CN110706756B - 一种基于人工智能进行靶向受体的3d药物设计方法 - Google Patents

一种基于人工智能进行靶向受体的3d药物设计方法 Download PDF

Info

Publication number
CN110706756B
CN110706756B CN201910825654.0A CN201910825654A CN110706756B CN 110706756 B CN110706756 B CN 110706756B CN 201910825654 A CN201910825654 A CN 201910825654A CN 110706756 B CN110706756 B CN 110706756B
Authority
CN
China
Prior art keywords
drug
receptor
molecules
drug molecules
trained
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910825654.0A
Other languages
English (en)
Other versions
CN110706756A (zh
Inventor
白启峰
姚小军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lanzhou University
Original Assignee
Lanzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Lanzhou University filed Critical Lanzhou University
Priority to CN201910825654.0A priority Critical patent/CN110706756B/zh
Publication of CN110706756A publication Critical patent/CN110706756A/zh
Application granted granted Critical
Publication of CN110706756B publication Critical patent/CN110706756B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/50—Molecular design, e.g. of drugs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Physiology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Genetics & Genomics (AREA)
  • Medicinal Chemistry (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)

Abstract

本发明涉及一种基于人工智能进行靶向受体的3D药物设计方法，主要针对目前人工智能训练的模型只能生长成1D或2D的药物分子片段和不能直接靶向受体3D活性口袋的问题，通过利用MMFF94力场转化1D或2D药物片段分子，在受体的3D活性口袋中随机指定或特别指定起始片段作为药物分子的生长起始点，并以药物分子的可旋转键作为分割点，通过遗传算法针对受体靶点的3D活性口袋进行3D药物设计，进而解决人工智能训练的药物模型不能直接应用于受体靶点活性口袋进行3D药物分子设计的问题。

