素作用的任何方面”［4］。目前國內(nèi)外采取了許多方法來確定一種化合物是否具有內(nèi)分泌活性。內(nèi)分泌干擾者篩查計劃和21世紀毒理學(xué)測試項目建立了各種體外或體內(nèi)檢測方法，以測量化學(xué)物質(zhì)對人類或野生動物內(nèi)分泌系統(tǒng)的潛在影響［5］。盡管細胞培養(yǎng)，特別是干細胞培養(yǎng)可以替代動物個體進行實驗，從而縮短評估過程、提高實驗的靈敏度，化合物毒性的實驗評估仍然耗時費力［6］。使用數(shù)學(xué)模型來預(yù)測化合物的活性已經(jīng)成為計算機輔助藥物設(shè)計的研究熱點。數(shù)據(jù)建模工具在一定的框架下對現(xiàn)有的實驗數(shù)據(jù)進行擴展，可以減少人力物力消耗。

定量構(gòu)效關(guān)系（quantitative structure-activity relationship，QSAR）被廣泛應(yīng)用于化合物對內(nèi)分泌受體如雌雄激素受體的活性預(yù)測，如協(xié)同雌激素受體活性預(yù)測項目和雄激素受體活性協(xié)同建模項目構(gòu)建就是通過不同QSAR方法訓(xùn)練的雌激素或雄激素受體活性預(yù)測［7］。該方法經(jīng)常結(jié)合機器學(xué)習(xí)算法一起使用［8］。在綜合國內(nèi)外利用機器學(xué)習(xí)預(yù)測化合物的雌雄激素受體活性的基礎(chǔ)上，本文采用支持向量機，隨機森林等方法，采集來自Binding Database數(shù)據(jù)庫的已知活性數(shù)據(jù)集，建立了定量結(jié)構(gòu)-活性關(guān)系模型用于雌雄激素受體的活性預(yù)測，有利于實現(xiàn)化合物的高通量篩選。

1 材料來源

Binding Database（BindingDB）（https://www.bindingdb.org/bind/index.jsp）是一個公開訪問的數(shù)據(jù)庫［9］，目前包含8185種蛋白質(zhì)和超過920703個類藥分子的2096653個活性數(shù)據(jù)。這些數(shù)據(jù)從科學(xué)文獻中提取，數(shù)據(jù)收集的重點是作為藥物靶點或候選藥物靶點的蛋白質(zhì)，其結(jié)構(gòu)數(shù)據(jù)存在于蛋白質(zhì)數(shù)據(jù)庫中，數(shù)據(jù)的類型包括Ki、IC50、Kd、EC50等［10］。由BindingDB查詢生成的數(shù)據(jù)集可以以帶注釋的mysql數(shù)據(jù)庫的形式下載，以便進行進一步分析。研究發(fā)現(xiàn)，內(nèi)分泌干擾物中的雌雄激素受體類似物可以跟雌雄激素受體結(jié)合，激活或抑制這些激素受體，從而干擾內(nèi)分泌系統(tǒng)，影響人體健康［11］。BindingDB全面記錄了雌雄激素受體類似物的數(shù)據(jù)情況［12］。本文所用的數(shù)據(jù)為從該數(shù)據(jù)庫下載的有實驗數(shù)據(jù)記錄影響雌雄激素類似化合物，共計13190條數(shù)據(jù)，其中毒性評估準則以50%生長抑制濃度的對數(shù)log（IC50）單位nmol/L表示，經(jīng)過去除重復(fù)數(shù)據(jù)清除IC50值相差大的錯誤數(shù)據(jù)后得到了8357條數(shù)據(jù)。為了進行量化分析數(shù)據(jù)，利用pandas畫出了8357條數(shù)據(jù)的IC50值的大致分布，如圖1所示。

