酚类化合物的QSAR研究

直接应用化合物的分子结构式产生的结构描述参量研究了４５个酚类化合物的麻醉毒性和分子结构之间的相关性。用多元回归分析和神经网络法建立了相应的数学模型，并用其预测了５个酚类化合物的麻醉毒性。结果表明，所提取的结构参量较好地反映这类化合物的结构特性，而用神经网络法所得结果优于多元回归分析结果。     

人工神经网络模拟芳基脲土壤吸附系数研究

对38种芳基脲类化合物的土壤吸附系数进行了定量结构－活性相关研究。利用量子化学的AM1方法提取化合物的结构参数，运用多元回归分析和人工神经网络对该化合物进行比较研究。研究结果表明，神经网络法所得结果优于多元回归分析结果，并对分析结果进行了吸附机理讨论。     

3,4-二氯苯胺与取代芳烃联合毒性的定量构效关系研究

采用细菌生长抑制实验测定了取代芳烃及其混合物对长江水中混合细菌的急性毒性,得到17种单一化合物的半数抑制浓度(IC50)及22组混合物的半数抑制浓度(IC50mix).采用毒性单位法和混合毒性指数法对联合毒性效应进行了定性评价,3,4-二氯苯胺与胺类化合物的联合效应以简单相加或部分相加作用为主,而3,4-二氯苯胺与酚类化合物的联合效应则多表现为协同作用.以化合物的辛醇/水分配系数(lgP)和分子最低空轨道能(ELUMO)为结构描述符,分别建立了单一毒性和联合毒性的定量构效关系(QSAR)模型.所得模型对极性麻醉型化合物和反应性化合物的毒性都具有较强的预测能力,不仅能预测3,4-二氯苯胺与取代芳烃不同配比的二元混合物的联合毒性,也能预测三元和四元混合物的联合毒性.     

人工神经元网络辅助酚类化合物构效关系研究

分子连接性指数（^tXv）与在正辛醇和水之间的分配系数logP是反映化合物性能的重要结构参数。本文计算了酚类化合物的分子连接性指数及分配系数,运用新型的模式识别方法──人工神经元网络对酚类化合物的构效关系进行了研究。所得结果优于逐步判别法,对于预测未知化合物的毒性,具有重要意义。     

取代芳香族化合物对4种水生生物的毒性研究

建立了105种取代芳香族化合物对4种水生生物(发光菌、四膜虫、大型蚤和斑马鱼)的毒性QSAR模型.取代芳香族化合物对生物体的毒性主要是由2个过程引起,化合物首先穿透细胞膜,然后与机体发生反应.讨论了生物种的种间和种内差别,这种差别可能与生物的脂肪含量有关.化合物分成了3类,非极性麻醉型化合物、极性麻醉型化合物和反应型化合物,极性麻醉型化合物比非极性麻醉型化合物毒性要高,反应型化合物毒性最高.     

单歧藻对烷基酚类化合物的生物降解性及QSBR研究

以单歧藻为主要微生物源,用二级反应动力学方程拟合8种烷基酚类化合物的生物降解动力学过程,得到它们在藻中的生物降解速率常数K.采用Mopac软件PM3法及文献资料计算了化合物的多种理化参数,应用SPSS统计软件做回归分析,对1gK进行了结构-生物降解性(QSBR)的研究.结果表明,疏水性参数lgK_ow,分子量M_w,一级价键连接指数1Xv,二级价键连接指数2Xv,生成热△H_f和分子偶极距μ能够较好地拟合烷基酚类化合物的生物降解速率,其中2Xv拟合效果最好.在此基础上,初步分析了烷基酚类化合物的生物降解机理,认为空间参数是决定其生物降解的主要因素,化合物的生成热和电性参数μ,E_homo的影响也不可忽视.      