Description

一种基于人工智能进行靶向受体的3D药物设计方法
技术领域
本发明属于药物分子学技术领域，具体涉及一种基于人工智能进行靶向受体的3D药物设计方法。
背景技术
目前，基于人工智能训练出的药物模型生长出的分子都是一维(1D)或二维(2D)的，如SMILES序列结构，还不能基于受体靶点(如：蛋白质、核酸等)的三维(3D)活性中心生长出3D药物分子结构，本发明主要解决人工智能训练出的药物片段生长模型在受体靶点活性口袋中进行3D药物分子生长的技术问题。
计算机辅助药物设计中的合理药物设计是在受体靶点(如：蛋白质、核酸等)的3D活性口袋中找到结合最优的3D药物分子。人工智能已经广泛的应用于图像处理、语音等中，由于药物分子可以表示成SMILES序列格式，所以通过人工智能的生成对抗网络(GAN)就能训练出药物分子生长模型，但是，目前人工智能的技术方法只能生长出一维(1D)或二维(2D)结构的药物分子，无法完成在受体靶点活性口袋进行3D药物分子的生长。
目前与本发明最接近的是通过生成对抗网络(GAN)训练药物分子生长模型，如ORGAN(https：//github.com/gablg1/ORGAN)，MolGAN(https：//github.com/nicola-decao/MolGAN)。其中ORGAN是将药物分子数据库(如：ZINC数据库等)的SMILES序列进行编码，然后通过GAN进行药物分子生长模型的训练，训练出的模型生长出编码的药物分子，在通过解码技术还原成药物分子的SMILES格式。MolGAN通过图神经网络来训练药物分子生长的模型，具体来说，就是根据药物分子的二级结构，将药物分子进行编码，通过图进行建模，每个顶点表示原子或者化学基团，边表示化学键，然后通过GAN的方法进行药物生长模型的训练，训练出的模型可以直接根据学习到的图表征，生长出药物分子。
目前基于人工智能训练出的药物生长模型可以生长出足量多的药物分子片段，但是生成的药物分子片段都是一维(1D)或二维(2D)的，这些智能生长出的药物分子片段没有三维(3D)空间结构，空间靶向性低，这样就没办法基于受体靶点的3D活性口袋进行3D药物分子的设计。
发明内容
本发明的目的在于提供一种基于人工智能进行靶向受体的3D药物设计方法，主要针对目前人工智能训练的模型只能生长成1D或2D的药物分子片段和不能直接靶向受体3D活性口袋的问题，通过利用MMFF94力场转化1D或2D药物片段分子，在受体的3D活性口袋中随机指定或特别指定起始片段作为药物分子的生长起始点，并以药物分子的可旋转键作为分割点，通过遗传算法针对受体靶点的3D活性口袋进行3D药物设计，进而解决人工智能训练的药物模型不能直接应用于受体靶点活性口袋进行3D药物分子设计的问题。
为了实现上述目的，本发明的技术方案如下。
一种基于人工智能进行靶向受体的3D药物设计方法，包括以下步骤：
(1)通过人工智能生成对抗网络(GAN)训练出药物分子生长模型，其训练的具体过程如公式1所示，构建一个生成器G(z)，还有一个辨别器D(x)，生成器G(z)生长出类似于真实药物分子的格式，而辨别器D(x)则最大限度的区分出哪些是生成器G(z)生长出来的药物分子，哪些是真实的药物分子，经过不断的迭代学习，最后生成器G(z)就能生长出几乎接近真实药物分子的模型。具体实现通过Tensorflow深度学习框架，从e-Drug3D(http：//chemoinfo.ipmc.cnrs.fr)上下载美国食品药品监督管理局(FDA)批准的药物分子片段集，按照上述介绍的原理训练出FDA药物片段分子的生长模型，训练出的药物生长模型可以产生足量多的药物分子片段。
Figure GDA0004218989090000021
(2)由于上述人工智能GAN训练出的模型只能生长出一维(1D)或二维(2D)的药物分子片段结构，如SMILES格式，这种格式不能直接靶向受体的三维(3D)活性口袋进行药物设计，因此，本发明首先利用MMFF94力场设计策略将SMILES格式的片段转化为3D结构，然后在靶点受体的活性口袋中确定生长位点，其主要包含2种策略：
1)方案1：在受体靶点活性口袋的可能位置(比如文献中报道的活性氨基酸残基位置)放置指定的分子片段，本发明使用随机搜索的算法找到片段最好的结合模式，然后以这个药物分子片段为生长点。
2)方案2：找到已经报道的受体-配体的晶体结构，根据配体的结构指定起始生长的片段，比如可以截取配体的某一个片段作为药物分子的起始生长点。
(3)仅有药物分子生长的起始点是不够的，如何让药物分子片段在受体靶点的3D活性口袋中进行最优生长才能得到更好、更有效的药物分子。为了解决这个问题，本发明采取Vinardo打分函数和遗传算法的方法来搜索最优生长的3D药物分子构象，具体来说如下：
1)根据PDBbind-CN数据库记录的受体-配体复合物结构和对应的活性值，训练这5项打分函数(如上述5项公式)，由于这5项打分函数来自于Autodock Vina，重新选择更好的方式训练打分函数就叫Vinardo，具体来说，除上述5项打分函数需要训练之外，再从5项公式中抽取任意4项公式训练打分函数模型，这样总共就要训练5个打分函数模型，最后我们训练出跟生物实验测试值最匹配的公式组合：公式3、4、5、6的组合与生物实验测试值有着很好的匹配，训练出的系数和计算公式是：打分函数＝-0.0014618158111688873*公式3+0.002895341760872472*公式4+(-0.00798495780203512*公式5)+(0.07127324835958959*公式6)；
使用训练好的Vinardo打分函数就可以最优的评估小分子与受体靶点的结合能力。
Figure GDA0004218989090000031
Figure GDA0004218989090000032
Figure GDA0004218989090000033
Figure GDA0004218989090000034
Figure GDA0004218989090000035
2)Vinardo可以用来评估配体-受体的结合强弱，同时使用遗传算就可以获取3D药物分子在受体靶点活性口袋中的最佳结合模式。具体来说，本发明选择分子的可旋转键作为分割点，分割出来的分子片段就像DNA中的A、T、G、C，这样每个药物分子就可以看成一个染色体，进而就可以把3D药物分子在受体活性口袋的最优构象搜索问题转化为旅行商(TSP)问题，不同的药物片段种群在受体活性口袋中进行交叉、突变等就可以搜索出最佳结合模式的候选药物分子。
