CN110910964A - 一种分子间的结合活性预测方法及装置 - Google Patents
一种分子间的结合活性预测方法及装置 Download PDFInfo
- Publication number
- CN110910964A CN110910964A CN201911090145.4A CN201911090145A CN110910964A CN 110910964 A CN110910964 A CN 110910964A CN 201911090145 A CN201911090145 A CN 201911090145A CN 110910964 A CN110910964 A CN 110910964A
- Authority
- CN
- China
- Prior art keywords
- protein
- original matrix
- binding activity
- characteristic vector
- small molecule
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000027455 binding Effects 0.000 title claims abstract description 56
- 102000004169 proteins and genes Human genes 0.000 claims abstract description 78
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 78
- 150000003384 small molecules Chemical class 0.000 claims abstract description 65
- 239000011159 matrix material Substances 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 10
- 238000012827 research and development Methods 0.000 abstract description 9
- 239000003814 drug Substances 0.000 abstract description 7
- 229940079593 drug Drugs 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract description 5
- 238000013527 convolutional neural network Methods 0.000 abstract description 4
- 229920002521 macromolecule Polymers 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 150000001875 compounds Chemical class 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000003041 virtual screening Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003032 molecular docking Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000003446 ligand Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009149 molecular binding Effects 0.000 description 1
- 238000000329 molecular dynamics simulation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- -1 small molecule compound Chemical class 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- 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
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physics & Mathematics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请适用于数据处理技术领域，提供了一种分子间的结合活性预测方法，包括：获取蛋白的原始矩阵及小分子的原始矩阵，并提取蛋白的原始矩阵对应的第一特征向量及小分子的原始矩阵对应的第二特征向量，然后联锁第一特征向量和第二特征向量并计算，获得预测模型输出的蛋白和小分子间结合活性的预测结果。本发明通过对卷积神经网络模型对蛋白和小分子的一维序列进行特征提取，获得蛋白和小分子的结合活性，避免了由于蛋白等大分子结构不明确情况下的研究失误，提高通过科学技术手段进行药物研发的效率，有效缩短了研发时间，保证了研究过程及结果的稳定性。
Description
技术领域
本申请属于数据处理技术领域，尤其涉及一种分子间的结合活性预测方法及装置。