硝基苯类化合物的结构/毒性定量构效关系研究

为了定量结构／毒性相关性研究提取了拓扑指数Ａｍ，分子连接性指数＾ｍＸｔ量子化学参数及分子体积等，同时运用最佳变量子集算法（Ｌｅａｐｓ ａｎｄ Ｂｏｕｎｄｓ）进行了变量的压缩和选择，进而实施了多元间归分析，并由所得结果进行了硝基苯类化合物结构与毒性关系的理论解释，同时还进行了人工神经网络法对于该类化合物毒性的预测，其结果明显好于多元回归法。     

环境化学

X132(X)1《X洲加)5物理化学与环境科学/郭晓霞(贵阳市第四中学)//云南环境科学/云南省环境科学研究所一2(XX),19(2)一16~18环图X一98 环境化学从化学的角度来研究污染中的化学规律。物理化学的理论和方法被运用到环保中,为生态系统中能量流动提供理论依据.探索污染的形成机理,研究仇层的破坏机理,为环境检测提供了新技术。参4多元回归分析,并由所得结果进行了硝基苯类化合物结构与毒性关系的理论解释。同时还进行了人工神经网络法对于该类化合物毒性的预测,其结果明显好于多元回归法。表2参10X131 20()l0(XK)6硝基苯类化合物的结构l毒性…     

氯酚类化合物对淡水发光菌Q67的联合毒性

以淡水发光菌Q67——青海弧菌Q67(Vibrio qinghaiensis sp.-Q67)为生物材料,分别研究了2-氯酚,2,4-二氯酚和2,3,4-三氯酚及其等剂量、等毒性单位配比混合物的发光抑制毒性,并采用相加指数法和相似性参数法评价了混合物的联合毒性效应. 结果表明:3种氯酚对Q67菌的EC₅₀值分别为99.57,25.19和3.42 mg/L,说明氯酚类化合物对发光菌的急性毒性随着氯原子数目的增加而增大,氯酚的二元和三元混合物的毒性作用明显高于化合物的单一毒性. 2种评价指数均采用评价标准的95%置信区间,避免了由实验误差引起的不准确性. 氯酚混合物对Q67菌的联合毒性效应主要表现为简单的相加作用,只有2-氯酚与2,3,4-三氯酚的组合为弱的协同作用. 氯酚的等剂量和等毒性配比混合物毒性作用的评价结果相一致.      

基于GLM模型和神经网络研究芳烃化合物对藻类毒性

工业的快速发展和溢油事故的频繁发生所产生的大量芳烃化合物正威胁海洋生态系统的健康,建立芳烃化合物物化性质与小球藻急性毒性间的非线性模型,是预测未知芳烃化合物对藻类毒性的主要手段之一.本研究以实验获取的25种芳烃化合物对小球藻96h的毒性数据为基础,采用密度泛函理论(DFT)中的B3LYP方法,在6-311G**基组上全优化计算25种芳烃化合物结构参数和热力学参数,通过逐步广义线性回归(GLM)、小波神经网络(WNN)和T-S模糊神经网络(T-SFNN)等方法,对芳烃化合物物化性质和藻类抑制毒性的非线性关系进行拟合和逼近.F检验表明,逐步GLM方程是显著的(p<0.001).配对t检验表明,GLM、WNN、T-SFNN3种模型都是可信的;决定系数(R2>0.96)表明3个模型具有很高的精确性.上述结果证明本文建立的模型具有良好的拟合度和解释能力,可以预测未知芳烃化合物对小球藻的急性毒性.模型误差计算结果表明,WNN的精度最高(mse=0.0076,mae=0.0533),采用WNN方法进行建模,预测未知芳烃化合物对小球藻的急性毒性是最合适的.     

