烴類沸點的定量構(gòu)效關(guān)系研究

楊 惠,陳利平 ,謝傳欣,石 寧,陳網(wǎng)樺

(1.化學品安全控制國家重點實驗室,青島 266071;2.南京理工大學化工學院安全工程系,南京 210094)

烴類沸點的定量構(gòu)效關(guān)系研究

楊 惠1,2,陳利平2＊,謝傳欣1,石 寧1,陳網(wǎng)樺2

(1.化學品安全控制國家重點實驗室,青島 266071;2.南京理工大學化工學院安全工程系,南京 210094)

應(yīng)用CODESSA軟件計算296種烴類物質(zhì)的分子結(jié)構(gòu)描述符,分別用啟發(fā)式回歸(HM)和最佳多元線性回歸(B-MLR)篩選計算出的所有分子描述符,并建立沸點的線性回歸模型。用B-MLR方法篩選出的4個描述符作為支持向量機(SVM)的輸入建立了非線性模型。預(yù)測結(jié)果表明:所建立的模型穩(wěn)健,泛化能力強,預(yù)測誤差小。非線性模型(R2=0.9905,RMSE=10.2295)的性能優(yōu)于線性回歸模型(HM:R2=0.9819,RMSE=14.0606;B-MLR:R2=0.9842,RMSE=13.1058),預(yù)測效果令人滿意。

烴類物質(zhì);沸點;支持向量機(SVM);定量構(gòu)效關(guān)系(QSPR)

0 引言

可燃性液體的閃點和燃點表明其發(fā)生爆炸或火災(zāi)可能性的大小,是很重要的安全參數(shù)。同樣地,可燃性液體的沸點與其運輸、儲存和使用的安全也有著很大的關(guān)系。當外部環(huán)境的溫度升高或內(nèi)部反應(yīng)熱的作用使可燃液體的溫度升高時,低沸點的可燃液體將大量汽化,當蒸汽壓超過容器的承壓極限時,容器將發(fā)生物理爆炸,大量可燃液體泄漏并與空氣發(fā)生混合,從而形成大面積的易燃易爆云團,當存在適當?shù)狞c火源時,就有可能導致嚴重的蒸氣云爆炸。一般說來,沸點越低,在一定溫度下承裝可燃液體的容器內(nèi)部壓力越高,越易導致容器物理爆炸,同時液體拋撒后也越易氣化形成易燃易爆云團。

定量構(gòu)效關(guān)系(Quantitative structure-property relationship,QSPR)研究是目前國內(nèi)外研究的一個熱點,已成為近年來化學、環(huán)境科學、生命科學等學科研究中的一個前沿領(lǐng)域[1],其應(yīng)用越來越受到重視。目前,國內(nèi)外許多研究學者已做了大量研究,發(fā)展了許多根據(jù)分子結(jié)構(gòu)預(yù)測化合物性能的方法和模型。其中,關(guān)于沸點的QSPR研究主要是利用拓撲指數(shù)、量子化學參數(shù)等與沸點進行關(guān)聯(lián)[2-7],以建立線性的QSPR模型。這些方法相對來說比較復雜,而且不能揭示沸點與其結(jié)構(gòu)間所存在的非線性關(guān)系,預(yù)測的精度也有待進一步提高。

本文根據(jù)QSPR研究的基本原理,嘗試引入支持向量機(SVM)方法對易燃烴類物質(zhì)沸點的QSPR關(guān)系進行研究,建立沸點與其分子結(jié)構(gòu)之間的非線性模型,并與啟發(fā)式回歸(HM)和最佳多元線性回歸(B-MLR)所建立的線性模型進行對比。

1 SVM簡介

SVM是由Vapnik等人[8,9]基于統(tǒng)計學習理論基礎(chǔ)上提出的一種新型機器學習方法,它能較好地解決小樣本、非線性、高維數(shù)和局部極小等實際問題,具有精度高、速度快、自適應(yīng)能力強、不受高維維數(shù)限制等優(yōu)點。近年來,SVM在構(gòu)效關(guān)系中有了一些較為成功的應(yīng)用[10-12]。