背景技术
近年来，随着科学技术的发展，通过科技手段实现药物研发是社会的共同目标。由于新兴药物的研发过程需要耗费大量资金、人力与时间的资源。如何提高药物临床研究速度，成为了目前的主要研究方向。
目前，通过科技手段进行药物研发的技术包括基于结构和基于配体的计算机虚拟筛选，其中应用最为广泛、成功率较高的是分子对接方法。其核心宗旨在于，分子与靶标蛋白的结合能力及该分子依赖于与蛋白结合位点所表现出来的特定生物活性。蛋白的三维结构可通过实验数据，同源模建或分子动力学模拟等方法得到，然后利用分子对接等技术，根据靶标结构上推测的结合位点，对化合物数据库中的大量小分子进行匹配，随后依据一定的规则对化合物进行评价打分，根据打分高低对化合物进行排名，排名较高的化合物即为潜在的该蛋白靶标的先导抑制剂。然而上述方法计算速度慢且效率低，需要针对海量的配体数据库进行模拟打分，耗费的时间较长。同时在软件初筛后，需要研究人员进一步对初筛结果进行人为挑选和可视化分析，效率低下，并且准确率受研究人员的经验水准的影响而产生波动，仍为达到研究的目标。
发明内容
本申请实施例提供了一种分子间的结合活性预测方法及装置，可以解决现有技术计算速度慢且效率低，耗费时间较长。效率低下，并且准确率受研究人员的经验水准的影响而产生波动的问题。
第一方面，本申请实施例提供了一种分子间的结合活性预测方法，包括：
获取蛋白的原始矩阵及小分子的原始矩阵；
提取蛋白的原始矩阵对应的第一特征向量及小分子的原始矩阵对应的第二特征向量；
联锁所述第一特征向量和所述第二特征向量并计算，获得预测模型输出的蛋白和小分子间结合活性的预测结果。
第二方面，本申请实施例提供了一种分子间的结合活性预测装置，包括：
获取模块，用于获取蛋白的原始矩阵及小分子的原始矩阵；
提取模块，用于提取蛋白的原始矩阵对应的第一特征向量及小分子的原始矩阵对应的第二特征向量；
联锁模块，用于联锁所述第一特征向量和所述第二特征向量并计算，获得预测模型输出的蛋白和小分子间结合活性的预测结果。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的分子间的结合活性预测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的分子间的结合活性预测方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的分子间的结合活性预测方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例通过对卷积神经网络模型对蛋白和小分子的一维序列进行特征提取，获得蛋白和小分子的结合活性，避免了由于蛋白等大分子结构不明确情况下的研究失误，提高通过科学技术手段进行药物研发的效率，有效缩短了研发时间，保证了研究过程及结果的稳定性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的分子间的结合活性预测方法的流程示意图；
图2是本申请一实施例提供的预测模型的结构示意图；
图3是本申请一实施例提供的前馈全连接层的结构示意图；
图4是本申请一实施例提供的预测模型在PDBbind数据库中的预测效果图；
图5是本申请一实施例提供的分子间的结合活性预测装置的结构示意图；
图6是本申请一实施例提供的方法所适用于的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提供的分子间的结合活性预测方法可以应用于手机、平板电脑、可穿戴设备、车载设备、笔记本电脑、超级移动个人计算机(Ultra-Mobile PersonalComputer，UMPC)、上网本、个人数字助理(Personal Digital Assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
图1示出了本申请提供的分子间的结合活性预测方法的示意性流程图，作为示例而非限定，该方法可以应用于上述任一终端设备中。
S101、获取蛋白的原始矩阵及小分子的原始矩阵；
在具体应用中，获取蛋白与小分子化合物的一维序列，并通过独热编码(One-hot)对蛋白与小分子化合物的一维序列进行编码，得到蛋白的原始矩阵及小分子的原始矩阵。
S102、提取蛋白的原始矩阵对应的第一特征向量及小分子的原始矩阵对应的第二特征向量；
在具体应用中，通过卷积层对蛋白的原始矩阵和小分子的原始矩阵进行卷积处理，获得蛋白的原始矩阵对应的第一特征向量，以及小分子原始矩阵对应的第二特征向量。
S103、联锁所述第一特征向量和所述第二特征向量并计算，获得预测模型输出的蛋白和小分子间结合活性的预测结果。
在具体应用中，将第一特征向量和第二特征向量进行联锁，并将联锁后的第一特征向量和第二特征向量输入不同数量的全连接层，获得预测模型输出的蛋白和小分子间结合活性的预测结果。联锁是指在第一特征向量和第二特征向量之间建立的相互制约关系。
其中，全连接层的数量表示全连接层的层数和神经元个数，其可根据实际情况进行具体设定，例如，设定全连接层为3层全连接层，其神经元个数依次为2048，512，64。
在一个实施例中，步骤S101，包括：
获取蛋白和小分子的一维序列；
通过预设转换方法将蛋白的一维序列转换为对应的原始矩阵，将小分子的一维序列转换为对应的原始矩阵；其中，预设转换方法包括独热编码。
在具体应用中，预设转换方法包括但不限于独热编码。