圖1 數(shù)據(jù)分布

從圖1可以看出數(shù)據(jù)集里的數(shù)據(jù)基本符合正態(tài)分布，所以將數(shù)據(jù)集里的數(shù)據(jù)以中位數(shù)log2.28為分界點，分為兩部分。小于中位數(shù)為雌雄激素活性強的數(shù)據(jù)，或稱活性數(shù)據(jù)，在模型算法中用class1表示；大于中位數(shù)為雌雄激素活性弱的數(shù)據(jù)，或稱非活性數(shù)據(jù)，在模型算法中用class0表示。

2 數(shù)據(jù)處理

2.1 分子指紋

在比較兩個化合物之間的相似性時遇到的最重要問題之一是任務(wù)的復(fù)雜性，這取決于分子表征的復(fù)雜性。在一定程度上的簡化或抽象可以使比較分子更加容易。分子指紋就是一種抽象化表征，它的流程一般為歸納提取分子的結(jié)構(gòu)特征，再用哈希（Hashing）生成比特向量。本文采用的基于子結(jié)構(gòu)的分子指紋為MACCS和ECFP。

MACCS密鑰通過使用RDKit進行計算［13］。ECFP指紋由Pande開發(fā)的DeepChem開源軟件包進行轉(zhuǎn)換。然后利用交叉驗證方法［14］將數(shù)據(jù)集分為訓(xùn)練集和測試集，二者的比例為8∶2。

2.2 方法

2.2.1 隨機森林

隨機森林（random forests，RF）是一種比較典型的機器學(xué)習(xí)模型。經(jīng)典的機器學(xué)習(xí)模型神經(jīng)網(wǎng)絡(luò)雖預(yù)測準確，但是計算量很大［15］。為了解決這個問題，上個世紀分類樹的算法被Breiman等科學(xué)家提出。2001年Breiman把分類樹組合成隨機森林［16］，即通過對數(shù)據(jù)集的采樣生成多個不同的數(shù)據(jù)集，并在每一個數(shù)據(jù)集上訓(xùn)練出一顆分類樹，最終結(jié)合每一顆分類樹的預(yù)測結(jié)果作為隨機森林的預(yù)測結(jié)果。隨機森林，被譽為當(dāng)前最好的分類算法之一［17］。因為本文數(shù)據(jù)比較離散，所以選擇了ID3（iterative dichotomiser 3）算法。下圖為使用ID3算法構(gòu)建隨機森林的流程。

圖2 RF模型的流程圖

2.2.2支持向量機

支持向量機（support vector machines，SVM）是一種構(gòu)建分類器的強大方法［18］。它的目的是在兩個類之間創(chuàng)建一個決策邊界，這個邊界叫做超平面［19］。這個超平面是從每個類的最近的數(shù)據(jù)點獲取。SVM算法最初是由Vapnik在1963年提出的線性分類器，針對非線性數(shù)據(jù)，它還有一個用途就是核函數(shù)。在非線性問題中，可以使用核函數(shù)向原始數(shù)據(jù)添加額外的維數(shù)，使用核函數(shù)求解的過程如下：

第一步：將問題轉(zhuǎn)化為原始問題及變形，用到的公式為

第二步：原始問題對偶化，首先構(gòu)建拉格朗日函數(shù)：

其中,ai≥0,μi≥0。

然后原始問題對偶化并選擇核函數(shù)：

第三步：利用KKT條件求解，首先利用SMO算法求解a*，然后在向量a*中選一個0＜aj＜C，求解b*。

最后得到分類決策算法：

3 結(jié)果與討論

3.1 評估標準

在本研究中，采用準確性（Accuracy）、精準率（Precision）、召回率（Recall）、精度和召回率的調(diào)和平均（F1_score）、對每個類別的精準、召回和F1_score加和求平均，即宏平均（Macroavg），對宏平均的一種改進，考慮了每個類別樣本數(shù)量在總樣本中占比，即加權(quán)平均（Weightedavg）這六種統(tǒng)計指標來評估所提模型的性能，計算公式如下：

