CN111126554A - 一种基于生成对抗网络的药物先导化合物筛选方法和系统 - Google Patents
一种基于生成对抗网络的药物先导化合物筛选方法和系统 Download PDFInfo
- Publication number
- CN111126554A CN111126554A CN201811283632.8A CN201811283632A CN111126554A CN 111126554 A CN111126554 A CN 111126554A CN 201811283632 A CN201811283632 A CN 201811283632A CN 111126554 A CN111126554 A CN 111126554A
- Authority
- CN
- China
- Prior art keywords
- compound
- generation
- lead compound
- drug
- neural network
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于生成对抗网络的药物先导化合物筛选方法,包括:收集并建立与疾病相关的化合物数据集;根据化合物数据集,训练基于生成对抗网络的神经网络模型;根据神经网络模型,生成具有潜在治愈疾病的候选先导化合物。本发明利用与疾病相关的化合物数据用来训练基于生成对抗网络的神经网络模型,编码器和判别器直接相互竞争,从而来提高所生成的化合物分子指纹的有效性,既保留了原有训练数据的特性,同时可以快速探索出不一样的具有某些新特性的化合物分子;这将有效加速药物先导化合物的筛选过程,并保证所发现的先导化合物未来作为新型药物候选的有效性和准确度,从而解决目前药物发现流程耗费大量时间和财力的现状。
Description
技术领域
本发明涉及药物发现和AI医疗技术领域,尤其涉及一种基于生成对抗网络的药物先导化合物筛选方法和系统。
背景技术
随着AI医疗(人工智能医疗)概念的提出和人类对于健康和疾病关系的探索,人们开始研究AI在药物发现领域的应用性。众所周知,新药研发的流程周期是很长的,药物先导化合物是通过某种途径得到的具有某种生物活性和化学结构的化合物,是现代新药研究的出发点。
目前面对很多疾病的药物发现过程,人们对于其靶点信息都是未知的,导致从众多化合物库中找出能有效治愈疾病的活性药物分子如同大海捞针一般困难,而AI快速的计算能力可能会给药物先导化合物的筛选过程带来新的研究方式,从而取代以往盲目的药物分析筛选过程。
发明内容
本发明的目的在于提供一种基于生成对抗网络的药物先导化合物筛选方法和系统。
本发明解决其技术问题采用的技术方案是:提供一种基于生成对抗网络的药物先导化合物筛选方法,包括以下步骤:
收集并建立与疾病相关的化合物数据集;
根据所述化合物数据集,训练基于生成对抗网络的神经网络模型;
根据所述神经网络模型,生成具有潜在治愈所述疾病的候选先导化合物。
在本发明提供的基于生成对抗网络的药物先导化合物筛选方法中,所述化合物数据集包括化合物分子结构式,在收集并建立与疾病相关的化合物数据集的所述步骤之后还包括:
获取所述化合物分子结构式的分子指纹数据。
在本发明提供的基于生成对抗网络的药物先导化合物筛选方法中,根据所述化合物数据集,训练基于生成对抗网络的神经网络模型的所述步骤包括:
将所述分子指纹数据通过编码器转换为隐藏编码向量和聚合后验分布;
将所述隐藏编码向量和先验分布向量输入至判别模型进行样本检验,并输出样本检验概率;
将所述样本检验概率反馈至所述编码器,以使所述编码器和所述判别模型基于互相对抗过程循环更新。
在本发明提供的基于生成对抗网络的药物先导化合物筛选方法中,根据所述神经网络模型,生成具有潜在治愈所述疾病的候选先导化合物的所述步骤包括:
在所述聚合后验分布与所述先验分布相匹配时,通过解码器将所述隐藏编码向量进行重构输出,生成所述候选先导化合物。
在本发明提供的基于生成对抗网络的药物先导化合物筛选方法中,当所述样本检验概率为1/2时,所述聚合后验分布与所述先验分布相匹配。
相应地,本发明还提供一种基于生成对抗网络的药物先导化合物筛选系统,包括:
数据收集模块,用于收集并建立与疾病相关的化合物数据集;
模型训练模块,用于根据所述化合物数据集,训练基于生成对抗网络的神经网络模型;
结果生成模块,用于根据所述神经网络模型,生成具有潜在治愈所述疾病的候选先导化合物。
在本发明提供的基于生成对抗网络的药物先导化合物筛选系统中,所述化合物数据集包括化合物分子结构式,所述药物先导化合物筛选系统还包括数据处理模块,用于获取所述化合物分子结构式的分子指纹数据。
在本发明提供的基于生成对抗网络的药物先导化合物筛选系统中,所述模型训练模块通过以下步骤训练基于生成对抗网络的神经网络模型:
将所述分子指纹数据通过编码器转换为隐藏编码向量和聚合后验分布;
将所述隐藏编码向量和先验分布向量输入至判别模型进行样本检验,并输出样本检验概率;