在本实施例中，将蛋白和小分子的一维序列转换为大小为(P，1200)和(C，200)的独热编码矩阵表示，其中，P和C分别代表蛋白和小分子的不同字符的个数。例如，某蛋白的不同氨基酸个数为20(A，R，L…)，则P为20。
小分子字符的个数是简化分子线性输入规范(Simplified molecular-inputline-entry system，SMILES)的个数，例如，CCCCCN(C(＝O)[C@@H](NC(＝O)[C@H](Cc1ccccc1)NC(＝O)C)CCC中的单一字符的个数。
在一个实施例中，步骤S102，包括：
对蛋白的原始矩阵和小分子的原始矩阵分别进行卷积处理，获得蛋白的原始矩阵对应的第一特征向量及小分子的原始矩阵对应的第二特征向量。
在具体应用中，在本实施例中，特征提取过程主要为：通过卷积核大小为3*3，步长为1的卷积层对蛋白的原始矩阵和小分子的原始矩阵进行卷积处理。其中，将两卷积层和一池化层视为一个卷积模块，卷积模块的数量可根据实际情况进行具体设定。
在本实施例中，共采用了3个卷积模块(即是6个卷积层)，其中，卷积核数量依次为32，32，64，64，128，128。通过上述3个卷积模块分别对蛋白的原始矩阵和小分子的原始矩阵进行特征提取，最后获得蛋白的原始矩阵对应的第一特征向量，以及小分子原始矩阵对应的第二特征向量。
图2示例性的示出了一种预测模型的结构示意图。
需要说明的是：由于神经网络能够自动提取特征，而现有技术无法具体说明神经网络提取到的某些特征，因此，可将一系列的已知或未知的特征映射到高维空间，即为获得的第一特征向量或第二特征向量。
在一个实施例中，步骤S103，包括：
S1031、联锁所述第一特征向量和所述第二特征向量；
S1032、对联锁后的第一特征向量和第二特征向量进行全连接处理，获得预测模型输出的蛋白和小分子间结合活性的预测结果。
在具体应用中，通过全连接层对联锁后的第一特征向量和第二特征向量进行全连接处理，以判断第一特征向量和第二特征向量间是否具有结合活性，以及结合活性的大小。
图3示例性的示出了一种简单的前馈全连接层的结构示意图。
其中，x是输入值，W[1]和W[2]分别表示输入层到隐藏层、隐藏层到输出层的权重参数(对神经网络进行预训练后获得的)。σ是激活函数，a[1]是隐藏层激活变换的数值，y则为输出的预测值。
作为示例，在层数为3层、且其神经元个数依次为2048，512，64的全连接层中，共有W[1](2048-512)W[2](512-64)W[3](64-1)三个权重参数矩阵，输入值x为蛋白与小分子的联锁特征向量(2048)，两层中间层的神经元个数分别为512，64，其输入数据即为上一层的输出数据。激活函数σ前两层为relu，最后一层激活函数为：分类任务(sigmoid)，回归任务(linear)。
在一个实施例中，步骤S1032，包括：
对联锁后的第一特征向量和第二特征向量进行面向分类处理，获得预测模型输出的蛋白和小分子间是否具有结合活性的预测结果；
若预测结果为蛋白和小分子间具有结合活性，则对联锁后的第一特征向量和第二特征向量进行回归处理，获得预测模型输出的蛋白和小分子间结合活性大小的预测结果。
在具体应用中，具体通过面向分类任务对对联锁后的第一特征向量和第二特征向量进行面向分类处理。预测小分子是否与蛋白有结合，若预测结果为蛋白和小分子间具有结合活性，则通过回归任务对联锁后的第一特征向量和第二特征向量进行回归处理，以预测小分子与蛋白的结合强度。
在一个实施例中，S101之前，还包括：
S201、获取样本数据；
S202、通过样本数据对所述预测模型进行预训练，获得预训练后的预测模型；其中，所述预测模型包括深度学习模型。
在一个实施例中，步骤S202之后，包括：
通过损失函数对样本数据进行处理，实现对预测模型的预训练过程，获得预训练后的预测模型；其中，损失函数包括交叉熵和均方误差中的至少一种。
在具体应用中，分类任务输出的值是0或者1，0表示蛋白与小分子间没有结合活性，1表示蛋白与小分子间有结合活性。
回归任务输出的是一个连续性的数值，如4.2，1.6或8.9等，表示蛋白与小分子化合物的结合活性的强度。
交叉熵(Binary Cross Entropy)为通过运算获得模型训练权重参数W的最优解，实现优化模型的损失函数。均方误差(Mean Square Error)同样是用于优化模型的损失函数。
在本实施例中，设定训练优化器为Adam，学习率Learning Rate是神经网络中一个超参数，设定为0.0001，beta1为0.9，beta2为0.999，。
PDBbind是一个包含有数万种蛋白与小分子结合结构及其结合活性的数据库，被用于建立与测试多种虚拟筛选方法。PDBBind可用于横向比较不同虚拟筛选模型的性能。
经过试验，预测模型在PDBbind数据库中的预测效果如图4所示。
预测模型在PDBBind数据集中的训练数据集、验证数据集和测试数据集的均方根误差(Root Mean Square Rrror，RMSE)指分别为0.930，1.388和1.372，对应的相关系数分别为0.87，0.69和0.70。
具体的，传统机器学习算法，支持向量机方法和随机森林算法，现有的基于结构的深度神经预测网络模型以及预测模型在PDBbind数据库中的预测性能结果如表1所示。
表1DUD-E数据库是一种评估虚拟筛选算法的基准数据集，预测模型在DUD-E数据库中的预测效果可达到0.997。
Smina、AutoDock Vina等传统的分子对接方法，机器学习算法支持向量机方法以及预测模型在DUD-E数据库中的预测效果如表2所示。