概括地說,SVM就是通過某種事先選擇的非線性映射,將輸入向量映射到一個高維特征空間,并在這個空間中構(gòu)造最優(yōu)分類超平面的實現(xiàn)方法[13]。通過在高維空間中構(gòu)建最優(yōu)超平面,可以將問題轉(zhuǎn)化為二次規(guī)劃。SVM建立在結(jié)構(gòu)風險最小化基礎(chǔ)上,因此對于小樣本觀測數(shù)據(jù),建立的模型不但訓練誤差小,而且具有良好的泛化推廣性能。

2 研究方法

2.1 樣本數(shù)據(jù)說明

樣本集共包含296種烴類物質(zhì),為消除不同數(shù)據(jù)庫中因數(shù)據(jù)差異可能給預(yù)測結(jié)果造成的影響,統(tǒng)一采用美國阿克倫大學化學品數(shù)據(jù)庫“The Chemical Database”[14]中烴類物質(zhì)的沸點作為樣本數(shù)據(jù)集。其中,隨機選擇了236種物質(zhì)作為訓練集,剩下的60種作為測試集。訓練集主要用于建立模型,測試集則用于評估模型的預(yù)測能力。

2.2 分析步驟

首先借助化學分子模擬軟件 Hyperchem 8.0畫出296種烴類物質(zhì)的二維分子結(jié)構(gòu),用半經(jīng)驗方法PM3進行分子結(jié)構(gòu)的初步優(yōu)化。在此基礎(chǔ)上獲得分子坐標以及原子電荷矩陣,導入到CODESSA軟件[15,16]中計算出組成描述符、拓撲描述符、幾何描述符、靜電描述符、量化描述符以及熱力學描述符等六類374種分子結(jié)構(gòu)描述符。

接下來對分子結(jié)構(gòu)描述符進行篩選。在QSPR研究中,分子結(jié)構(gòu)描述符的篩選至關(guān)重要,它直接影響預(yù)測結(jié)果的準確性。本文采用CODESSA軟件中的HM和B-MLR方法來篩選描述符,同時對烴類物質(zhì)沸點與所選出的分子描述符進行了線性擬合。SVM的研究則直接采用B-MLR方法所篩選出的分子描述符作為自變量來對物質(zhì)的沸點進行訓練,以建立非線性模型。

2.3 模型的評價與檢驗

模型驗證是QSPR研究中非常重要的一個部分,通過結(jié)果的好壞可以判斷模型的外部預(yù)測能力和真實有效性。

模型的檢驗主要分為內(nèi)部檢驗和外部驗證。相關(guān)系數(shù)R和復相關(guān)系數(shù)R2通常被用于檢驗?zāi)Ｐ偷臄M合能力,即用于模型建模能力的驗證。R2越大,說明回歸模型的相關(guān)性越好,能夠解釋的樣本所占的比例越大,但并不一定保證模型具有更好的預(yù)測精度。交互檢驗的Q2是目前使用較為廣泛的一種內(nèi)部檢驗方法,其中的“留一法”(Q2loo)是最常用的交叉驗證方法。好的交叉驗證結(jié)果 Q2可以說明QSPR模型的穩(wěn)健性和良好的內(nèi)部預(yù)測性能,但是交叉驗證的結(jié)果好并不保證模型的真實預(yù)測能力也好。Tropsha等的最新研究結(jié)果[17,18]表明,對模型預(yù)測能力的評價必須通過對那些未參與訓練的物質(zhì)進行預(yù)測,即采用測試集來進行檢驗,因為測試集樣本不參與建模,因而對模型的真實預(yù)測能力更能做出客觀的評價。

3 結(jié)果與討論

3.1 HM分析

針對訓練集樣本,運用 HM方法對計算出的所有描述符進行廣泛搜索,以復相關(guān)系數(shù)、交互驗證系數(shù)以及F檢驗值作為選擇模型的標準,最終確定了本研究中與烴類沸點最為密切相關(guān)的4個分子描述符,所得的沸點(BP)回歸模型如下:

表1 HM模型中的分子描述符及其統(tǒng)計學參數(shù)Table 1 Statistic parameters of molecular descriptors in HM model

圖1 HM對測試集所得沸點預(yù)測值與實驗值的比較Fig.1 Comparison between the predicted and experimental BP by HM for test set

