吉林2025自考[生物医药数据科学]机器学习与药物发现易错题专练.docxVIP

第PAGE页共NUMPAGES页

吉林2025自考[生物医药数据科学]机器学习与药物发现易错题专练

一、单选题（共10题，每题2分）

1.在机器学习药物设计中，以下哪种算法通常不适用于处理高维生物医药数据？

A.支持向量机（SVM）

B.随机森林（RandomForest）

C.深度神经网络（DNN）

D.决策树（DecisionTree）

2.以下哪个指标最适合评估药物筛选模型的泛化能力？

A.准确率（Accuracy）

B.精确率（Precision）

C.召回率（Recall）

D.F1分数（F1-Score）

3.在分子对接（MolecularDocking）中，以下哪个参数最能反映结合亲和力？

A.RMSD（均方根偏差）

B.GScore（结合能得分）

C.R2（决定系数）

D.MAE（平均绝对误差）

4.以下哪种方法常用于处理生物医药数据中的缺失值？

A.删除缺失值

B.线性回归填充

C.K最近邻填充（KNN）

D.以上都是

5.在药物再发现中，以下哪个模型最适合进行特征选择？

A.LASSO回归

B.决策树

C.K-means聚类

D.PCA（主成分分析）

6.在QSAR（定量构效关系）建模中，以下哪个变量通常作为因变量？

A.分子descriptors（描述符）

B.生物活性值

C.结合位点

D.药物靶点

7.在药物毒性预测中，以下哪种算法常用于处理小样本数据？

A.SVM

B.随机森林

C.逻辑回归

D.GBDT（梯度提升决策树）

8.在虚拟筛选中，以下哪个参数最能反映分子的成药性？

A.LogP（脂水分配系数）

B.ADMET（吸收、分布、代谢、排泄、毒性）

C.分子量

D.碳原子数

9.在药物设计优化中，以下哪种方法常用于提高模型的鲁棒性？

A.数据增强

B.超参数调优

C.交叉验证

D.以上都是

10.在药物靶点识别中，以下哪个数据库最常用？

A.DrugBank

B.ChEMBL

C.PubChem

D.以上都是

二、多选题（共5题，每题3分）

1.在药物设计过程中，以下哪些方法可用于提高模型的预测精度？

A.特征工程

B.数据平衡

C.模型集成

D.超参数优化

2.在分子性质预测中，以下哪些指标常用于评估模型性能？

A.RMSE（均方根误差）

B.MAE（平均绝对误差）

C.R2（决定系数）

D.AUC（曲线下面积）

3.在QSAR建模中，以下哪些变量常作为自变量？

A.分子descriptors（描述符）

B.分子拓扑参数

C.化学反应活性

D.药物靶点信息

4.在药物毒性预测中，以下哪些算法常用于处理高维数据？

A.支持向量机（SVM）

B.随机森林

C.深度神经网络（DNN）

D.决策树

5.在虚拟筛选中，以下哪些参数可用于评估分子的成药性？

A.LogP（脂水分配系数）

B.ADMET（吸收、分布、代谢、排泄、毒性）

C.分子量

D.药物靶点结合亲和力

三、判断题（共10题，每题1分）

1.在药物设计中，特征工程比数据平衡更重要。（×）

2.深度神经网络（DNN）常用于处理小样本生物医药数据。（√）

3.QSAR建模中，自变量只能是分子descriptors（描述符）。（×）

4.在药物毒性预测中，逻辑回归是最适合的模型。（×）

5.虚拟筛选中，LogP值越低，分子的成药性越好。（√）

6.在药物靶点识别中，DrugBank数据库是最常用的。（√）

7.在分子对接中，GScore越低，结合亲和力越强。（×）

8.在药物设计优化中，交叉验证比超参数调优更重要。（×）

9.在QSAR建模中，因变量只能是生物活性值。（×）

10.在虚拟筛选中，分子量越小，成药性越好。（×）

四、简答题（共5题，每题5分）

1.简述机器学习在药物设计中的主要应用场景。

2.解释什么是分子对接（MolecularDocking）及其在药物设计中的作用。

3.描述如何处理生物医药数据中的缺失值，并说明常用方法优缺点。

4.解释QSAR建模的基本原理及其在药物发现中的应用。

5.描述虚拟筛选的基本流程及其在药物发现中的优势。

五、论述题（共2题，每题10分）

1.结合吉林省生物医药产业的特点，论述机器学习在药物发现中的实际应用价值。

2.比较深度神经网络（DNN）与传统的机器学习算法在药物设计中的优缺点，并说明如何选择合适的模型。

答案与解析

一、单选题

1.D决策树不适用于高维生物医药数据，因其容易过拟合且计算效率低。

2.A准确率（Accuracy）能综合评估模型的泛化能力。

3.BGScore直