表2
本实施例通过对卷积神经网络模型对蛋白和小分子的一维序列进行特征提取，获得蛋白和小分子的结合活性，避免了由于蛋白等大分子结构不明确情况下的研究失误，提高通过科学技术手段进行药物研发的效率，有效缩短了研发时间，保证了研究过程及结果的稳定性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的分子间的结合活性预测方法，图5示出了本申请实施例提供的分子间的结合活性预测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图5，该分子间的结合活性预测装置200包括：
第一获取模块101，用于获取蛋白的原始矩阵及小分子的原始矩阵；
提取模块102，用于提取蛋白的原始矩阵对应的第一特征向量及小分子的原始矩阵对应的第二特征向量；
联锁模块103，用于联锁所述第一特征向量和所述第二特征向量并计算，获得预测模型输出的蛋白和小分子间结合活性的预测结果。
在一个实施例中，分子间的结合活性预测装置，还包括：
第二获取模块，用于获取样本数据；
预训练模块，用于通过样本数据对所述预测模型进行预训练，获得预训练后的预测模型；其中，所述预测模型包括深度学习模型。
本实施例通过对卷积神经网络模型对蛋白和小分子的一维序列进行特征提取，获得蛋白和小分子的结合活性，避免了由于蛋白等大分子结构不明确情况下的研究失误，提高通过科学技术手段进行药物研发的效率，有效缩短了研发时间，保证了研究过程及结果的稳定性。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图6示出的是与本申请实施例提供的终端设备的部分结构的框图。参考图6，终端设备包括：射频(Radio Frequency，RF)电路110、存储器120、输入单元130、显示单元140、传感器150、音频电路160、无线保真(wireless fidelity，WiFi)模块170、处理器180、以及电源190等部件。本领域技术人员可以理解，图6中示出的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图6对终端设备的各个构成部件进行具体的介绍：
RF电路110可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器180处理；另外，将设计上行的数据发送给基站。通常，RF电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier，LNA)、双工器等。此外，RF电路110还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(GlobalSystem of Mobile communication，GSM)、通用分组无线服务(General Packet RadioService，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、长期演进(Long Term Evolution，LTE))、电子邮件、短消息服务(Short Messaging Service，SMS)等。
存储器120可用于存储软件程序以及模块，处理器180通过运行存储在存储器120的软件程序以及模块，从而执行终端设备的各种功能应用以及数据处理。存储器120可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据终端设备的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器120可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元130可用于接收输入的数字或字符信息，以及产生与终端设备100的用户设置以及功能控制有关的键信号输入。具体地，输入单元130可包括触控面板131以及其他输入设备132。触控面板131，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板131上或在触控面板131附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板131可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器180，并能接收处理器180发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板131。除了触控面板131，输入单元130还可以包括其他输入设备132。具体地，其他输入设备132可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元140可用于显示由用户输入的信息或提供给用户的信息以及终端设备的各种菜单。显示单元140可包括显示面板141，可选的，可以采用液晶显示器(LiquidCrystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode，OLED)等形式来配置显示面板141。进一步的，触控面板131可覆盖显示面板141，当触控面板131检测到在其上或附近的触摸操作后，传送给处理器180以确定触摸事件的类型，随后处理器180根据触摸事件的类型在显示面板141上提供相应的视觉输出。虽然在图6中，触控面板131与显示面板141是作为两个独立的部件来实现终端设备的输入和输入功能，但是在某些实施例中，可以将触控面板131与显示面板141集成而实现终端设备的输入和输出功能。