隨后,對測試集中60個樣本的沸點進行預(yù)測,以驗證模型的外部預(yù)測能力。模型的主要性能參數(shù)見表3,所得的沸點預(yù)測值與實驗值的比較見圖1。

3.2 B-MLR分析

用B-MLR方法篩選出的4個分子描述符所建立的沸點(BP)回歸模型如下:

模型中各分子描述符的定義及其統(tǒng)計學參數(shù)見表2,主要性能參數(shù)見表3,所得的沸點預(yù)測值與實驗值的比較見圖2。

表2 B-MLR模型中的分子描述符及其統(tǒng)計學參數(shù)Table 2 Statistic parameters of molecular descriptors in B-MLR model

3.3 SVM分析

為了進一步對烴類物質(zhì)沸點與其分子結(jié)構(gòu)間可能存在的非線性關(guān)系進行研究,直接以B-MLR方法所篩選的4個分子描述符作為自變量,運用SVM方法進行建模。用SVM做預(yù)測時,相關(guān)參數(shù)(主要是懲罰參數(shù) C和核函數(shù)參數(shù)γ)的選擇是個難點,參數(shù)選擇不好,將會嚴重影響預(yù)測的精度和準確率。

表3 各模型的主要性能參數(shù)Table 3 Performance comparison between these models

3.4 結(jié)果的比較與分析

從圖1、圖 2、圖 3可以看出,不論是 HM、BMLR還是SVM方法,對測試集中60個樣本的預(yù)測值均與實驗值有較好的一致性,預(yù)測精度令人滿意。比較模型中訓練集和測試集的預(yù)測結(jié)果發(fā)現(xiàn),各子集的復相關(guān)系數(shù)均比較高,預(yù)測誤差較低,而且比較接近,這說明所建立的模型不但具備較強的預(yù)測能力,而且具有較強的泛化推廣性能。

由表3的數(shù)據(jù)可以看出,SVM方法不論在建模還是預(yù)測效果上都比 HM和B-MLR方法更好,性能更優(yōu)越。另外,SVM的模型中,測試集比訓練集的復相關(guān)系數(shù)更高,說明模型具有更高的預(yù)測性能。其測試集的平均絕對誤差百分率 MAPE為4.4638%,與線性模型(11.6415%和 7.8281%)相比減小了許多,說明SVM模型的預(yù)測誤差有所減小,預(yù)測更準確。因為SVM是一種基于結(jié)構(gòu)風險最小化原則的機器學習方法,對于小樣本的研究體系具有較強的非線性擬合能力和較好的泛化推廣性能,這說明烴類物質(zhì)的沸點與其分子結(jié)構(gòu)間可能存在較強的非線性關(guān)系。

因此,將SVM用于烴類物質(zhì)沸點的QSPR研究是成功的,所建立的模型具有一定的穩(wěn)健能力和較強的預(yù)測性能。

4 結(jié)論

分別采用 HM、B-MLR和SVM方法對296種烴類物質(zhì)的沸點進行QSPR研究,建立了沸點的預(yù)測模型,其中以SVM方法所建立的模型性能最好,揭示了烴類物質(zhì)沸點與其分子結(jié)構(gòu)間可能存在的強烈的非線性關(guān)系,也說明了將 SVM方法應(yīng)用于QSPR研究的優(yōu)越性,它有效地解決了小樣本、非線性、過擬合、維數(shù)災(zāi)難和局部極小等問題,具有較強的泛化推廣性能。

[1]Jyrki Taskinen,Jouko Yliruusi.Prediction of physicochemical properties based on neural network modeling[J].Adv Drug Delivery Rev,2003,55:1163-1183.

[2]馮長君,沐來龍.邊支化度指數(shù)與環(huán)烷烴沸點的相關(guān)性[J].化學工業(yè)與工程,2005,22(5):338-341.

[3]孫海霞,周蓮.鏈烴的沸點與分子拓撲指數(shù) SZ[J].海南大學學報(自然科學版),2008,26(4):312-315.

[4]唐自強,馮長君.Randic邊支化度指數(shù)與環(huán)烷烴沸點的相關(guān)性[J].遼寧工程技術(shù)大學學報(自然科學版),2008,27(5):795-797.