(4)通过遗传算法生长出的药物分子构象十分相似，为了寻找更有代表性的3D药物分子，这就需要对药物分子进行聚类，具体来说，本发明采取受体-药物分子的打分函数和药物分子的化学指纹作为两个主成分进行聚类，其中，打分函数表征受体-药物分子的结合能力，药物分子的化学指纹可以比较两个药物分子的相似度；最后通过K-means算法将药物分子进行聚类，这样就可以在受体靶点中选取有代表性的3D药物分子。
(5)经过上述技术流程方案就可以解决人工智能生长的药物分子从1D或2D结构转变成靶向受体的3D活性中心并设计3D药物分子的问题；此发明可以应用于功能蛋白质、核酸等受体靶点的药物设计。
该发明的有益效果在于：本发明延伸了目前人工智能训练出的一维(1D)或二维(2D)药物分子模型的应用范围和靶向性，加速药物设计的进程和效率。本发明可以使人工智能生长出的药物分子片段针对3D受体靶点进行高效准确的生长，最大可能的设计出全新的药物候选分子。本发明能够最大限度的生成多样性且可能有效的药物分子，因为人工智能训练的模型能够生长出足量多的药物分子片段，而本发明除了解决其靶向受体的3D药物生长设计之外，遗传算法交叉、突变等操作大大增多了药物分子的多样性。
本发明的优点是解决了通过人工智能GAN训练出来的药物生长模型无法直接基于受体靶点活性中心进行3D药物分子设计的问题，本发明可以将人工智能GAN训练的1D药物片段生长模型通过遗传算法直接在受体靶点的3D活性中心生长出3D结构的药物分子，可以广泛地应用于功能蛋白质、核酸等受体靶点的药物设计。
本发明的另外优点是简洁、自动化和高通量，本发明只需要一个命令就可以自动调用人工智能GAN训练出来的药物片段生长模型，并在受体活性口袋中心完成整个3D药物生长的过程，同时，人工智能药物片段生长模型可以生长大量的药物分子片段，本发明引用的解决方案中，遗传算法可以通过交叉、突变等方式产生更多新的3D药物分子结构，这种方式就可以实现高通量的3D药物分子生长。
附图说明
图1是本发明实施例中所使用方法流程示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便更好的理解本发明。
如图1所示，本发明中的基于人工智能进行靶向受体的3D药物设计方法，包括以下步骤：
(1)通过人工智能生成对抗网络(GAN)训练出药物分子生长模型，其训练的具体过程如公式1所示，构建一个生成器G(z)，还有一个辨别器D(x)，生成器G(z)生长出类似于真实药物分子的格式，而辨别器D(x)则最大限度的区分出哪些是生成器G(z)生长出来的药物分子，哪些是真实的药物分子，经过不断的迭代学习，最后生成器G(z)就能生长出几乎接近真实药物分子的模型。具体实现通过Tensorflow深度学习框架，从e-Drug3D(http：//chemoinfo.ipmc.cnrs.fr)上下载美国食品药品监督管理局(FDA)批准的药物分子片段集，按照上述介绍的原理训练出FDA药物片段分子的生长模型(如图1所示)，训练出的药物生长模型可以产生足量多的药物分子片段。
Figure GDA0004218989090000051
(2)由于上述人工智能GAN训练出的模型只能生长出一维(1D)或二维(2D)的药物分子片段结构，如SMILES格式，这种格式不能直接靶向受体的三维(3D)活性口袋进行药物设计，因此，本发明首先利用MMFF94力场设计策略将SMILES格式的片段转化为3D结构，然后在靶点受体的活性口袋中确定生长位点，其主要包含2种策略(如图1所示)：
1)方案1：在受体靶点活性口袋的可能位置(比如文献中报道的活性氨基酸残基位置)放置指定的分子片段，本发明使用随机搜索的算法找到片段最好的结合模式，然后以这个药物分子片段为生长点。
2)方案2：找到已经报道的受体-配体的晶体结构，根据配体的结构指定起始生长的片段，比如可以截取配体的某一个片段作为药物分子的起始生长点。
(3)仅有药物分子生长的起始点是不够的，如何让药物分子片段在受体靶点的3D活性口袋中进行最优生长才能得到更好、更有效的药物分子。为了解决这个问题，本发明采取Vinardo打分函数和遗传算法的方法来搜索最优生长的3D药物分子构象，具体来说如下(如图1所示)：
1)根据PDBbind-CN数据库记录的受体-配体复合物结构和对应的活性值，训练这5项打分函数(如上述5项公式)，由于这5项打分函数来自于Autodock Vina，重新选择更好的方式训练打分函数就叫Vinardo，具体来说，除上述5项打分函数需要训练之外，再从5项公式中抽取任意4项公式训练打分函数模型，这样总共就要训练5个打分函数模型，最后我们训练出跟生物实验测试值最匹配的公式组合：公式3、4、5、6的组合与生物实验测试值有着很好的匹配，训练出的系数和计算公式是：打分函数＝-0.0014618158111688873*公式3+0.002895341760872472*公式4+(-0.00798495780203512*公式5)+(0.07127324835958959*公式6)；
使用训练好的Vinardo打分函数就可以最优的评估小分子与受体靶点的结合能力。
Figure GDA0004218989090000061
Figure GDA0004218989090000062
Figure GDA0004218989090000063
Figure GDA0004218989090000064
Figure GDA0004218989090000065
2)Vinardo可以用来评估配体-受体的结合强弱，同时使用遗传算就可以获取3D药物分子在受体靶点活性口袋中的最佳结合模式。具体来说，本发明选择分子的可旋转键作为分割点，分割出来的分子片段就像DNA中的A、T、G、C，这样每个药物分子就可以看成一个染色体，进而就可以把3D药物分子在受体活性口袋的最优构象搜索问题转化为旅行商(TSP)问题，不同的药物片段种群在受体活性口袋中进行交叉、突变等就可以搜索出最佳结合模式的候选药物分子。
(4)通过遗传算法生长出的药物分子构象十分相似，为了寻找更有代表性的3D药物分子，这就需要对药物分子进行聚类，具体来说，本发明采取受体-药物分子的打分函数和药物分子的化学指纹作为两个主成分进行聚类，其中，打分函数表征受体-药物分子的结合能力，药物分子的化学指纹可以比较两个药物分子的相似度；最后通过K-means算法将药物分子进行聚类，这样就可以在受体靶点中选取有代表性的3D药物分子。
(5)经过上述技术流程方案就可以解决人工智能生长的药物分子从1D或2D结构转变成靶向受体的3D活性中心并设计3D药物分子的问题；此发明可以应用于功能蛋白质、核酸等受体靶点的药物设计。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (1)