终端设备100还可包括至少一种传感器150，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板141的亮度，接近传感器可在终端设备移动到耳边时，关闭显示面板141和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别终端设备姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于终端设备还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路160、扬声器161，传声器162可提供用户与终端设备之间的音频接口。音频电路160可将接收到的音频数据转换后的电信号，传输到扬声器161，由扬声器161转换为声音信号输出；另一方面，传声器162将收集的声音信号转换为电信号，由音频电路160接收后转换为音频数据，再将音频数据输出处理器180处理后，经RF电路110以发送给比如另一终端设备，或者将音频数据输出至存储器120以便进一步处理。
WiFi属于短距离无线传输技术，终端设备通过WiFi模块170可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图6示出了WiFi模块170，但是可以理解的是，其并不属于终端设备100的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器180是终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分，通过运行或执行存储在存储器120内的软件程序和/或模块，以及调用存储在存储器120内的数据，执行终端设备的各种功能和处理数据，从而对终端设备进行整体监控。可选的，处理器180可包括一个或多个处理单元；优选的，处理器180可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器180中。
终端设备100还包括给各个部件供电的电源190(比如电池)，优选的，电源可以通过电源管理系统与处理器180逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管未示出，终端设备100还可以包括摄像头。可选地，摄像头在终端设备100的上的位置可以为前置的，也可以为后置的，本申请实施例对此不作限定。
可选地，终端设备100可以包括单摄像头、双摄像头或三摄像头等，本申请实施例对此不作限定。
例如，终端设备100可以包括三摄像头，其中，一个为主摄像头、一个为广角摄像头、一个为长焦摄像头。
可选地，当终端设备100包括多个摄像头时，这多个摄像头可以全部前置，或者全部后置，或者一部分前置、另一部分后置，本申请实施例对此不作限定。
另外，尽管未示出，终端设备100还可以包括蓝牙模块等，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种终端设备，该终端设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种分子间的结合活性预测方法，其特征在于，包括：
获取蛋白的原始矩阵及小分子的原始矩阵；
提取蛋白的原始矩阵对应的第一特征向量及小分子的原始矩阵对应的第二特征向量；
联锁所述第一特征向量和所述第二特征向量并计算，获得预测模型输出的蛋白和小分子间结合活性的预测结果。
2.如权利要求1所述的分子间的结合活性预测方法，其特征在于，所述获取蛋白的原始矩阵及小分子的原始矩阵，包括：
获取蛋白和小分子的一维序列；
通过预设转换方法将蛋白的一维序列转换为对应的原始矩阵，将小分子的一维序列转换为对应的原始矩阵；其中，预设转换方法包括独热编码。
3.如权利要求1所述的分子间的结合活性预测方法，其特征在于，所述提取蛋白的原始矩阵对应的第一特征向量及小分子的原始矩阵对应的第二特征向量，包括：
对蛋白的原始矩阵和小分子的原始矩阵分别进行卷积处理，获得蛋白的原始矩阵对应的第一特征向量及小分子的原始矩阵对应的第二特征向量。
4.如权利要求1所述的分子间的结合活性预测方法，其特征在于，所述联锁所述第一特征向量和所述第二特征向量并计算，获得预测模型输出的蛋白和小分子间结合活性的预测结果，包括：
联锁所述第一特征向量和所述第二特征向量；
对联锁后的第一特征向量和第二特征向量进行全连接处理，获得预测模型输出的蛋白和小分子间结合活性的预测结果。
5.如权利要求4所述的分子间的结合活性预测方法，其特征在于，所述对联锁后的第一特征向量和第二特征向量进行全连接处理，获得预测模型输出的蛋白和小分子间结合活性的预测结果，包括：
对联锁后的第一特征向量和第二特征向量进行面向分类处理，获得预测模型输出的蛋白和小分子间是否具有结合活性的预测结果；
若预测结果为蛋白和小分子间具有结合活性，则对联锁后的第一特征向量和第二特征向量进行回归处理，获得预测模型输出的蛋白和小分子间结合活性大小的预测结果。
6.如权利要求1所述的分子间的结合活性预测方法，其特征在于，所述取蛋白的原始矩阵及小分子的原始矩阵之前，还包括：
获取样本数据；
通过样本数据对所述预测模型进行预训练，获得预训练后的预测模型；其中，所述预测模型包括深度学习模型。