将所述样本检验概率反馈至所述编码器,以使所述编码器和所述判别模型基于互相对抗过程循环更新。
在本发明提供的基于生成对抗网络的药物先导化合物筛选系统中,所述结果生成模块在所述聚合后验分布与所述先验分布相匹配时,通过解码器将所述隐藏编码向量进行重构输出,生成所述候选先导化合物。
在本发明提供的基于生成对抗网络的药物先导化合物筛选系统中,当所述样本检验概率为1/2时,所述聚合后验分布与所述先验分布相匹配。
本发明的基于生成对抗网络的药物先导化合物筛选方法和系统具有以下有益效果:在本发明提供的基于生成对抗网络的药物先导化合物筛选方法和系统中,将药物分子以分子指纹形式表达,可有效表达出药物分子的某些特性,并将药物分子指纹数据用来训练基于生成对抗网络的神经网络模型,编码器和判别器直接相互竞争,从而来提高所生成的化合物分子指纹的有效性,既保留了原有训练数据的特性,同时可以快速探索出不一样的具有某些新特性的化合物分子;这将有效加速药物先导化合物的筛选过程,并保证所发现的先导化合物未来作为新型药物候选的有效性和准确度,从而解决目前药物发现流程耗费大量时间和财力的现状。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的基于生成对抗网络的药物先导化合物筛选方法的流程示意图;
图2为本发明一实施例提供的基于生成对抗网络的药物先导化合物筛选系统的原理图。
具体实施方式
为了使本技术领域的技术人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
以下结合附图和实施例对本发明做进一步的解释说明。
参见图1,是本发明实施例提供的基于生成对抗网络的药物先导化合物筛选方法的流程图,如图1所示,该方法包括:
步骤S1、收集并建立与疾病相关的化合物数据集;
具体地,在步骤S1中,收集并建立已发现的针对某类特定疾病的化合物数据集,本实施例选取肺癌疾病,从开源的药物筛检数据库中提取出针对肺癌疾病的化合物集合,提取其药物化合物分子结构式,一般为SMI文件。
进一步地,在步骤S1之前还包括:获取所述化合物分子结构式的分子指纹数据。数据处理过程如下:安装RDKIT化学库,将所有的化合物分子结构式转换为SMILES格式的分子指纹,分子指纹向量为166位。
步骤S2、根据所述化合物数据集,训练基于生成对抗网络的神经网络模型。
具体地,在步骤S2中,神经网络模型输入层、编码层、隐层、解码层、输出层,其中,编码层和解码层对应于基于对抗思想的生成器,隐层则对应于基于对抗思想的判别器。在输入层中,将化合物分子指纹数据以BATCH形式随机分割后作为编码层的输入数据;编码层对应于编码器,其为全连接神经网络结构,网络层数设计为2层,第一层神经元个数为128,第二层神经元个数为64,编码器网络的输入为化合物分子指纹向量166维,编码后产生输出至隐层的隐藏编码向量,其维度为4,因此,编码层网络中向量大小变化为[166,128,64,4];隐层对应于判别器,为全连接神经网络结构,隐层网络层数设计为1层,有4个神经元,其输入包括两部分:隐藏编码向量和任意先验分布向量,其网络层数为2层,第一层神经元为64,第二层神经元个数为4,输出层神经元个数为1,代表向量样本的真假概率,因此,向量大小变化为[4,64,4,1];解码层对应于解码器,为全连接神经网络结构,网络层数设计为2层,第一层神经元个数为64,第二层神经元个数为128,其输入为隐藏编码向量作,输出为新的化合物分子指纹向量,因此,解码层网络中向量大小变化为[4,64,128,166]。
具体地,将上述的化合物分子指纹数据输入至神经网络模型中的编码层网络,生成输出至隐层的隐藏编码向量;隐层的隐藏编码向量和任意先验分布向量输入至判别器网络(即隐层)中,输出其检验样本的真假概率;模型开始训练,模型不断更新神经网络的权重参数,使得编码器不断提升自己的编码能力,使得生成样本向其真实样本靠近,判别器不断提升自己的判别真假样本的能力。编码器和判别器不断对抗,达到动态平衡状态,编码器生成的样本在判别器处也无法区分真假时,通过解码器将生成样本进行重构输出。因此,进一步地,步骤S2包括以下子步骤:
步骤S21:将所述分子指纹数据通过编码器转换为隐藏编码向量和聚合后验分布;
具体地,在步骤S21中,输入真实样本x,把真实分布映射到隐层,得到隐藏编码向量z和聚合后验分布q(z)。编码器目标就是让判别器分辨不出其生成样本的真假性,在训练过程中,编码器不断更新编码层结构参数,从而来混淆判别器的判断。其中q(z)通过以下公式计算得出:
q(z)=∫xq(z|x)pd(x)dx
其中,x代表输入的真实样本,Pd(x)代表数据原始真实分布,q(z|x)代表编码分布。
步骤S22、将所述隐藏编码向量和先验分布向量输入至判别模型进行样本检验,并输出样本检验概率;
具体地,在步骤S22中,输入编码器生成的隐藏编码向量z和任意先验分布向量,其中,编码器生成向量视为负样本,任意先验分布向量视为正样本,判别器网络接受到输入样本后检验其正负性,得到所有检验样本是正样本(真)或负样本(假)的概率。