對公式中出現(xiàn)的英文簡寫解釋如下：

TP（True Positive）：做出Positive的判定，而且判定是正確的，即檢測為雌雄激素活性強且雌雄激素活性強的物質(zhì)；FP（False Positive）：做出Positive的判定，但判定是錯誤的，即檢測為雌雄激素活性強但實際雌雄激素活性弱的物質(zhì)；TN（True Negative）：正確的Negative判定，而且判定是正確的，即檢測為雌雄激素活性弱且雌雄激素活性弱的物質(zhì)；FN（False Negative）：錯誤的Negative判定，而且判定是錯誤的，即檢測為雌雄激素活性弱但雌雄激素活性強的物質(zhì)；雌雄激素活性弱的精準率用Pno來表示，雌雄激素活性強的精準率用Pyes表示；Support代表支持樣本數(shù)，雌雄激素活性弱樣本數(shù)用Supportno表示，雌雄激素活性強的樣本數(shù)用Supportyes表示。

此外還應(yīng)用了受試者工作特征曲線（receiver operating characteristic，ROC）和曲線下面積（area under curve，AUC）來評價模型的分類性能：ROC曲線的Y軸為真陽性率（true positive rate），X軸為假陽性率（false positive rate）；AUC的值越大表明模型的預(yù)測結(jié)果越好［20］。

3.2 預(yù)測結(jié)果和分析

本文采用了二組分類模型RF和SVM，分別結(jié)合兩種分子指紋做預(yù)測，在使用Sklearn.metric.classification_report工具對模型的測試結(jié)果進行評價時，整理輸出結(jié)果，如表1～表4（圖3）所示。

圖3 集受試者工作特征（receiver operating characteristic,ROC）曲線

表1 隨機森林（RF）結(jié)合ECFP指紋

表2 隨機森林（RF）結(jié)合MACCS指紋

表4 支持向量機（SVM）結(jié)合MACCS指紋

從表1～表4可以看出，RF，SVM算法結(jié)合ECFP指紋模型準確率和AUC值要分別高于RF，SVM結(jié)合MACCS，主要是因為ECFP可用來表示功能基團是否存在，對于分析分子活性至關(guān)重要。RF的結(jié)果要好于其他結(jié)果，從直觀現(xiàn)象來解釋，主要是因為RF的每棵決策樹都相當(dāng)于一個分類器，對于輸入的每一個樣本來說，M個分類器就有M個分類結(jié)果。RF集成了所有結(jié)果，最終把類別中的結(jié)果做為輸出成果，RF是一種最容易達到好的分類結(jié)果的算法。RF結(jié)合ECFP指紋在對化合物的雌雄激素活性的預(yù)測上可以達到0.83的準確率，AUC值可以達到0.896，且ROC曲線光滑，說明數(shù)據(jù)樣本空間分布合理，模型預(yù)測結(jié)果優(yōu)良。其次，SVM結(jié)合ECFP結(jié)果稍遜于RF，從側(cè)面證明了SVM適用于樣本空間小的數(shù)據(jù)。SVM結(jié)合ECFP，由于樣本小，ROC曲線略有凹凸。在對化合物的雌雄激素活性的預(yù)測上可以達到0.83的準確率，AUC值可以達到0.882，證明模型的預(yù)測能力良好且廣泛。

4 結(jié)語

本文對8357條雌雄激素受體毒性值有影響的小分子化合物進行分子指紋的轉(zhuǎn)換，選擇學(xué)習(xí)方法建模并進行了毒性的預(yù)測評估，RF模型結(jié)合ECFP指紋明顯優(yōu)于參比模型。本文構(gòu)建的雌雄激素受體預(yù)測模型，因純粹選用理論計算參數(shù)而不依賴實驗測定，故較方便、省時且節(jié)約費用，可對環(huán)境分布的化合物進行快速的激素受體干擾能力判斷，為環(huán)境內(nèi)分泌干擾分子的風(fēng)險管理提供基礎(chǔ)。

本文所使用的數(shù)據(jù)和源碼可訪問https://gitee.com/code-mk/classification獲取。