7.如权利要求6所述的分子间的结合活性预测方法，其特征在于，所述通过样本数据对所述预测模型进行预训练，获得预训练后的预测模型，包括：
通过损失函数对样本数据进行处理，实现对预测模型的预训练过程，获得预训练后的预测模型；其中，损失函数包括交叉熵和均方误差中的至少一种。
8.一种分子间的结合活性预测装置，其特征在于，包括：
第一获取模块，用于获取蛋白的原始矩阵及小分子的原始矩阵；
提取模块，用于提取蛋白的原始矩阵对应的第一特征向量及小分子的原始矩阵对应的第二特征向量；
联锁模块，用于联锁所述第一特征向量和所述第二特征向量并计算，获得预测模型输出的蛋白和小分子间结合活性的预测结果。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911090145.4A CN110910964A (zh) | 2019-11-08 | 2019-11-08 | 一种分子间的结合活性预测方法及装置 |
| PCT/CN2020/127249 WO2021089008A1 (zh) | 2019-11-08 | 2020-11-06 | 一种分子间的结合活性预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911090145.4A CN110910964A (zh) | 2019-11-08 | 2019-11-08 | 一种分子间的结合活性预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110910964A true CN110910964A (zh) | 2020-03-24 |
Family
ID=69817102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911090145.4A Pending CN110910964A (zh) | 2019-11-08 | 2019-11-08 | 一种分子间的结合活性预测方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110910964A (zh) |
| WO (1) | WO2021089008A1 (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111627493A (zh) * | 2020-05-29 | 2020-09-04 | 北京晶派科技有限公司 | 一种激酶抑制剂的选择性预测方法和计算设备 |
| CN112086145A (zh) * | 2020-09-02 | 2020-12-15 | 腾讯科技（深圳）有限公司 | 一种化合物活性预测方法、装置、电子设备和存储介质 |
| CN112420124A (zh) * | 2021-01-19 | 2021-02-26 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、计算机设备和存储介质 |
| CN112786120A (zh) * | 2021-01-26 | 2021-05-11 | 云南大学 | 神经网络辅助化学材料合成的方法 |
| WO2021089008A1 (zh) * | 2019-11-08 | 2021-05-14 | 深圳先进技术研究院 | 一种分子间的结合活性预测方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106575320A (zh) * | 2014-05-05 | 2017-04-19 | 艾腾怀斯股份有限公司 | 结合亲和力预测系统和方法 |
| CN107742061A (zh) * | 2017-09-19 | 2018-02-27 | 中山大学 | 一种蛋白质相互作用预测方法、系统和装置 |
| 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 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9373059B1 (en) * | 2014-05-05 | 2016-06-21 | Atomwise Inc. | Systems and methods for applying a convolutional network to spatial data |
| CN110444250A (zh) * | 2019-03-26 | 2019-11-12 | 广东省微生物研究所（广东省微生物分析检测中心） | 基于分子指纹和深度学习的高通量药物虚拟筛选系统 |
| CN110910964A (zh) * | 2019-11-08 | 2020-03-24 | 深圳先进技术研究院 | 一种分子间的结合活性预测方法及装置 |
-
2019
- 2019-11-08 CN CN201911090145.4A patent/CN110910964A/zh active Pending
-
2020
- 2020-11-06 WO PCT/CN2020/127249 patent/WO2021089008A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106575320A (zh) * | 2014-05-05 | 2017-04-19 | 艾腾怀斯股份有限公司 | 结合亲和力预测系统和方法 |