步骤S23、所述样本检验概率反馈至所述编码器,以使所述编码器和所述判别模型基于互相对抗过程循环更新。
具体地,在步骤S23中,判别器目标是使得编码器生成的隐藏编码向量的聚合后验分布q(z)与任意先验分布p(z)相匹配,在训练过程中,判别器会不断更新网络结构参数,降低判别器识别误差,来提高自己的判断能力。
步骤S3、根据所述神经网络模型,生成具有潜在治愈所述疾病的候选先导化合物。
具体地,在步骤S3中,判别器和生成器在不断对抗的过程中,两者均不断升级自身的网络结构参数,最终会达到一种动态平衡状态。当编码器生成的样本在判别器处也无法区分真假时,则再通过解码器将生成样本进行重构输出,其输出结果就可以认为是与输入样本具有类似特性的化合物,从而成为潜在的能够治愈肺癌的先导化合物。
需要说明的是,所述聚合后验分布与所述先验分布相匹配代表判别器对检验样本所输出的真实概率均为1/2。
本发明将药物分子以分子指纹形式表达,可有效表达出药物分子的某些特性,并将药物分子指纹数据用来训练基于生成对抗网络的神经网络模型,生成器和判别器直接相互竞争,从而来提高生成器所生成的化合物分子指纹的有效性,既保留了原有训练数据的特性,同时可以快速探索出不一样的具有某些新特性的化合物分子。这将有效加速药物先导化合物的筛选过程,并保证所发现的先导化合物未来作为新型药物候选的有效性和准确度,从而解决目前药物发现流程耗费大量时间和财力的现状。
参见图2,图2为本发明一实施例提供的基于生成对抗网络的药物先导化合物筛选系统的原理图。如图2所示,本发明提供的基于生成对抗网络的药物先导化合物筛选系统包括:
数据收集模块210,用于收集并建立与疾病相关的化合物数据集;
模型训练模块220,用于根据所述化合物数据集,训练基于生成对抗网络的神经网络模型;
结果生成模块230,用于根据所述神经网络模型,生成具有潜在治愈所述疾病的候选先导化合物。
具体地,数据收集模块210收集并建立已发现的针对某类特定疾病的化合物数据集,本实施例选取肺癌疾病,从开源的药物筛检数据库中提取出针对肺癌疾病的化合物集合,提取其药物化合物分子结构式,一般为SMI文件。进一步地,所述基于生成对抗网络的药物先导化合物筛选系统还包括数据处理模块,用于获取所述化合物分子结构式的分子指纹数据。
进一步地,模型训练模块220通过以下步骤训练基于生成对抗网络的神经网络模型:将所述分子指纹数据通过编码器转换为隐藏编码向量和聚合后验分布;将所述隐藏编码向量和先验分布向量输入至判别模型进行样本检验,并输出样本检验概率;将所述样本检验概率反馈至所述编码器,以使所述编码器和所述判别模型基于互相对抗过程循环更新。
进一步地,结果生成模块230在所述聚合后验分布与所述先验分布相匹配时,通过解码器将所述隐藏编码向量进行重构输出,生成所述候选先导化合物。进一步地,所述样本检验概率为1/2时,所述聚合后验分布与所述先验分布相匹配。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
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的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
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。
另外,在本发明各个实施例中的各功能单元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。
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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,其中,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发明各实施例技术方案的范围。
Claims (10)
1.一种基于生成对抗网络的药物先导化合物筛选方法,其特征在于,包括以下步骤:
收集并建立与疾病相关的化合物数据集;
根据所述化合物数据集,训练基于生成对抗网络的神经网络模型;
根据所述神经网络模型,生成具有潜在治愈所述疾病的候选先导化合物。
2.如权利要求1所述的基于生成对抗网络的药物先导化合物筛选方法,其特征在于,所述化合物数据集包括化合物分子结构式,在收集并建立与疾病相关的化合物数据集的所述步骤之后还包括:
获取所述化合物分子结构式的分子指纹数据。
3.如权利要求2所述的基于生成对抗网络的药物先导化合物筛选方法,其特征在于,根据所述化合物数据集,训练基于生成对抗网络的神经网络模型的所述步骤包括:
将所述分子指纹数据通过编码器转换为隐藏编码向量和聚合后验分布;
将所述隐藏编码向量和先验分布向量输入至判别模型进行样本检验,并输出样本检验概率;