大气中SO2浓度的小波分析及神经网络预测

应用小波分解和重构对SO2浓度年变化趋势进行分析,在此基础上,建立了一种分段BP神经网络预测模型,并对各段有针对性地设计了神经网络预测模型.采用主成分分析进行输入变量降维.在BP网络训练过程中,往往会出现过拟合的现象,为此,在训练过程中,将样本等间距地分离为训练集和验证集来防止这个问题.为了消除网络的权值初始化对学习系统复杂性的影响,采用了5个子网络输出取算术平均的神经网络集成的方法.预测结果表明,该模型应用于SO2浓度预测具有较高的预测精度和良好的推广能力,而且明显优于一般的神经网络模型.     

BP神经网络在降水酸度预测中的应用

本文利用南昌市城市大气中SO2、NOX、TSP等浓度数据及降尘数据建立了BP神经网络的降雨酸度预测模型，结果表明：BP神经网络的预测模型不仅能较好地反映致酸因素与降水酸度的相互关系，而且预测精度也高于多元回归等模型。     

Cu2+和Cd2+对斑马鱼胚胎早期发育的联合毒性

采用斑马鱼胚胎早期发育技术,测定Cu2+和Cd2+ 2种重金属对胚胎发育的毒性效应. 以24 h致死和72 h胚胎孵化抑制为毒性终点,2种重金属的剂量-效应曲线可用Weibull函数或Logit函数有效描述,由最佳拟合函数计算得出半数致死浓度(LC₅₀)或半数效应浓度(EC₅₀)为毒性效应的评价标准,2个毒性终点的重金属毒性大小顺序均为Cu2+>Cd2+. 应用浓度加和(CA)与独立作用(IA)2种模型,对72 h孵化抑制率的无观测效应浓度(NOEC)配比混合物的联合毒性作用进行了预测,通过混合物试验观测数据的95%置信区间与CA模型和IA模型预测的剂量-效应曲线进行比较分析表明,2种模型都可以有效预测斑马鱼胚胎孵化的联合毒性.      

B－P网络用于环境质量分类研究

用全国２５个湖泊的水质指标资料作为训练样本，应用人工神经网络Ｂ－Ｐ算法，分别建立了３参数和４参数的水质分类模型。并用所建立的模型对６个湖泊水质进行分类检验效果。结果表明Ｂ－Ｐ模型应用于环境质量分类是可行的。且由于Ｂ－Ｐ网络有自学习、自适应的能力，因而与其它的环境质量分类法相比具有优越性。     

运用回归分析与人工神经网络预测含硫芳香族化合物好氧生物降解速率常数

为了研究人工神经网络预测有机化合物生物降解的性能,运用多元线性回归方法和误差反向传递人工神经网络模型以基团代码作为结构描述符,分别拟合、预测了一批含硫芳香族化合物的一级好氧生物降解速率常数．结果表明,由于神经网络自动考虑了基团间的交互作用,它对生物降解这类复杂问题有极高的求解能力,预测的均方误差为０．００１０２,远低于线性回归模型的预测误差０．０１５９１     

B-P网络用于环境质量分类研究

用全国２５个湖泊的水质指标资料作为训练样本,应用人工神经Ｂ－Ｐ算法,分别建立了３参数和４参数的水质分类模型,并用所建立的模型对６个湖泊水质进行分类检验效果。结果表明Ｂ－Ｐ模型应用于环境质量分类是可行的,且由于Ｂ－Ｐ网络有学习,自适应的能力,因而与其它的环境质量分类法相比具有优越性。     

