醫(yī)學(xué)畢業(yè)設(shè)計開題報告

　　緊張又充實的大學(xué)生活將要謝下帷幕，大學(xué)畢業(yè)前大家都要寫畢業(yè)設(shè)計，一般我們做畢業(yè)設(shè)計之前指導(dǎo)老師都會要求先寫開題報告，那么你有了解過開題報告嗎？下面是小編幫大家整理的醫(yī)學(xué)畢業(yè)設(shè)計開題報告，希望能夠幫助到大家。

　　一、 選題的目的和意義

　　定量結(jié)構(gòu)活性關(guān)系(Quantitative Structure-Activity Relationships，簡稱 QSAR)是20世紀(jì)60年代發(fā)展起來的一門新興學(xué)科，是由結(jié)構(gòu)活性關(guān)系(Structure-Activity Relationship，簡稱 SAR )發(fā)展而來的。QSAR 是通過對已知結(jié)構(gòu)且有生物活性系列化合物(如一系列有相同藥理作用的結(jié)構(gòu)相似的化合物)進(jìn)行化學(xué)信息學(xué)的計算, 選用適當(dāng)?shù)臄?shù)學(xué)模型建立活性與化合物結(jié)構(gòu)之間定量關(guān)系，解釋由于分子結(jié)構(gòu)的變化影響化合物生物活性的改變,推測其可能的作用機理。然后建立有效的QSAR模型，如果有新化合物的出現(xiàn)，且其結(jié)構(gòu)數(shù)據(jù)已知，可以預(yù)測其生物活性，也可以優(yōu)化結(jié)構(gòu)改變現(xiàn)有化合物的結(jié)構(gòu)以提高其生物活性。這種方法廣泛應(yīng)用于藥物、農(nóng)藥、化學(xué)毒劑等生物活性分子的合理設(shè)計。在經(jīng)歷40多年的發(fā)展過程中，定量構(gòu)效活性關(guān)系在國際上已成為一個相當(dāng)活躍的研究領(lǐng)域。

　　長期以來，腫瘤一直嚴(yán)重威脅著人類的健康與生命。全世界的科學(xué)家在過去的幾十年中付出了巨大努力，從多個角度來研究腫瘤的致病機制，采用各種手段來進(jìn)行預(yù)防、診斷與治療，但腫瘤的發(fā)病率與致死率仍然居高不下。WHO文件顯示：過去數(shù)十年中，全世界每年有近700萬人死于惡性腫瘤，估計20xx年將升至1000萬。對腫瘤的治療主要包括外科切除、放射治療和用抗腫瘤藥物進(jìn)行的化學(xué)治療�？鼓[瘤藥物有“細(xì)胞毒”和促進(jìn)分化等作用，可以殺死腫瘤細(xì)胞、抑制腫瘤細(xì)胞的生長繁殖和促進(jìn)腫瘤細(xì)胞的分化等，從而可以治療或治愈腫瘤，而且由于其相對低廉的費用，被大多數(shù)腫瘤患者所接受。

　　盡管腫瘤的化學(xué)治療已取得重大進(jìn)展，新的抗腫瘤藥物不斷出現(xiàn)，但腫瘤的化學(xué)治療仍存在著許多問題，這主要是因為實體腫瘤占惡性腫瘤的90%但多數(shù)實體瘤如肺癌、肝癌、結(jié)腸癌及胰腺癌等還缺乏有效的藥物;現(xiàn)有的抗腫瘤藥物毒副反應(yīng)太大，缺乏選擇性;腫瘤細(xì)胞對抗腫瘤藥物產(chǎn)生抗藥性[1]。