[5]劉鳳萍,梁逸曾,曹晨忠.拓撲-量子指數(shù)醛酮氣相色譜保留指數(shù)及沸點的定量構(gòu)效關(guān)系[J].分析化學,2007,35(2):227-232.

[6]齊玉華,許祿,王淑云.量化參數(shù)在黃酮類化合物構(gòu)效關(guān)系研究中的應(yīng)用[J].計算機與應(yīng)用化學,2000,17(1):29-31.

[7]禹新良,王學業(yè),高進偉,等.用量子化學參數(shù)研究烯烴聚合物定量構(gòu)效關(guān)系[J].化學學報,2006,64(7):629-636.

[8]Vapnik V.Statistical Learning Theory[M].New York:Wiley,1998.

[9]Cortes C,Vapnik V.Support–Vector network[J].Machine Learning,1995,20:273-297.

[10]潘勇,蔣軍成,曹洪印,等.基于支持向量機方法的烴類物質(zhì)自燃點預(yù)測[J].石油學報,2009,25(2):222-227.

[11]Wang Jie,Du Hongying,Liu Huanxiang,et al.Prediction of surface tension for common compounds based on novel methods using heuristic method and support vector machine[J].Talanta,2007,73(1):147-156.

[12]馬喜波,閻愛俠.支持向量機算法用于烷基苯的熱容和標準焓值的預(yù)測[J].北京化工大學學報(自然科學版),2008,35(2):33-37.

[13]Vapnik.The Nature of Statistical Learning Theory[M].Springer-Verlag,New York,NY,1995.

[14]Department of chemistry of university of akron.The Chemical Database[OB/OL].[2010-01-16].http://ull.chemistry.uakron.edu/erd/.

[15]Katritzky A R,Perumal S,Petrukhin R.CODESSABase theoretical QSPR model for hydantoin HPLC-RT[J],J.Chem.Inf.Comput.Sci.,2001,41:569-574.

[16]Katritzky A R,Lobanov V S,Karelson M.CODESSA Version 2.0 Reference Manual[R].Florida:University of Florida,1997.

[17]Tropsha A,Gramatica P,Gombar V K.The importance of beingeamest Validation is the absolute essential for successful application and interpretation of QSPR models[J].QSAR Comb Sci,2003,22(1):69-77.

[18]Gramatica P,Pilutti P,Papa E.Validated QSAR prediction of OH tropospheric degradation of VOCs Splitting into training-test sets and consensus modeling[J].J Chem Inf Comput Sci,2004,44(5):1794-1802.

Quantitative structure-property relationships for boiling points of hydrocarbon compounds based on SVM

YANG Hui1,2,CHEN Li-ping2,XIE Chuan-xin1,SHI Ning1,CHEN Wang-hua2

(1,State Key Laboratory of Chemical Safety and Control,Qingdao 266071,China;2,Department of Safety Engineering,School of Chemical Engineering,Nanjing University of Science&Technology,Nanjing,210094,China)

296 molecular descriptors of hydrocarbon compounds were calculated by the CODESSA program,and these descriptors were pre-selected by heuristic method(HM)and best multi-linear regression method(B-MLR).Four-descriptor linear models were developed by the two methods to describe the relationship between the molecular structures and the boiling points.Using the four descriptors which were selected by B-MLR,the non-linear regression model was established based on the support vector machine(SVM).The predicted results indicated that the models had robustness,strong generative ability and small prediction error.The performance of the non-linear model(R2=0.9905,RMSE=10.2295)was better than that of the linear model(HM:R2=0.9819,RMSE=14.0606;B-MLR:R2=0.9842,RMSE=13.1058).

Hydrocarbon compounds;Boiling point;Support vector machine(SVM);Quantitative structure-property relationship(QSPR)

O622.1

A

1004-5309(2011)-0062-06

2010-11-12;修改日期:2010-12-16

化學品安全控制國家重點實驗室開放研究基金。

楊惠(1986-),女,湖北人,碩士研究生,安全技術(shù)及工程專業(yè),研究方向為化學品危險性定量構(gòu)效關(guān)系研究。

陳利平,講師,E-mail:clp2005@hotmail.com.