论文部分内容阅读
随着社会的不断发展,物质和经济条件的提高,人口老年化程度越来越高,阿尔兹海默症(Alzheimer’s disease, AD)患者的数量在全球也迅速的增加,给全球的经济、社会以及部分家庭带来了沉重的负担,因此研发能够治疗AD的药物变得非常迫切。由于p淀粉样蛋白(β-amyloid, Aβ)代谢过程在AD的发生中具有很重要的作用,如果能有效地控制Aβ的聚集将有望从根本上治疗AD。本文首先构建了能够筛选Ap聚集抑制剂的支持向量机(Support Vector Machine, SVM)模型,然后用上述模型从中药化学数据库(Traditional Chinese Medicines Database, TCMD)中筛选出合适的中药,最后用作者自己构建的血脑屏障(Blood Brain Barrier, BBB)通透性模型测试上述中药的通透性,最终确立具有Aβ抑制效益并能通过血脑屏障的中药,进而为以后的实验验证以及进一步的药物研发做好基础和提供一些参考价值。本文中总共构建了四个SVM模型,包括两个Aβ40小分子抑制剂模型、一个Aβ42小分子抑制剂模型和一个BBB模型,由于Aβ40聚集抑制剂的数据涉及到两种不同的实验self seeding radio assay与self seeding thioflavin T assay,为了区别这两种数据建立的模型,便分别称为Aβ40聚集抑制剂预测模型R和Aβ40聚集抑制剂预测模型T。构建BBB通透性预测模型所用的样本数量为415,训练集的准确度为92.5%,测试集的准确度为79.4%,五重交叉验证得到的平均准确率为80.3%。构建Aβ40聚集抑制剂预测模型R所使用的样本数量为64,训练集的准确度为88.6%,测试集的准确度为75.0%,留一法验证的平均准确率为75.0%。从TCMD23033个化合物中总共筛选出了41个化合物,然后统计出含有这些化合物的种类大于等于3种的中药,结果为胡椒属(Piper chaba)(果实)、雷公藤(Tripterygium wilfordii)干姜(Zingiber officinale)、高良姜(Alpinia officinarum)和益智仁(Alpinia oxyphylla)。最后这些中药经过BBB模型筛选后,胡椒属、高良姜和益智仁符合模型的要求。建立Aβ40聚集抑制剂预测模型T使用的样本数量为82,训练集的准确度为75.0%,测试集的准确度为57.7%,留一法验证的平均准确率为71.4%,从TCMD中总共筛选出了100个化合物,然后统计出含有这些化合物的种类大于等于3种的中药,结果为胡椒属西洋参(Panax quinquefolium)、麝香(Moschus moschiferus)、壮观番泻(Senna spectabilis)(花)、高良姜(Alpinia officinarum)、蒜臭母鸡草(Petiveria alliacea)(根,茎和叶)、益智仁(Alpinia oxyphylla)和金鸡勒(Cinchona ledgeriana)。最后这些中药经过BBB模型筛选后,所有的中药均符合模型的要求。建立Aβ42聚集抑制剂预测模型所需样本数量为28,训练集的准确度为95.0%,测试集的准确度为62.5%,留一法验证的平均准确率为55.0%,从TCMD2303个化合物中仅筛选出了1个化合物,为芸苔子(Brassica campestris)的成分。最后经过BBB模型筛选后,其符合模型的要求。