规范变换与误差修正结合的环境系统的前向网络和投影寻踪预测模型

为了建立适用于环境系统的结构简洁、形式统一、程序规范、应用普适的神经网络和投影寻踪回归预测模型,针对传统的神经网络和投影寻踪回归用于多因子、大样本预测建模,存在模型结构复杂、学习效率低的局限,提出设置环境系统预测量及其影响因子参照值和规范变换式的原则和方法,使规范变换后的影响因子皆"等效"于同一个规范影响因子,从而将多因子的的预测建模简化为等效规范因子的预测建模,使模型结构得到极大地简化,提高了学习效率;此外,为了提高预测模型的预测精度,还提出了对预测样本的模型输出值的误差修正公式.在对环境系统的预测量及其影响因子进行规范变换的基础上,将m个规范影响因子的每个建模样本组成m个"等效"训练样本,应用免疫进化算法优化模型参数,分别建立适用于环境系统的2个或3个规范影响因子的前向神经网络和投影寻踪回归两类预测模型;并依据误差理论,对误差修正公式修正后的模型预测精度的提高进行了严格的数学论证.将基于规范变换与相似样本误差修正相结合的两类预测模型,用于某市5个点位的SO_2浓度预测,并与6种传统预测模型和方法的预测结果进行了比较.结果表明:对同一个预测样本,同类模型的两种不同结构的的预测值及其相对误差都几乎完全相同或彼此相差甚小;此外,两种不同结构的两类预测模型用于5个样本预测,其相对误差绝对值的平均值分别为2.59%、2.67%;2.18%、2.62%,均远小于传统BP神经网络模型的25.72%、传统PPR模型的14.20%、传统SVR模型的22.13%、模糊识别模型的21.57%、组合算子模型的18.36%和多元回归模型的25.31%;而两类模型预测的最大的相对误差绝对值分别为4.11%和3.57%,更加远远小于传统的6种预测模型的37.18%、56.07%、27.40%、32.14%、38.38%和60.26%.实例分析结果证实了误差修正公式对提高模型预测精度具有切实可行性.基于规范变换与误差修正相结合的前向神经网络和投影寻踪回归两类预测模型不仅避免了"维数灾难",提高了学习效率和模型的预测精确度,而且具有简洁、普适、规范、统一和稳定的特点,对其他预测建模也有借鉴作用.     

Measurement and prediction of ozone levels around a heavily industrialized area: a neural network approach

This paper presents an artificial neural network model that is able to predict ozone concentrations as a function of meteorological conditions and precursor concentrations. The network was trained using data collected during a period of 60 days near an industrial area in Kuwait. A mobile monitoring station was used for data collection. The data were collected at the same site as the ozone measurements. The data fed to the neural network were divided into two sets: a training set and a testing set. Various architectures were tried during the training process. A network of one hidden layer of 25 neurons was found to give good predictions for both the training and testing data set. In addition, the predictions of the network were compared to measurements taken during other times of the year. The inputs to the neural network were meteorological conditions (wind speed and direction, relative humidity, temperature, and solar intensity) and the concentration of primary pollutants (methane, carbon monoxide, carbon dioxide, nitrogen oxide, nitrogen dioxide, sulfur dioxide, non-methane hydrocarbons, and dust). A backpropagation algorithm with momentum was used to prepare the neural network. A partitioning method of the connection weights of the network was used to study the relative % contribution of each of the input variables. It was found that the precursors carbon monoxide, carbon dioxide, nitrogen oxide, nitrogen dioxide, and sulfur dioxide had the most effect on the predicted ozone concentration. In addition, temperature played an important role. The performance of the neural network model was compared against linear and non-linear regression models that were prepared based on the present collected data. It was found that the neural network model consistently gives superior predictions. Based on the results of this study, artificial neural network modeling appears to be a promising technique for the prediction of pollutant concentrations.     

氯代环醚系列化合物结构与急性毒性关系研究

由化学物质毒性效应登录(RTECS)1998年版光盘系统检索获得52种环醚和34种氯代环醚急性毒性数据.应用主成份分析法从11种分子描述符中选择出对急性毒性有明显影响的5种:氯原子数,取代苯环上氢的氯原子数,取代烷基氢的氯原子数,烷基数和氧原子数.通过样本学习集训练并优化神经网络结构、建模分类、预报,对于86个样本,低中和高剧两类毒性,正确分类率达到91%;而对于低、中、高、剧4类毒性,正确分类率达到80%.结果表明,氯代环醚的特殊结构具有很强的致毒作用.