| CN107742061A (zh) * | 2017-09-19 | 2018-02-27 | 中山大学 | 一种蛋白质相互作用预测方法、系统和装置 |
| 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 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021089008A1 (zh) * | 2019-11-08 | 2021-05-14 | 深圳先进技术研究院 | 一种分子间的结合活性预测方法及装置 |
| CN111627493A (zh) * | 2020-05-29 | 2020-09-04 | 北京晶派科技有限公司 | 一种激酶抑制剂的选择性预测方法和计算设备 |
| CN112086145A (zh) * | 2020-09-02 | 2020-12-15 | 腾讯科技（深圳）有限公司 | 一种化合物活性预测方法、装置、电子设备和存储介质 |
| CN112086145B (zh) * | 2020-09-02 | 2024-04-16 | 腾讯科技（深圳）有限公司 | 一种化合物活性预测方法、装置、电子设备和存储介质 |
| CN112420124A (zh) * | 2021-01-19 | 2021-02-26 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、计算机设备和存储介质 |
| CN112420124B (zh) * | 2021-01-19 | 2021-04-13 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、计算机设备和存储介质 |
| CN112786120A (zh) * | 2021-01-26 | 2021-05-11 | 云南大学 | 神经网络辅助化学材料合成的方法 |
| CN112786120B (zh) * | 2021-01-26 | 2022-07-05 | 云南大学 | 神经网络辅助化学材料合成的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021089008A1 (zh) | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110910964A (zh) | 一种分子间的结合活性预测方法及装置 | |
| CN110009052B (zh) | 一种图像识别的方法、图像识别模型训练的方法及装置 | |
| CN109543195B (zh) | 一种文本翻译的方法、信息处理的方法以及装置 | |
| CN110163367B (zh) | 一种终端部署方法和装置 | |
| CN110362494B (zh) | 微服务状态信息展示的方法、模型训练方法以及相关装置 | |
| CN110704661B (zh) | 一种图像分类方法和装置 | |
| CN110069715B (zh) | 一种信息推荐模型训练的方法、信息推荐的方法及装置 | |
| CN112052841B (zh) | 一种视频摘要的生成方法以及相关装置 | |
| WO2020147369A1 (zh) | 自然语言处理方法、训练方法及数据处理设备 | |
| CN111125523B (zh) | 搜索方法、装置、终端设备及存储介质 | |
| CN110555337B (zh) | 一种指示对象的检测方法、装置以及相关设备 | |
| CN114595124B (zh) | 时序异常检测模型评估方法、相关装置及存储介质 | |
| CN113284142A (zh) | 图像检测方法、装置、计算机可读存储介质及计算机设备 | |
| CN110597957B (zh) | 一种文本信息检索的方法及相关装置 | |
| CN112862021B (zh) | 一种内容标注方法和相关装置 | |
| CN114765062A (zh) | 基因数据处理方法、装置、计算机设备及存储介质 | |
| CN110866114B (zh) | 对象行为的识别方法、装置及终端设备 | |
| CN110929882A (zh) | 一种基于人工智能的特征向量计算方法和相关装置 | |
| CN109993337A (zh) | 一种金融产品实时管理方法、装置和服务器 | |
| CN114817742A (zh) | 基于知识蒸馏的推荐模型配置方法、装置、设备、介质 | |
| CN113822435B (zh) | 一种用户转化率的预测方法及相关设备 | |
| CN107291453A (zh) | 组件显示方法及相关产品 | |
| CN111062198A (zh) | 一种基于大数据的企业类别分析方法及相关设备 | |
| CN111709789A (zh) | 一种用户转化率的确定方法及相关设备 | |
| CN110781274A (zh) | 一种问答对生成的方法与装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200324 |
|
| RJ01 | Rejection of invention patent application after publication |