1.一种基于人工智能进行靶向受体的3D药物设计方法，其特征在于：包括以下步骤：
(1)通过人工智能生成对抗网络(GAN)训练出药物分子生长模型，其训练的具体过程如公式(1)所示，构建一个生成器G(z)和一个辨别器D(x)，生成器G(z)生长出类似于真实药物分子的格式，而辨别器D(x)则最大限度的区分出生成器G(z)生长出来的药物分子或者是真实的药物分子，经过不断的迭代学习，最后生成器G(z)就能生长出几乎接近真实药物分子的模型；具体实现通过Tensorflow深度学习框架，从e-Drug3D上下载美国食品药品监督管理局FDA批准的药物分子片段集，可以训练出FDA药物片段分子的生长模型，训练出的药物生长模型可以产生足量多的药物分子片段；
Figure QLYQS_1
(2)利用MMFF94力场设计策略将SMILES格式的片段转化为3D结构，然后在靶点受体的活性口袋中确定生长位点，其主要包含2种策略：
1)方案1：在受体靶点活性口袋的可能位置上放置指定的分子片段，使用随机搜索的算法找到片段最好的结合模式，然后以这个药物分子片段为生长点；
2)方案2：找到已经报道的受体-配体的晶体结构，截取配体的某一个片段作为药物分子的起始生长点；
(3)采取Vinardo打分函数和遗传算法的方法来搜索最优生长的3D药物分子构象，具体来说如下：
1)根据PDBbind-CN数据库记录的受体-配体复合物结构和对应的活性值，训练5项打分函数：见公式(2)中的高斯函数Gauss1(d)，见公式(3)中的高斯函数Gauss2(d)，见公式(4)中的原子间的排斥力函数Repulsion(d)，见公式(5)中的原子间的疏水力函数Hydrophobic(d)和见公式(6)中的原子间的氢键相互作用函数Hbond(d)；由于这5项打分函数来自于Autodock Vina，重新选择更好的方式训练打分函数就叫Vinardo，具体来说，除上述5项打分函数需要训练之外，再从5项公式中抽取任意4项公式训练打分函数模型，这样总共就要训练5个打分函数模型，最后训练出跟生物实验测试值最匹配的公式组合：公式(3)、(4)、(5)、(6)的组合与生物实验测试值有着很好的匹配，训练出的系数和计算公式是：
打分函数＝-0.0014618158111688873*Gauss2(d)+0.002895341760872472*Repulsion(d)+(-0.00798495780203512*Hydrophobic(d))+0.07127324835958959*Hbond(d)；
使用训练好的Vinardo打分函数就可以最优的评估小分子与受体靶点的结合能力；
Figure QLYQS_2
Figure QLYQS_3
Figure QLYQS_4
Figure QLYQS_5
Figure QLYQS_6
2)Vinardo可以用来评估配体-受体的结合强弱，同时使用遗传算就可以获取3D药物分子在受体靶点活性口袋中的最佳结合模式，具体来说，选择分子的可旋转键作为分割点，分割出来的分子片段就像DNA中的A、T、G、C，这样每个药物分子就可以看成一个染色体，进而就可以把3D药物分子在受体活性口袋的最优构象搜索问题转化为旅行商(TSP)问题，不同的药物片段种群在受体活性口袋中进行交叉、突变就可以搜索出最佳结合模式的候选药物分子；
(4)为了寻找更有代表性的3D药物分子，这就需要对药物分子进行聚类，具体来说，采取受体-药物分子的打分函数和药物分子的化学指纹作为两个主成分进行聚类，其中，打分函数表征受体-药物分子的结合能力，药物分子的化学指纹可以比较两个药物分子的相似度；最后通过K-means算法将药物分子进行聚类，这样就可以在受体靶点中选取有代表性的3D药物分子；
(5)经过步骤(1)-(4)的技术方案可以解决人工智能生长的药物分子从1D或2D结构转变成靶向受体3D活性中心并设计3D药物分子的问题；可以应用于功能蛋白质、核酸受体靶点的药物设计。
CN201910825654.0A 2019-09-03 2019-09-03 一种基于人工智能进行靶向受体的3d药物设计方法 Active CN110706756B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910825654.0A CN110706756B (zh) 2019-09-03 2019-09-03 一种基于人工智能进行靶向受体的3d药物设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910825654.0A CN110706756B (zh) 2019-09-03 2019-09-03 一种基于人工智能进行靶向受体的3d药物设计方法