　　QSAR主要側(cè)重于藥物早期的研究和發(fā)展，為新藥物分子的篩選的和設(shè)計開拓了新的途徑[2]，在受體結(jié)構(gòu)已知的情況下，對抗腫瘤藥物進(jìn)行定量構(gòu)效活性關(guān)系研究，用生成與受體結(jié)構(gòu)互補的配體的方法來發(fā)現(xiàn)可以針對特定腫瘤、特定靶點的非細(xì)胞毒類藥物，使之更具有選擇性和針對性。隨著新QSAR模型的建立，極大地縮短了新藥合成的時間，降低了開發(fā)成本，并能在某種程度上預(yù)測藥物對特定腫瘤人群的有效性。為腫瘤治療起到了積極地推動作用。

　　二、國內(nèi)外研究現(xiàn)狀

　　腫瘤的化學(xué)治療藥物發(fā)展很快,每年都有大量抗腫瘤藥物研究文獻(xiàn)發(fā)表，各國對抗腫瘤藥物的開發(fā)也予以高度重視和大量投資，美國就此專門成立了美國國立癌癥研究(National Cancer Institute，簡稱NCI)，成為了世界抗腫瘤的權(quán)威機構(gòu)。

　　國內(nèi)研發(fā)方向主要以含中草藥及其活性成分的抗腫瘤藥物，可以歸納為以下幾個方面：(1)對現(xiàn)有藥物進(jìn)行結(jié)構(gòu)改造以改善其藥理學(xué)特性，如增加水溶性、降低毒副作用等;(2)以新的作用機理或作用靶點為指導(dǎo)尋找新的活性物質(zhì)作為先導(dǎo)化合物;(3)發(fā)現(xiàn)新的作用靶點。在當(dāng)前生物學(xué)的后基因時代，科學(xué)家們要面對數(shù)千個潛在的藥物靶點，探討它們與小分了化合物的相互作用;(4)加強定量構(gòu)效活性構(gòu)關(guān)系研究.

　　近年來隨著分子生物學(xué)和計算機技術(shù)的迅速發(fā)展，使得開發(fā)新藥的技術(shù)路線發(fā)生了重大變革。國際上越來越多的研究機構(gòu)在新抗腫瘤藥物的開發(fā)中使用計算機輔助分子設(shè)計,它大大加快了新藥設(shè)計的速度，節(jié)省了創(chuàng)制新藥工作的人力和物力，使藥物學(xué)家能夠以理論作指導(dǎo)，有目的地開發(fā)新藥。計算機輔助分子設(shè)計主要分兩種情況:一種是在受體結(jié)構(gòu)已知的情況下,采用生成與受體結(jié)構(gòu)互補的配體的方法來尋找新藥物;另一種是在受體結(jié)構(gòu)未知的情況下,采用對一組具有類似活性的化合物建立定量結(jié)構(gòu)活性關(guān)系,在此模型基礎(chǔ)上進(jìn)行結(jié)構(gòu)修飾來預(yù)測生成新的化合物。

　　QSAR作為抗腫瘤藥物設(shè)計研究中的一個重要計算方法和常用手段,在新藥的開發(fā)和研制過程中占據(jù)了重要位置。近半個世紀(jì)以來,QSAR研究對有機合成化學(xué)、藥物化學(xué)及藥物設(shè)計的發(fā)展起了巨大的推動作用,已經(jīng)成為研究物質(zhì)理化性質(zhì)與生物活性以尋求分子解釋的一個強有力工具。下面就定量活性結(jié)構(gòu)活性關(guān)系研究的一些常見方法作簡要地介紹如下。

　　1、二維定量結(jié)構(gòu)活性關(guān)系方法(2D-QSAR)傳統(tǒng)的二維定量結(jié)構(gòu)活性關(guān)系方法很多,有Hansch法、基團(tuán)貢獻(xiàn)法和分子連接性指數(shù)法等[3] 。

　　其中最為著名、應(yīng)用最為廣泛的是Hansch 法。 它假設(shè)同系列化合某些生物活性的變化是和它們某些可測量的物理化學(xué)性質(zhì)(疏水性、電性質(zhì)和空間立體性質(zhì)等)的變化相聯(lián)系的,并假定這些因子是彼此孤立的,采用多重自由能相關(guān)法,借助多重線性回歸等統(tǒng)計方法就可以得到定量結(jié)構(gòu)活性關(guān)系模型。