将所述样本检验概率反馈至所述编码器,以使所述编码器和所述判别模型基于互相对抗过程循环更新。
4.如权利要求3所述的基于生成对抗网络的药物先导化合物筛选方法,其特征在于,根据所述神经网络模型,生成具有潜在治愈所述疾病的候选先导化合物的所述步骤包括:
在所述聚合后验分布与所述先验分布相匹配时,通过解码器将所述隐藏编码向量进行重构输出,生成所述候选先导化合物。
5.如权利要求4所述的基于生成对抗网络的药物先导化合物筛选方法,其特征在于,当所述样本检验概率为1/2时,所述聚合后验分布与所述先验分布相匹配。
6.一种基于生成对抗网络的药物先导化合物筛选系统,其特征在于,包括:
数据收集模块,用于收集并建立与疾病相关的化合物数据集;
模型训练模块,用于根据所述化合物数据集,训练基于生成对抗网络的神经网络模型;
结果生成模块,用于根据所述神经网络模型,生成具有潜在治愈所述疾病的候选先导化合物。
7.如权利要求6所述的基于生成对抗网络的药物先导化合物筛选系统,其特征在于,所述化合物数据集包括化合物分子结构式,所述药物先导化合物筛选系统还包括数据处理模块,用于获取所述化合物分子结构式的分子指纹数据。
8.如权利要求7所述的基于生成对抗网络的药物先导化合物筛选系统,其特征在于,所述模型训练模块通过以下步骤训练基于生成对抗网络的神经网络模型:
将所述分子指纹数据通过编码器转换为隐藏编码向量和聚合后验分布;
将所述隐藏编码向量和先验分布向量输入至判别模型进行样本检验,并输出样本检验概率;
将所述样本检验概率反馈至所述编码器,以使所述编码器和所述判别模型基于互相对抗过程循环更新。
9.如权利要求8所述的基于生成对抗网络的药物先导化合物筛选系统,其特征在于,所述结果生成模块在所述聚合后验分布与所述先验分布相匹配时,通过解码器将所述隐藏编码向量进行重构输出,生成所述候选先导化合物。
10.如权利要求9所述的基于生成对抗网络的药物先导化合物筛选系统,其特征在于,当所述样本检验概率为1/2时,所述聚合后验分布与所述先验分布相匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811283632.8A CN111126554A (zh) | 2018-10-31 | 2018-10-31 | 一种基于生成对抗网络的药物先导化合物筛选方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811283632.8A CN111126554A (zh) | 2018-10-31 | 2018-10-31 | 一种基于生成对抗网络的药物先导化合物筛选方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111126554A true CN111126554A (zh) | 2020-05-08 |
Family
ID=70485039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811283632.8A Withdrawn CN111126554A (zh) | 2018-10-31 | 2018-10-31 | 一种基于生成对抗网络的药物先导化合物筛选方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126554A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112071373A (zh) * | 2020-09-02 | 2020-12-11 | 深圳晶泰科技有限公司 | 药物分子筛选方法及系统 |
CN112270951A (zh) * | 2020-11-10 | 2021-01-26 | 四川大学 | 基于多任务胶囊自编码器神经网络的全新分子生成方法 |
CN112466410A (zh) * | 2020-11-24 | 2021-03-09 | 江苏理工学院 | 蛋白质与配体分子结合自由能的预测方法及装置 |
CN113178234A (zh) * | 2021-02-23 | 2021-07-27 | 北京亿药科技有限公司 | 一种基于神经网络和连接图算法的化合物功能预测方法 |
CN113707234A (zh) * | 2021-08-27 | 2021-11-26 | 中南大学 | 一种基于机器翻译模型的先导化合物成药性优化方法 |
WO2022047677A1 (zh) * | 2020-09-02 | 2022-03-10 | 深圳晶泰科技有限公司 | 药物分子筛选方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484580A (zh) * | 2014-11-28 | 2015-04-01 | 深圳先进技术研究院 | 基于多标记学习的抗菌肽活性预测方法 |
