链接：https://pan.baidu.com/s/1Q44saCOOeFNASpzZ4Y4FJA?pwd=6aqk
提取码：6aqk

乳腺癌是目前世界上最常见，致死率较高的癌症之一，研究抗乳腺癌候选
药物的优化建模，具有重大的现实意义。本文采用距离相关系数、随机森林、
XGBoost、遗传算法等数学算法，对数据进行了深度的挖掘，发现了显著影响化
合物生物活性的分子描述符，建立了生物活性与分子描述符的量级关系，并构建
了化合物 ADMET 性质与分析描述符的定性关联，具体作法如下：
针对问题 1，考虑到数据维度较大，直接进行特征选择存在一定挑战。为此
我们在数据标准化的基础上，提出了三次特征筛选方法，首先使用灰色关联度分
析，进行第一次特征筛选，得到具有相关性的 70 个变量（见图 4-4）；其次使用
距离相关系数，进一步细筛，剩余 37 个相关性较强的变量；最后使用随机森林
分析变量之间和变量与化合物活性之间的关联，得到 20 个与生物活性显著相关
的重要分子描述符（见表 1）。
针对问题 2，在上一问分析显著性的基础上，我们首先使用最大信息系数法
和递归特征消除法分析变量之间的独立性，并将高斯混合模型、改进的随机森
林方法作为特征选择的对照方法进行对比，从而选出用于化合物生物活性预测
的变量，并对预测特征进行独立性检验；其次考虑到数据样本存在高度的非线
性、强耦合、稀疏性、训练样本稀少，深度算法易于造成过拟合问题，我们选取
了 XGBoost 算法来学习化合物生物活性与分子描述符之间的定量关系，与随机
森林、 GDBT、集成学习等进行对比实验；最后在定性与定量的角度进行了可视
化展示（见图 5-13 与表 5），直观的证明了本文方法的效果。
针对问题 3，对于 ADMET 五个分类变量，我们在进行数据标准化的基础上，
分别使用随机森林对数据进行降维处理，并使用遗传算法选择对其性质具有显
著影响的变量。其次使用 XGBoost 对 ADMET 五个性质单独建立分类模型，并设
置一组对照实验，以验证本文使用方法的性能。最后我们展示了特征选择模型和
ADMET 性质分类模型的可视化结果，并进行了实验分析（见表 13 与图 6-13）。
针对问题 4，基于第二、三问构建的预测模型，以生物活性最高和 ADMET
性质最好作为目标，以二、三两问筛选出的分子描述符作为决策变量，构建优化模型。考虑到本优化问题搜索空间大，全局最优解寻找难度大的特点，我们采用
了遗传算法对这一优化问题进行求解。由于分子描述符超过一定范围在应用中
不具有实际意义，我们利用所给数据的范围来表示分子描述符的取值范围。利
用 Python 编程实现，得到了一组分子描述符和其相应的取值，使得化合物对抑
制 ERα 具有更好的生物活性，同时具有更好的 ADMET 性质。最后，进行算法
对比分析，证明了遗传算法的有效性和优越性（见图 7-3）。

关键字： 三次特征筛选方法 递归特征消除法 随机森林 XGBoost 遗传算
法 相关性分析 独立性分析