　　基團(tuán)貢獻(xiàn)法是Free-Wilson 在對有機物亞結(jié)構(gòu)信息和生物毒性的相關(guān)研究基礎(chǔ)上建立的一種方法。這種模式認(rèn)為有機物與受體間的毒性效應(yīng)是該有機物特定位置上不同取代基團(tuán)毒性貢獻(xiàn)的加和。Free-Wilson 法僅適用于具有相同母體結(jié)構(gòu)的有機物,常被用來對有機物進(jìn)行毒性初評。

　　分子連接性指數(shù)法(Molecular connective index ,MCI) 是由Kier 和Hall 提出的。它是根據(jù)分子中各個骨架原子排列或相連接的方式來描述分子的結(jié)構(gòu)性質(zhì)。MCI 是一種拓?fù)鋵W(xué)參數(shù),有零階項(0Xv )、易階項(1Xv )、二階項(2Xv ) 等等，可以根據(jù)分子的結(jié)構(gòu)式和原子的點價(δ) 計算得到,與有機物的毒性數(shù)據(jù)有較好的相關(guān)性。MCI 能較強地反映分子的立體結(jié)構(gòu),但反映子電子結(jié)構(gòu)的能力較弱,因此缺乏明確的物理意義,但由于其具有方便、簡單且不依賴于實驗等優(yōu)點,近年來得到廣泛應(yīng)用和發(fā)展[4～8]。

　　2、三維定量結(jié)構(gòu)活性關(guān)系方法(3D-QSAR)隨著結(jié)構(gòu)活性關(guān)系理論和統(tǒng)計方法的進(jìn)一步發(fā)展,20 世紀(jì)80 年代,三維結(jié)構(gòu)信息被陸續(xù)引入到定量結(jié)構(gòu)活性關(guān)系研究中, 即3D-QSAR。與2D-QSAR 比較,3D-QSAR 方法在物理化學(xué)上的意義更為明確,能間接反映藥物分子和靶點之間的非鍵相互作用特征。因此,近十多年來3D - QSAR 方法得到了迅速的發(fā)展和廣泛的應(yīng)用，研究方法也很多[9] ,比如分子形狀分(molecular shape analysis ,MSA) ，距離幾何方法( distance geometry , DG ,比較分子力場分析(comparative molecular field analysis ,CoMFA) ,比較分子相似因子分析( comparative molecular similarityindices analysi CoMSIA) 以及虛擬受體( phesudo receptor) 等方法。其中應(yīng)用最為廣泛的CoMFA 方法。

　　3、隨著技術(shù)的發(fā)展和生產(chǎn)技術(shù)的進(jìn)步，又出現(xiàn)了一些先進(jìn)的方法來構(gòu)建QSAR模型，都具有很好的預(yù)測能力。其中又以啟發(fā)發(fā)(heuristic method,簡稱HM)，支持向量機(Support Vector Machine，簡稱SVM)，基因表達(dá)式編程(Gene Expression Programming,簡稱GEP)比較常見。支持向量機(Support Vector Machine)是Vapnik[10]等人根據(jù)統(tǒng)計學(xué)理論提出的一種新的通用學(xué)習(xí)方法，它是建立在統(tǒng)計學(xué)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上的，能較好地解決小樣本、非線性、高維數(shù)等實際問題[11-12]，已成功地應(yīng)用于分類、函數(shù)逼近和時間序列預(yù)測等方面[13-15];基因表達(dá)式編程(GEP)是基于生物學(xué)遺傳思想，保持了生物學(xué)的特性，具有良好的結(jié)果重現(xiàn)性，同時也能夠進(jìn)行“遺傳變異”控制，最終能獲得可靠的實驗效果。