CN106777986A (zh) * | 2016-12-19 | 2017-05-31 | 南京邮电大学 | 药物筛选中基于深度哈希的配体分子指纹生成方法 |
US20170161635A1 (en) * | 2015-12-02 | 2017-06-08 | Preferred Networks, Inc. | Generative machine learning systems for drug design |
CN108062556A (zh) * | 2017-11-10 | 2018-05-22 | 广东药科大学 | 一种药物-疾病关系识别方法、系统和装置 |
-
2018
- 2018-10-31 CN CN201811283632.8A patent/CN111126554A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484580A (zh) * | 2014-11-28 | 2015-04-01 | 深圳先进技术研究院 | 基于多标记学习的抗菌肽活性预测方法 |
US20170161635A1 (en) * | 2015-12-02 | 2017-06-08 | Preferred Networks, Inc. | Generative machine learning systems for drug design |
CN106777986A (zh) * | 2016-12-19 | 2017-05-31 | 南京邮电大学 | 药物筛选中基于深度哈希的配体分子指纹生成方法 |
CN108062556A (zh) * | 2017-11-10 | 2018-05-22 | 广东药科大学 | 一种药物-疾病关系识别方法、系统和装置 |
Non-Patent Citations (1)
Title |
---|
刘海滨: "人工智能助力装备制造智能化", 《军民两用技术与产品》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112071373A (zh) * | 2020-09-02 | 2020-12-11 | 深圳晶泰科技有限公司 | 药物分子筛选方法及系统 |
WO2022047677A1 (zh) * | 2020-09-02 | 2022-03-10 | 深圳晶泰科技有限公司 | 药物分子筛选方法及系统 |
CN112270951A (zh) * | 2020-11-10 | 2021-01-26 | 四川大学 | 基于多任务胶囊自编码器神经网络的全新分子生成方法 |
CN112270951B (zh) * | 2020-11-10 | 2022-11-01 | 四川大学 | 基于多任务胶囊自编码器神经网络的全新分子生成方法 |
CN112466410A (zh) * | 2020-11-24 | 2021-03-09 | 江苏理工学院 | 蛋白质与配体分子结合自由能的预测方法及装置 |
CN112466410B (zh) * | 2020-11-24 | 2024-02-20 | 江苏理工学院 | 蛋白质与配体分子结合自由能的预测方法及装置 |
CN113178234A (zh) * | 2021-02-23 | 2021-07-27 | 北京亿药科技有限公司 | 一种基于神经网络和连接图算法的化合物功能预测方法 |
CN113178234B (zh) * | 2021-02-23 | 2023-10-31 | 北京亿药科技有限公司 | 一种基于神经网络和连接图算法的化合物功能预测方法 |
CN113707234A (zh) * | 2021-08-27 | 2021-11-26 | 中南大学 | 一种基于机器翻译模型的先导化合物成药性优化方法 |
CN113707234B (zh) * | 2021-08-27 | 2023-09-05 | 中南大学 | 一种基于机器翻译模型的先导化合物成药性优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126554A (zh) | 一种基于生成对抗网络的药物先导化合物筛选方法和系统 | |
Jayatilake et al. | Involvement of machine learning tools in healthcare decision making | |
Chen et al. | Ensemble feature selection in medical datasets: Combining filter, wrapper, and embedded feature selection results | |
Ravì et al. | Deep learning for health informatics | |