Publications (2)

Publication Number Publication Date
CN110706756A CN110706756A (zh) 2020-01-17
CN110706756B true CN110706756B (zh) 2023-06-27

Family

ID=69193307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910825654.0A Active CN110706756B (zh) 2019-09-03 2019-09-03 一种基于人工智能进行靶向受体的3d药物设计方法

Country Status (1)

Country Link
CN (1) CN110706756B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111816265B (zh) * 2020-06-30 2024-04-05 北京晶泰科技有限公司 一种分子生成方法和计算设备
CN112116963A (zh) * 2020-09-24 2020-12-22 深圳智药信息科技有限公司 自动药物设计方法、系统、计算设备及计算机可读存储介质
CN112489722B (zh) * 2020-11-27 2023-07-07 江苏理工学院 药物靶点结合能预测方法及装置
CN113077851A (zh) * 2021-03-23 2021-07-06 西北工业大学 一种基于生成对抗网络的晶体结构预测方法
CN113223632B (zh) * 2021-05-12 2024-02-13 北京望石智慧科技有限公司 一种分子片段库的确定方法、分子分割方法及装置
CN113284553B (zh) * 2021-05-28 2023-01-10 南昌大学 一种用于治疗药物成瘾的药物靶点结合能力测试方法
CN113838541B (zh) * 2021-09-29 2023-10-10 脸萌有限公司 设计配体分子的方法和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001035316A2 (en) * 1999-11-10 2001-05-17 Structural Bioinformatics, Inc. Computationally derived protein structures in pharmacogenomics
CN102222178A (zh) * 2011-03-31 2011-10-19 清华大学深圳研究生院 一种筛选和/或设计针对多靶标的药物的方法
CN102314560A (zh) * 2011-09-05 2012-01-11 浪潮电子信息产业股份有限公司 一种蛋白质-蛋白质对接的计算模拟方法
CN103122365A (zh) * 2011-11-21 2013-05-29 华中农业大学 抗结核抑制剂筛选的靶标基因Rv3290c及应用
CN109106715A (zh) * 2017-06-23 2019-01-01 中国科学院上海药物研究所 8-羟基喹啉类药物或其盐在制备用于治疗与brd4相关的疾病的药物中的应用
CN109637596A (zh) * 2018-12-18 2019-04-16 广州市爱菩新医药科技有限公司 一种药物靶点预测方法
CN109887541A (zh) * 2019-02-15 2019-06-14 张海平 一种靶点蛋白质与小分子结合预测方法及系统
CN110148438A (zh) * 2019-04-12 2019-08-20 中山大学 一种基于最优几何匹配的锌酶对接方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020055536A1 (en) * 1996-09-26 2002-05-09 Dewitte Robert S. System and method for structure-based drug design that includes accurate prediction of binding free energy
US7801685B2 (en) * 2004-08-19 2010-09-21 Drug Design Methodologies, Llc System and method for improved computer drug design