　　三、主要研究內(nèi)容

　　1、查閱中外文文獻(xiàn)選取數(shù)據(jù)來源。

　　2、理化參數(shù)與結(jié)構(gòu)參數(shù)的計算。

　　3、具體的結(jié)構(gòu)參數(shù)的分析。

　　4、SVM與GEP的方法研究。

　　5、定量結(jié)構(gòu)關(guān)系式的建立。

　　6、定量結(jié)構(gòu)關(guān)系式的驗證。

　　7、得出結(jié)論和總結(jié)。

　　四、論文工作計劃

　　3月中旬—4月初：選題。

　　4月初—4月底：查閱資料，熟悉實驗原理及方法，準(zhǔn)備開題報告。

　　5月10日： 開題。

　　5月初日—5月底日：進(jìn)行畢業(yè)設(shè)計實驗，記錄數(shù)據(jù)，撰寫論文。

　　6月初日—6月中旬日：進(jìn)行畢業(yè)論文答辯。

　　五、參考文獻(xiàn)

　　[1] 任華益. 中華綜合臨床醫(yī)學(xué)雜志(山東) , 20xx, 7(2): 28 -33.

　　[2] 徐娟，王林編譯. 計算機輔助藥物設(shè)計中的QSAR和QSMR研究. 國外醫(yī)學(xué)·藥學(xué)分冊, 20xx, 30(3): 135-138.

　　[3] 郭宗儒. 藥物化學(xué)總論. 北京:中國醫(yī)藥科技出版社, 1994. 108.

　　[4] Bakulh H Rao, Shyam R, Asolekar. QSAR models to predict effect of ionic strength on sorption of chlorinated benzenes and phenols at sediment-water interface. Water Research, 200l, 35(14): 3391-3401.

　　[5] 馮長君, 堵錫華, 唐自強. 取代芳烴對發(fā)光菌、大型蚤、呆鰷魚急性毒性的QSAR研究. 應(yīng)用化學(xué), 20xx, 19(11): 1037 -1042.

　　[6]秦正龍, 馮長君. 取代苯酚的定量結(jié)構(gòu)-活性P性質(zhì)相關(guān)性研究. 有機化學(xué), 20xx, 23(7): 654-658.

　　[7] 堵錫華. 取代芳香族化合物生物活性的拓?fù)鋵W(xué) . 南昌大學(xué)學(xué)報(理學(xué)版), 20xx, 29(2): 155-160.

　　[8] Aleksandar Sablji C. QSAR models for estimating properties of persistent organic pollutants required in evaluation of their environmental fate and risk. Chemosphere, 20xx, 43(3): 363 -375.

　　[9] 徐筱杰, 侯廷軍，喬學(xué)斌，章威. 計算機輔助藥物分子設(shè)計. 北京: 化學(xué)工業(yè)出版社, 20xx.

　　[10] Vapnik VN.The Nature of Statistical Learning Theory.

　　NY: Springer-Verlag,1995.

　　[11] 閻輝，張學(xué)工，李衍達(dá). 應(yīng)用SVM方法進(jìn)行沉淀微相識別.物探化探計算技術(shù), 20xx, (2): 158 -164.

　　[12] 張學(xué)工. 關(guān)于統(tǒng)計學(xué)習(xí)理論與支持向量機. 自動化學(xué)報, 20xx, (1): 32 -42.

　　[13] Vapnik V, Golowich S, Smola A. Supportvector method for function approximation, regression estimation, and signal processing. In: Mozer M, Jordan M, Petsche Teds. Neural Information Processing System, MIT Press, 1997-09.

　　[14]馬云潛，張學(xué)工. 支持向量機函數(shù)擬合在分形插值中的應(yīng)用.清華大學(xué)學(xué)報(自然科學(xué)版) , 20xx, (3): 76- 78.

　　[15] Muller K-R, Smola A J, Ratsch G . Predicting time series with support vector machines. In:Proc of ICANN 97, Springer Lecture Notes In Computer Science, 1997: 999-1005.