Zomorodi‐moghadam et al. | Hybrid particle swarm optimization for rule discovery in the diagnosis of coronary artery disease | |
US11900225B2 (en) | Generating information regarding chemical compound based on latent representation | |
Shafqat et al. | Big data analytics enhanced healthcare systems: a review | |
Xu et al. | A comparison study of validity indices on swarm-intelligence-based clustering | |
JP2021511584A (ja) | 確率分布をモデル化するためのシステムおよび方法 | |
EP3710999A1 (en) | System and method for anomaly detection via a multi-prediction-model architecture | |
Huang et al. | Drug–drug similarity measure and its applications | |
Lu et al. | A method for optimal detection of lung cancer based on deep learning optimized by marine predators algorithm | |
Guo et al. | Towards the classification of cancer subtypes by using cascade deep forest model in gene expression data | |
Maldonado et al. | Adversarial learning of knowledge embeddings for the unified medical language system | |
Khalid et al. | Machine learning for feature selection and cluster analysis in drug utilisation research | |
Li et al. | Integrating static and time-series data in deep recurrent models for oncology early warning systems | |
Bollens et al. | Learning subject-invariant representations from speech-evoked EEG using variational autoencoders | |
McDermott et al. | A Closer Look at AUROC and AUPRC under Class Imbalance | |
Zhang et al. | Fuzzy c-means based coincidental link filtering in support of inferring social networks from spatiotemporal data streams | |
Alshammari | Anomaly detection using hierarchical temporal memory in smart homes | |
Padmakala et al. | ESVM‐SWRF: Ensemble SVM‐based sample weighted random forests for liver disease classification | |
Mabrouk et al. | Ensemble Federated Learning: An approach for collaborative pneumonia diagnosis | |
Pentela et al. | Multiple Disease Prediction Based on User Symptoms using Machine Learning Algorithms | |
CN117496279B (zh) | 影像分类模型建立方法及装置、分类方法、装置及系统 | |
Li et al. | Novel multi-omics deconfounding variational autoencoders can obtain meaningful disease subtyping |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200508 |