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001035316A2 (en) * 1999-11-10 2001-05-17 Structural Bioinformatics, Inc. Computationally derived protein structures in pharmacogenomics
CN102222178A (zh) * 2011-03-31 2011-10-19 清华大学深圳研究生院 一种筛选和/或设计针对多靶标的药物的方法
CN102314560A (zh) * 2011-09-05 2012-01-11 浪潮电子信息产业股份有限公司 一种蛋白质-蛋白质对接的计算模拟方法
CN103122365A (zh) * 2011-11-21 2013-05-29 华中农业大学 抗结核抑制剂筛选的靶标基因Rv3290c及应用
CN109106715A (zh) * 2017-06-23 2019-01-01 中国科学院上海药物研究所 8-羟基喹啉类药物或其盐在制备用于治疗与brd4相关的疾病的药物中的应用
CN109637596A (zh) * 2018-12-18 2019-04-16 广州市爱菩新医药科技有限公司 一种药物靶点预测方法
CN109887541A (zh) * 2019-02-15 2019-06-14 张海平 一种靶点蛋白质与小分子结合预测方法及系统
CN110148438A (zh) * 2019-04-12 2019-08-20 中山大学 一种基于最优几何匹配的锌酶对接方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Subha Kalyaanamoorthy等.Structure-based drug design to augment hit discovery.《Drug Discovery Today》.2011,第16卷(第17期),第831-839页. *
曹冉 ; 李伟 ; 孙汉资 ; 周宇 ; 黄牛 ; .计算化学方法在基于受体结构的药物分子设计中的基础理论及应用.《药学学报》.2013,(07),第1041-1052页. *
王晓丽.核苷酸氧化损伤修复酶 MTH1 抑制剂的设计与合成.《中国优秀硕士学位论文全文数据库 医药卫生科技辑》.2018,第2018年卷(第1期),E079-2. *

Also Published As

Publication number Publication date
CN110706756A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
CN110706756B (zh) 一种基于人工智能进行靶向受体的3d药物设计方法
CN102013037A (zh) 一种基于粒子群算法的路径搜索方法及装置
CN114386694A (zh) 基于对比学习的药物分子性质预测方法、装置及设备
CN103473482B (zh) 基于差分进化和构象空间退火的蛋白质三维结构预测方法
Santos et al. Differential evolution for protein structure prediction using the HP model
Liang et al. Evaluation of comprehensive learning particle swarm optimizer
CN106503486B (zh) 一种基于多阶段子群协同进化策略的差分进化蛋白质结构从头预测方法
CN107490959A (zh) 一种有效的机器人路径规划系统
CN106096327B (zh) 基于Torch监督式深度学习的基因性状识别方法
Gomes et al. Introducing novelty search in evolutionary swarm robotics
Nasir et al. A novel hybrid spiral-dynamics bacterial-foraging algorithm for global optimization with application to control design
Konieczny et al. Systems biology: functional strategies of living organisms
Tsai et al. Using particle swarm optimization and self-consistent field theory to discover globally stable morphologies of block copolymers
Benitez et al. Hierarchical parallel genetic algorithm applied to the three-dimensional HP side-chain protein folding problem
Lin et al. Using an efficient artificial bee colony algorithm for protein structure prediction on lattice models
Dai et al. Feature selection of high-dimensional biomedical data using improved SFLA for disease diagnosis
CN104867164A (zh) 一种基于遗传算法的矢量量化码书设计方法
WO2001036655A2 (en) Method for optimization of a medium for glycopeptide fermentation
Shi et al. Folding in a semi-flexible lattice model for Crambin
Chandra et al. Competitive two-island cooperative coevolution for real parameter global optimisation
Grosan et al. Hybrid particle swarm–evolutionary algorithm for search and optimization
Li et al. Evolutionary multimodal optimization based on bi-population and multi-mutation differential evolution
CN113155146B (zh) 基于改进的藤壶繁殖优化算法的机器人多目标路径规划
Lin et al. Work-in-progress: Adaptive population artificial bee colony for numerical optimization
Yang et al. Rooted tree optimization algorithm for protein folding prediction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant