CN112331261A - 药物预测方法及模型的训练方法、装置、电子设备及介质 - Google Patents
药物预测方法及模型的训练方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN112331261A CN112331261A CN202110007460.7A CN202110007460A CN112331261A CN 112331261 A CN112331261 A CN 112331261A CN 202110007460 A CN202110007460 A CN 202110007460A CN 112331261 A CN112331261 A CN 112331261A
- Authority
- CN
- China
- Prior art keywords
- drug
- medicine
- data set
- predicted
- expression
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 726
- 229940079593 drug Drugs 0.000 title claims abstract description 469
- 238000012549 training Methods 0.000 title claims abstract description 217
- 238000000034 method Methods 0.000 title claims abstract description 89
- 230000014509 gene expression Effects 0.000 claims description 196
- 238000012545 processing Methods 0.000 claims description 57
- 230000006870 function Effects 0.000 claims description 47
- 239000013598 vector Substances 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000013461 design Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 150000001875 compounds Chemical class 0.000 description 8
- 102000004169 proteins and genes Human genes 0.000 description 8
- 108090000623 proteins and genes Proteins 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 239000003795 chemical substances by application Substances 0.000 description 6
- 239000002547 new drug Substances 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012900 molecular simulation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009510 drug design Methods 0.000 description 1
- 238000009513 drug distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification 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
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
- G16B15/30—Drug targeting using structural data; Docking or binding prediction
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Pharmacology & Pharmacy (AREA)
- Crystallography & Structural Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开公开了一种药物预测方法及模型的训练方法、装置、电子设备及介质，涉及机器学习与智能医疗等人工智能技术领域。具体实现方案为：获取数个训练靶点的药物数据集；基于各所述训练靶点的药物数据集，对所述药物预测模型进行训练。另外，还公开了一种药物信息预测方法和药物数据的生成方法。根据本公开的技术，能够使得训练的药物预测模型的准确性更高，能够有效地提高训练的药物预测模型的训练效果。且基于训练得到的药物预测模型，可以预测预设靶点的预测药物的信息，能够提供一种有效地、能够提供良好成药分子的药物信息设计方案。而且，能够有效地提高生成的预测药物信息的准确性。
Description
技术领域
本公开涉及计算机技术领域，具体涉及机器学习与智能医疗等人工智能技术领域，尤其涉及一种药物预测方法及模型的训练方法、装置、电子设备及介质。
背景技术
人类疾病的靶点通常是疾病发展中具有关键作用的蛋白质，亦可以称为蛋白质靶点。药物通过和靶点蛋白质的结合来使得对应的蛋白质丧失原有功能，从而实现疾病的抑制作用。
在新药研发过程中，针对特定的蛋白质靶点（Target），需要快速搜索药物的化合物空间，找到能够和蛋白质靶点进行结合的化合物（Compound），进而形成可以用于治疗的药物。传统方法中，通过有经验的专家，对蛋白质靶点进行研究和估计，并且尝试设计可能的化合物，并对化合物与蛋白质靶点的亲和度（Binding Affinity）进行估计和筛选。传统方法依赖于经验和运气，对于新药的发现有较大的不确定性。
发明内容
本公开提供了一种药物预测方法及模型的训练方法、装置、电子设备及介质。
根据本公开的一方面，提供了一种药物预测模型的训练方法，其中，所述方法包括：
获取数个训练靶点的药物数据集；
基于各所述训练靶点的药物数据集，对所述药物预测模型进行训练；所述药物预测模型包括特征处理模块、编码模块和解码模块；其中，
所述特征处理模块，对于各所述训练靶点的药物数据集中的各药物，将对应的药物的特征表达、所述药物与对应的所述训练靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
所述编码模块，对所述药物数据集中的各所述药物对应的所述综合特征表达进行编码处理，得到编码后的特征表达；
所述解码模块，基于各所述药物对应的所述编码后的特征表达进行解码处理，生成并输出对应的所述训练靶点的预测药物的信息。
根据本公开的另一方面，提供了一种药物信息预测方法，其中，所述方法包括：
获取预设靶点的药物数据集；
基于所述预设靶点的药物数据集，采用预先训练的药物预测模型，预测所述预设靶点的预测药物的信息；所述药物预测模型包括特征处理模块、编码模块和解码模块；其中，
所述特征处理模块，对于所述预设靶点的药物数据集中的各药物，将所述药物数据集中各药物的特征表达、所述预设靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
所述编码模块，对所述药物数据集中的各所述药物对应的所述综合特征表达进行编码处理，得到编码后的特征表达；
所述解码模块，基于各所述药物对应的所述编码后的特征表达进行解码处理，生成并输出对应的所述预设靶点的所述预测药物的信息。
根据本公开的再一方面，还提供了一种药物数据的生成方法，其中，所述方法包括：
基于预设靶点对应的药物数据集，采用预先训练的药物预测模型，生成所述预设靶点的预测药物的信息；
基于所述预测药物的信息和所述预设靶点，检测所述预测药物与所述预设靶点的亲和度；
基于所述预测药物的信息以及所述预测药物的信息与所述预设靶点的亲和度，更新所述预设靶点对应的所述药物数据集；其中，
所述药物预测模型包括特征处理模块、编码模块和解码模块；其中，
所述特征处理模块，对于所述预设靶点的药物数据集中的各药物，将所述药物数据集中各药物的特征表达、所述预设靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
所述编码模块，对所述药物数据集中的各所述药物对应的所述综合特征表达进行编码处理，得到编码后的特征表达；
所述解码模块，基于各所述药物对应的所述编码后的特征表达进行解码处理，生成并输出对应的所述预设靶点的所述预测药物的信息。
根据本公开的再一方面，还提供了一种药物预测模型的训练装置，其中，所述装置包括：
获取模块，用于获取数个训练靶点的药物数据集；
训练模块，用于基于各所述训练靶点的药物数据集，对所述药物预测模型进行训练；所述药物预测模型包括特征处理模块、编码模块和解码模块；其中，
所述特征处理模块，对于各所述训练靶点的药物数据集中的各药物，将对应的药物的特征表达、所述药物与对应的所述训练靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
所述编码模块，对所述药物数据集中的各所述药物对应的所述综合特征表达进行编码处理，得到编码后的特征表达；
所述解码模块，基于各所述药物对应的所述编码后的特征表达进行解码处理，生成并输出对应的所述训练靶点的预测药物的信息。
根据本公开的再一方面，还提供了一种药物信息预测装置，其中，所述装置包括：
获取模块，用于获取预设靶点的药物数据集；
预测模块，用于基于所述预设靶点的药物数据集，采用预先训练的药物预测模型，预测所述预设靶点的预测药物的信息；所述药物预测模型包括特征处理模块、编码模块和解码模块；其中，
所述特征处理模块，对于所述预设靶点的药物数据集中的各药物，将所述药物数据集中各药物的特征表达、所述预设靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
所述编码模块，对所述药物数据集中的各所述药物对应的所述综合特征表达进行编码处理，得到编码后的特征表达；
所述解码模块，基于各所述药物对应的所述编码后的特征表达进行解码处理，生成并输出对应的所述预设靶点的所述预测药物的信息。
根据本公开的再一方面，还提供了一种药物数据的生成装置，其中，所述装置包括：
生成模块，用于基于预设靶点对应的药物数据集，采用预先训练的药物预测模型，生成所述预设靶点的预测药物的信息；
检测模块，用于基于所述预测药物的信息和所述预设靶点，检测所述预测药物与所述预设靶点的亲和度；
更新模块，用于基于所述预测药物的信息以及所述预测药物的信息与所述预设靶点的亲和度，更新所述预设靶点对应的所述药物数据集；其中，
所述药物预测模型包括特征处理模块、编码模块和解码模块；其中，
所述特征处理模块，对于所述预设靶点的药物数据集中的各药物，将所述药物数据集中各药物的特征表达、所述预设靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
所述编码模块，对所述药物数据集中的各所述药物对应的所述综合特征表达进行编码处理，得到编码后的特征表达；
所述解码模块，基于各所述药物对应的所述编码后的特征表达进行解码处理，生成并输出对应的所述预设靶点的所述预测药物的信息。
根据本公开的再一方面，还提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。
根据本公开的再一方面，还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行如上所述的方法。
根据本公开的技术，能够使得训练的药物预测模型的准确性更高，能够有效地提高训练的药物预测模型的训练效果。且基于训练得到的药物预测模型，可以预测预设靶点的预测药物的信息，能够提供一种有效地、能够提供良好成药分子的药物信息设计方案。而且，能够有效地提高生成的预测药物信息的准确性。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是根据本公开第三实施例的示意图；
图4是根据本公开第四实施例的示意图；
图5是根据本公开第五实施例的示意图；
图6是根据本公开第六实施例的示意图；
图7是根据本公开第七实施例的示意图；
图8是根据本公开第八实施例的示意图；
图9是根据本公开第九实施例的示意图；
图10是根据本公开第十实施例的示意图；
图11是用来实施本公开实施例的示例电子设备1100的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本公开第一实施例的示意图；如图1所示，本实施例提供一种药物预测模型的训练方法，具体可以包括如下步骤：
S101、获取数个训练靶点的药物数据集；
S102、基于各训练靶点的药物数据集，对药物预测模型进行训练。
本实施例中，所述药物预测模型可以包括但不限于特征处理模块、编码模块和解码模块；其中，
所述特征处理模块，对于各所述训练靶点的药物数据集中的各药物，将对应的药物的特征表达、所述药物与对应的所述训练靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
所述编码模块，对所述药物数据集中的各所述药物对应的所述综合特征表达进行编码处理，得到编码后的特征表达；
所述解码模块，基于各所述药物对应的所述编码后的特征表达进行解码处理，生成并输出对应的所述训练靶点的预测药物的信息。
本实施例的药物预测模型的训练方法的执行主体可以为药物预测模型的训练装置，该装置可以为电子实体，或者也可以为采用软件集成的应用。该装置可以基于数个训练靶点的药物数据集对药物预测模型进行训练。
首先，本实施例的各训练靶点的药物数据集存在两种情况：
第一种情况、该药物数据集在特殊情况下可以为空，例如，若在训练过程中，一边训练，一边利用训练得到的药物信息更新训练数据集时，该药物数据集的初始状态可以为空。
第二种情况、该药物数据集包括训练靶点对应的药物的信息以及训练靶点与药物的亲和度；其中药物的信息可以为该药物的化合物分子式、或者其他能够唯一标识该药物的标识。首先，在第一种情况的基础上，药物数据集的初始状态之外的其他状态下，药物数据集中均为第二种情况。
另外，可选地，本实施例在训练过程中，各训练靶点的药物数据集也可以为固定的，即不是边训练边更新的。此时，在训练时，可以依次取各训练靶点的药物数据集中越来越多的药物的信息，对药物预测模型进行训练，使得药物预测模型的训练越来越准确。例如，在采用指定的训练靶点的药物数据集对药物预测模型进行第一轮的训练中，可以不取药物数据集中的数据，即此时可以认为药物数据集为空，接下来的多轮训练中，按照药物数据集中药物的从前往后的顺序，依次取药物数据集中越爱越多的药物信息，对该药物预测模型进行训练，使得训练的药物预测模型越来越准确。按照该种方式拆分药物数据集，对药物预测模型进行训练，可以丰富训练数据，使得药物预测模型的预测更加准确。
与仅基于各训练靶点的药物直接训练药物预测模型相比，本实施例的训练数据采用的药物数据集，该药物数据集中不仅仅包括训练靶点的药物的信息，还要包括训练靶点与药物的亲和度，能够使得训练的药物预测模型的准确性更高，能够有效地提高训练的药物预测模型的训练效果。
本实施例的药物预测模型的训练方法，通过获取数个训练靶点的药物数据集；各训练靶点的药物数据集中包括训练靶点对应的药物的信息以及训练靶点与药物的亲和度；并基于各训练靶点的药物数据集，对药物预测模型进行训练，能够使得训练的药物预测模型的准确性更高，能够有效地提高训练的药物预测模型的训练效果。
图2是根据本公开第二实施例的示意图；如图2所示，本实施例的药物预测模型的训练方法，在上述图1所示实施例的技术方案的基础上，进一步更加详细地介绍本申请的技术方案。如图2所示，本实施例的药物预测模型的训练方法，具体可以包括如下步骤：
S201、判断数个训练靶点中是否存在未参与训练的训练靶点，若存在，执行步骤S202；若不存在，训练结束。
S202、从数个训练靶点中随机选取一个未参与训练的训练靶点，获取该训练靶点的药物数据集；并取S=1；执行步骤S203；
例如，本实施例中，在每个训练靶点首次训练时，对应的药物数据集为空。而在非首次
训练时，可以取上一轮训练后更新的药物数据集。也就时说，本实施例中的各训练靶点的药
物数据集在训练过程中，可以边训练边更新。例如，可以采用
表示训练靶点t的药物数据
集，具体可以表示为
，其中c1、c2分别表示药物数据集中的
药物的信息，
、
分别表示药物c1与训练靶点t的亲和度、药物c2与训练靶点t
的亲和度。
S203、基于训练靶点当前的药物数据集，采用药物预测模型生成并输出选取对应的训练靶点的预测药物的信息；执行步骤S204；
例如，本实施例的药物预测模型可以为一个策略模型，该模型可以表示为：
，其中
为训练靶点t的药物数据集。c泛指药物数据集
中的药物，z为一个随机数，如具
体可以为一个随机向量。也就是说，本实施例的药物预测模型可以根据药物数据集和一个
随机数以一定概率生成新的药物分子，即得到预测药物的信息。
另外，需要说明的是，本实施例的随机数z在采样选取的时候，采样概率可以为p(z)，该p(z)可以是高斯分布。
例如，该步骤在具体实现时可以包括如下步骤：
（a1）对于各训练靶点的药物数据集中的各药物，采用药物预测模型的特征处理模块，将对应的药物的特征表达、药物与对应的训练靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
（b1）采用药物预测模型的编码模块，对药物数据集中的各药物对应的综合特征表达进行编码处理，得到编码后的特征表达；
（c1）采用药物预测模型的解码模块，基于各药物对应的编码后的特征表达进行解码处理，生成并输出对应的训练靶点的预测药物的信息。
例如，本实施例中，以药物预测模型可以包括特征处理模块、编码模块和解码模块为例。其中特征处理模型相当于预处理模块，用于进行特征预处理。例如，以一个训练靶点的药物数据集中的一个药物为例，该特征处理模块可以将该药物的特征表达、药物与训练靶点的特征表达以及所采用的随机向量表达拼接，得到该药物对应的一个综合特征表达。例如，可以表示为：
[01] 
其中，
表示该训练靶点的药物数据集中的第i个药物对应的综合特征表达；
表示
该药物的特征表达；
表示该药物与训练靶点的特征表达；Z表示随机数z的向量表达，即
随机向量表达。本实施例的特征表达均可以采用向量的形式来表示。
按照上述方式，可以得到训练靶点的药物数据集中的每个药物的综合特征表达，
然后将每个药物的综合特征表达输入至药物预测模型中的编码模块中，该编码模块可以将
每个药物的综合特征表达
编码成一串，得到编码后的特征表达。然后将每个药物对应的
编码后的特征表达，输入至解码模块中，该解码模块基于各药物对应的编码后的特征表达
进行解码处理，可以生成一个预测药物的信息，如具体可以为一个预测药物的化合物分子
的序列，最后输出该预测药物的信息。
本实施例的药物预测模型中的编码模块和解码模块可以采用转换器（Transformer）的编码器（Encode）和解码器（Decode）来实现。
S204、基于预测药物的信息和对应的训练靶点，检测预测药物与对应的训练靶点的亲和度；执行步骤S205；
例如，具体地可以采用化学实验，分子模拟，或者建立人工智能（ArtificialIntelligence；AI）模型的方式，检测预测药物与对应的训练靶点的亲和度。
S205、基于药物数据集、预测药物的信息、判别器模型、预测药物与对应的训练靶点的亲和度，构建综合损失函数；执行步骤S206；
本实施例中，在采用药物预测模型生成预测药物的信息的时候，为了能够得到优质的预测药物，可以使得生成的预测药物包括如下两个目标：1、使得生成的预测药物和药物数据集中的药物不能被分辨；2、使得该预测药物的亲和度尽可能高。
基于上述两个目标，可以按照如下方式构建综合损失函数：
（a2）基于药物数据集中各药物的信息、预测药物的信息以及判别器模型，构建第一子损失函数，以表征判别器模型不能区分预测药物和药物数据集中的药物；
（b2）基于药物数据集中各药物与对应的训练靶点的亲和度、预测药物与对应的训练靶点的亲和度，构造第二子损失函数，以表征与药物数据集中各药物与对应的训练靶点的亲和度相比，预测药物与对应的训练靶点的亲和度的期望值最高；
（c2）取第一子损失函数和第二子损失函数的加权和，作为综合损失函数。
例如，构建的第一子损失函数可以采用如下公式来表示：
[02] 
；
其中，
表示第一子损失函数，
表示预测药物的信息，
表示判别器模型对预测
药物信息的识别；
表示在药物分布
上取期望值，其中C为药物数据集，c为药物数
据集中的药物；
表示在
以及
的分布上取期望值；
其中
表示随机数z的分布，如可以为高斯分布。
构建的第二子损失函数可以采用如下公式表示：
[03] 
；
其中，
表示第二子损失函数；
表示预测药物与对应的训练靶点的亲和度；
表示的是药物预测模型生成的预测药物的信息。
例如，本实施例的综合损失函数可以采用如下方式构建：
[04] 
其中，
表示第一子损失函数的权重。
S206、判断综合损失函数是否收敛；若不收敛，执行步骤S207；若收敛，执行步骤S208；
S207、调整药物预测模型的参数和判别器模型的参数，使得综合损失函数收敛；执行步骤S208；
例如，本实施例的模型训练过程为强化学习的过程。本实施例中，调整药物预测模型的参数和判别器模型的参数的时候，可以基于策略梯度（Policy Gradient）和生成式对抗网络（Generative Adversarial Networks；GAN）更新药物预测模型的参数和判别器模型的参数，使得好像综合损失函数收敛的方向，即梯度下降的方式调整。
S208、将预测药物的信息、预测药物与对应的训练靶点的亲和度更新至训练靶点对应的药物数据集中；执行步骤S209；
例如，可以采用如下公式实现将预测药物的信息、预测药物与对应的训练靶点的亲和度更新至训练靶点对应的药物数据集中：
[05] 
。
S209、判断S是否达到预设数值阈值，若未达到，更新S=S+1；并返回步骤S203；若达到，返回步骤S201；
按照上述训练完，可以保证每个训练靶点的药物数据集中的药物信息的数量都达到预设数值阈值，且每个训练靶点的数据都参与了药物预测模型的预设数值阈值轮数的训练。例如本实施例的预设数值阈值可以根据实际需求设置为万、十万或者其他数量级。经过同一个训练靶点的药物数据集中的足够数量的训练数据，可以使得药物预测模型基于该训练靶点的药物数据充分被训练，进而可以使得该药物预测模型能够准确预测该训练靶点的药物的信息。
本实施例中的训练截止条件即为让所有训练靶点的药物数据集均从空增长到预设数值阈值，使得该药物预测模型可以在各训练靶点的药物数据集的更新过程中，每更新一次药物数据集，对药物预测模型进行一次训练，使得药物预测模型能够得到充分的训练。当完成上述所有训练完之后，可以认为此时药物预测模型已经训练完毕。
本实施例的药物预测模型的训练方法，通过采用上述技术方案，可以一边生成各训练靶点的药物数据集，一边对药物预测模型进行训练，使得药物预测模型基于各个训练靶点可以经过足够多的训练数据的充分的训练，能够使得训练得到的药物预测模型的准确性更高。而且，本实施例中，可以基于两个目标来构建损失函数，不仅能够使得生成的预测药物和药物数据集中的药物不能被分辨，即生成的预测药物的准确性足够好；而且能够使得药物预测模型的该预测药物的亲和度尽可能高，以使得生成的预测药物的成药性非常好。
图3是根据本公开第三实施例的示意图；如图3所示，本实施例提供一种药物信息预测方法，具体可以包括如下步骤：
S301、获取预设靶点的药物数据集；
S302、基于预设靶点的药物数据集，采用预先训练的药物预测模型，预测预设靶点的预测药物的信息。
本实施例中，所采用的所述药物预测模型可以包括但不限于特征处理模块、编码模块和解码模块；其中，
所述特征处理模块，对于所述预设靶点的药物数据集中的各药物，将所述药物数据集中各药物的特征表达、所述预设靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
所述编码模块，对所述药物数据集中的各所述药物对应的所述综合特征表达进行编码处理，得到编码后的特征表达；
所述解码模块，基于各所述药物对应的所述编码后的特征表达进行解码处理，生成并输出对应的所述预设靶点的所述预测药物的信息。
本实施例的药物信息预测方法的执行主体可以为药物信息预测装置，该药物信息预测装置可以为电子实体，或者也可以为采用软件集成的应用，用于基于预设靶点的药物数据集，生成该预设靶点的新药物。
参考图1所示的相关实施例的记载，本实施例的药物数据集也可以包括两种情况：
第一种情况、药物数据集在特殊情况下为空，例如，在生成预设靶点的药物数据集的过程中，药物数据集的初始状态可以为空。此时利用空的药物数据集，仍可以采用预先训练的药物预测模型，生成预设靶点的预测药物的信息。
第二种情况、同理，该药物数据集包括训练靶点对应的药物的信息以及训练靶点与药物的亲和度；其中药物的信息可以为该药物的化合物分子式、或者其他能够唯一标识该药物的标识。首先，在第一种情况的基础上，药物数据集的初始状态之外的其他状态下，药物数据集中均为第二种情况。
本实施例的药物信息预测方法，通过获取预设靶点的药物数据集；基于预设靶点的药物数据集，采用预先训练的药物预测模型，预测预设靶点的预测药物的信息，能够提供一种有效地、能够提供良好成药分子的药物信息设计方案。而且，采用本实施例的技术方案，能够有效地提高生成的预测药物信息的准确性。
进一步可选地，上述图3所示实施例的技术方案中，步骤S302基于预设靶点的药物数据集，采用预先训练的药物预测模型，预测预设靶点的预测药物的信息，在具体实现时，可以包括如下步骤：
（a3）对于预设靶点的药物数据集中的各药物，采用药物预测模型中的特征处理模块，将药物数据集中各药物的特征表达、预设靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
（b2）采用药物预测模型的编码模块，对药物数据集中的各药物对应的综合特征表达进行编码处理，得到编码后的特征表达；
（c3）采用药物预测模型的解码模块，基于各药物对应的编码后的特征表达进行解码处理，生成并输出对应的预设靶点的预测药物的信息。
例如，参考上述图2所示实施例的步骤（a1）-（c1）的记载，本实施例的步骤（a3）-（c3），也是以药物预测模型包括特征处理模块、编码模块和解码模块为例。该步骤（a3）-（c3）的实现过程，详细可以参考上述步骤（a1）-（c1）的记载，在此不再赘述。
上述药物信息预测方法，通过采用上述药物预测模型，能够进一步有效地提高生成的预测药物的准确性。
图4是根据本公开第四实施例的示意图；如图4所示，本实施例提供一种药物数据的生成方法，具体可以包括如下步骤：
S401、基于预设靶点对应的药物数据集，采用预先训练的药物预测模型，生成预设靶点的预测药物的信息；
S402、基于预测药物的信息和预设靶点，检测预测药物与预设靶点的亲和度；
例如，具体地可以采用化学实验，分子模拟，或者建立AI模型的方式，检测预测药物与对应的训练靶点的亲和度。
S403、基于预测药物的信息以及预测药物的信息与预设靶点的亲和度，更新预设靶点对应的药物数据集。
本实施例中，所采用的所述药物预测模型可以包括但不限于特征处理模块、编码模块和解码模块；其中，
所述特征处理模块，对于所述预设靶点的药物数据集中的各药物，将所述药物数据集中各药物的特征表达、所述预设靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
所述编码模块，对所述药物数据集中的各所述药物对应的所述综合特征表达进行编码处理，得到编码后的特征表达；
所述解码模块，基于各所述药物对应的所述编码后的特征表达进行解码处理，生成并输出对应的所述预设靶点的所述预测药物的信息。
本实施例的药物数据的生成方法的执行主体为药物数据的生成装置，该药物数据的生成装置可以实现生成预设靶点的药物信息，并更新对应预设靶点的药物数据集。
本实施例中预先训练的药物预测模型可以采用上述图1或者图2所示实施例的训练方法训练的药物预测模型。
本实施例可以认为是上述图3所示实施例的药物信息预测方法的一种应用。具体地，以筛选一个预设靶点的药物、更新该预设靶点的药物数据集为例。
本实施例中的步骤S401中基于预设靶点对应的药物数据集，采用预先训练的药物预测模型，生成预设靶点的预测药物的信息时，预设靶点的药物数据集也可以包括上述图3所示实施例的两种情况，详细可以参考上述图3所示实施例的记载，在此不再赘述。
本实施例的药物数据的生成方法，通过采用上述技术方案，基于预先训练的药物预测模型，能够有效地生成预设靶点的药物数据集，满足药物设计需求。
图5是根据本公开第五实施例的示意图；如图5所示，本实施例的药物数据的生成方法，在上述图4所示实施例的技术方案的基础上，进一步更加详细地描述本申请的技术方案。如图5所示，本实施例的药物数据的生成方法，具体可以包括如下步骤：
S501、针对预设靶点，取药物数据集为空，并设置S=1；
S502、基于当前的药物数据集，采用预先训练的药物预测模型，生成预设靶点的预测药物的信息；
S503、基于预测药物的信息和预设靶点，检测预测药物与预设靶点的亲和度；
同理。具体可以采用化学实验，分子模拟，或者建立AI模型的方式，检测预测药物与对应的训练靶点的亲和度。
S504、将预测药物的信息、预测药物和预设靶点的亲和度更新至预设靶点对应的药物数据集中；
S505、判断S是否达到预设数值阈值，若未达到，更新S=S+1；并返回步骤S502；若达到，该预设靶点的药物数据集的生成结束。
本实施例的技术方案，以预设靶点的药物数据集中的药物从空到预设数值阈值为例，逐步地生成预设靶点对应的新的预测药物信息，并逐步更新预设靶点对应的药物数据集。本实施例的各步骤的实现方式可以参考上述实施例中的相似步骤的记载，在此不再赘述。
进一步可选地，在应用时，可以从生成的药物数据集中选择一个亲和度最高的药物，作为先导的药物化合物进行后续验证。
本实施例的药物数据的生成方法，通过采用上述方案，能够利用预先训练的亲和度检测模型，生成训练靶点的药物数据集，且能够有效地保证药物数据集中生成的药物信息的准确性足够高、成药性足够好。
图6是根据本公开第六实施例的示意图；如图6所示本实施例提供一种药物预测模型的训练装置600，包括：
获取模块601，用于获取数个训练靶点的药物数据集；
训练模块602，用于基于各训练靶点的药物数据集，对药物预测模型进行训练。
其中，所述药物预测模型包括特征处理模块、编码模块和解码模块；其中，
所述特征处理模块，对于各所述训练靶点的药物数据集中的各药物，将对应的药物的特征表达、所述药物与对应的所述训练靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
所述编码模块，对所述药物数据集中的各所述药物对应的所述综合特征表达进行编码处理，得到编码后的特征表达；
所述解码模块，基于各所述药物对应的所述编码后的特征表达进行解码处理，生成并输出对应的所述训练靶点的预测药物的信息。
本实施例的药物预测模型的训练装置600，通过采用上述模块实现药物预测模型的训练的实现原理以及技术效果，与上述相关方法实施例的实现相同，详细可以参考上述相关实施例的记载，在此不再赘述。
图7是根据本公开第七实施例的示意图；如图7所示，本实施例的药物预测模型的训练装置600，在上述图6所示实施例的技术方案的基础上，进一步包括如下技术方案。
如图7所示，本实施例的药物预测模型的训练装置600中，训练模块602，包括：
生成单元6021，用于对于各训练靶点的药物数据集，采用药物预测模型生成并输出对应的训练靶点的预测药物的信息；
检测单元6022，用于基于预测药物的信息和对应的训练靶点，检测预测药物与对应的训练靶点的亲和度；
构建单元6023，用于基于药物数据集、预测药物的信息、判别器模型、预测药物与对应的训练靶点的亲和度，构建综合损失函数；
判断单元6024，用于判断综合损失函数是否收敛；
调整单元6025，用于若不收敛，调整药物预测模型的参数和判别器模型的参数，使得综合损失函数收敛。
进一步可选地，构建单元6023，用于：
基于药物数据集中各药物的信息、预测药物的信息以及判别器模型，构建第一子损失函数，以表征判别器模型不能区分预测药物和药物数据集中的药物；
基于药物数据集中各药物与对应的训练靶点的亲和度、预测药物与对应的训练靶点的亲和度，构造第二子损失函数，以表征与药物数据集中各药物与对应的训练靶点的亲和度相比，预测药物与对应的训练靶点的亲和度的期望值最高；
取第一子损失函数和第二子损失函数的加权和，作为综合损失函数。
进一步可选地，如图7所示，本实施例的药物预测模型的训练装置600中，还包括：
更新模块603，用于将预测药物的信息、预测药物与对应的训练靶点的亲和度更新至训练靶点对应的药物数据集中。
进一步可选地，生成单元6021，用于：
对于各训练靶点的药物数据集中的各药物，采用药物预测模型的特征处理模块，将对应的药物的特征表达、药物与对应的训练靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
采用药物预测模型的编码模块，对药物数据集中的各药物对应的综合特征表达进行编码处理，得到编码后的特征表达；
采用药物预测模型的解码模块，基于各药物对应的编码后的特征表达进行解码处理，生成并输出对应的训练靶点的预测药物的信息。
本实施例的药物预测模型的训练装置600，通过采用上述模块实现药物预测模型的训练的实现原理以及技术效果，与上述相关方法实施例的实现相同，详细可以参考上述相关实施例的记载，在此不再赘述。
图8是根据本公开第八实施例的示意图；如图8所示，本实施例提供一种药物信息预测装置800，包括：
获取模块801，用于获取预设靶点的药物数据集；
预测模块802，用于基于预设靶点的药物数据集，采用预先训练的药物预测模型，预测预设靶点的预测药物的信息。
其中，所述药物预测模型包括特征处理模块、编码模块和解码模块；其中，
所述特征处理模块，对于所述预设靶点的药物数据集中的各药物，将所述药物数据集中各药物的特征表达、所述预设靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
所述编码模块，对所述药物数据集中的各所述药物对应的所述综合特征表达进行编码处理，得到编码后的特征表达；
所述解码模块，基于各所述药物对应的所述编码后的特征表达进行解码处理，生成并输出对应的所述预设靶点的所述预测药物的信息。
本实施例的药物信息预测装置800，通过采用上述模块实现药物信息预测的实现原理以及技术效果，与上述相关方法实施例的记载相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。
图9是根据本公开第九实施例的示意图；如图9所示，本实施例的药物信息预测装置800，在上述图8所示实施例的技术方案的基础上，进一步包括如下技术方案。
如图9所示，本实施例的药物信息预测装置800中，预测模块802，包括：
处理单元8021，用于对于预设靶点的药物数据集中的各药物，采用药物预测模型中的特征处理模块，将药物数据集中各药物的特征表达、预设靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
编码器8022，用于采用药物预测模型的编码模块，对药物数据集中的各药物对应的综合特征表达进行编码处理，得到编码后的特征表达；
解码器8023，用于采用药物预测模型的解码模块，基于各药物对应的编码后的特征表达进行解码处理，生成并输出对应的预设靶点的预测药物的信息。
本实施例的药物信息预测装置800，通过采用上述模块实现药物信息预测的实现原理以及技术效果，与上述相关方法实施例的记载相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。
图10是根据本公开第十实施例的示意图；如图10所示，本实施例提供一种药物数据的生成装置1000，包括：
生成模块1001，用于基于预设靶点对应的药物数据集，采用预先训练的药物预测模型，生成预设靶点的预测药物的信息；
检测模块1002，用于基于预测药物的信息和预设靶点，检测预测药物与预设靶点的亲和度；
更新模块1003，用于基于预测药物的信息以及预测药物的信息与预设靶点的亲和度，更新预设靶点对应的药物数据集。
其中，所述药物预测模型包括特征处理模块、编码模块和解码模块；其中，
所述特征处理模块，对于所述预设靶点的药物数据集中的各药物，将所述药物数据集中各药物的特征表达、所述预设靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
所述编码模块，对所述药物数据集中的各所述药物对应的所述综合特征表达进行编码处理，得到编码后的特征表达；
所述解码模块，基于各所述药物对应的所述编码后的特征表达进行解码处理，生成并输出对应的所述预设靶点的所述预测药物的信息。
本实施例的药物数据的生成装置1000，通过采用上述模块实现药物数据的生成的实现原理以及技术效果，与上述相关方法实施例的记载相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图11是用来实施本公开实施例的示例电子设备1100的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图11所示，电子设备1100包括计算单元1101，其可以根据存储在只读存储器（ROM）1102中的计算机程序或者从存储单元1108加载到随机访问存储器（RAM）1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储电子设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出（I/O）接口1105也连接至总线1104。
电子设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许电子设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1101的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个方法和处理，例如药物预测模型的训练方法、药物信息预测方法或者药物数据的生成方法。例如，在一些实施例中，药物预测模型的训练方法、药物信息预测方法或者药物数据的生成方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到电子设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的药物预测模型的训练方法、药物信息预测方法或者药物数据的生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行药物预测模型的训练方法、药物信息预测方法或者药物数据的生成方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务（"Virtual Private Server"，或简称 "VPS"）中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (18)
1.一种药物预测模型的训练方法，其中，所述方法包括：
获取数个训练靶点的药物数据集；
基于各所述训练靶点的药物数据集，对所述药物预测模型进行训练；所述药物预测模型包括特征处理模块、编码模块和解码模块；其中，
所述特征处理模块，对于各所述训练靶点的药物数据集中的各药物，将对应的药物的特征表达、所述药物与对应的所述训练靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
所述编码模块，对所述药物数据集中的各所述药物对应的所述综合特征表达进行编码处理，得到编码后的特征表达；
所述解码模块，基于各所述药物对应的所述编码后的特征表达进行解码处理，生成并输出对应的所述训练靶点的预测药物的信息。
2.根据权利要求1所述的方法，其中，基于各所述训练靶点的药物数据集，对所述药物预测模型进行训练，包括：
对于各所述训练靶点的药物数据集，采用所述药物预测模型生成并输出对应的所述训练靶点的预测药物的信息；
基于所述预测药物的信息和对应的所述训练靶点，检测所述预测药物与对应的所述训练靶点的亲和度；
基于所述药物数据集、所述预测药物的信息、判别器模型、所述预测药物与对应的所述训练靶点的亲和度，构建综合损失函数；
判断所述综合损失函数是否收敛；
若不收敛，调整所述药物预测模型的参数和所述判别器模型的参数，使得所述综合损失函数收敛。
3.根据权利要求2所述的方法，其中，基于所述药物数据集、所述预测药物的信息、判别器模型、所述预测药物与对应的所述训练靶点的亲和度，构建综合损失函数，包括：
基于所述药物数据集中各药物的信息、所述预测药物的信息以及所述判别器模型，构建第一子损失函数，以表征所述判别器模型不能区分所述预测药物和所述药物数据集中的药物；
基于所述药物数据集中各药物与对应的所述训练靶点的亲和度、所述预测药物与对应的所述训练靶点的亲和度，构造第二子损失函数，以表征与所述药物数据集中各药物与对应的所述训练靶点的亲和度相比，所述预测药物与对应的所述训练靶点的亲和度的期望值最高；
取所述第一子损失函数和所述第二子损失函数的加权和，作为所述综合损失函数。
4.根据权利要求2或3所述的方法，其中，基于各所述训练靶点的药物数据集，对所述药物预测模型进行训练之后，所述方法还包括：
将所述预测药物的信息、所述预测药物与对应的所述训练靶点的亲和度更新至所述训练靶点对应的所述药物数据集中。
5.根据权利要求2所述的方法，其中，对于各所述训练靶点的药物数据集，采用所述药物预测模型生成并输出对应的所述训练靶点的预测药物的信息，包括：
对于各所述训练靶点的药物数据集中的各药物，采用所述药物预测模型的特征处理模块，将对应的药物的特征表达、所述药物与对应的所述训练靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
采用所述药物预测模型的编码模块，对所述药物数据集中的各所述药物对应的所述综合特征表达进行编码处理，得到编码后的特征表达；
采用所述药物预测模型的解码模块，基于各所述药物对应的所述编码后的特征表达进行解码处理，生成并输出对应的所述训练靶点的所述预测药物的信息。
6.一种药物信息预测方法，其中，所述方法包括：
获取预设靶点的药物数据集；
基于所述预设靶点的药物数据集，采用预先训练的药物预测模型，预测所述预设靶点的预测药物的信息；所述药物预测模型包括特征处理模块、编码模块和解码模块；其中，
所述特征处理模块，对于所述预设靶点的药物数据集中的各药物，将所述药物数据集中各药物的特征表达、所述预设靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
所述编码模块，对所述药物数据集中的各所述药物对应的所述综合特征表达进行编码处理，得到编码后的特征表达；
所述解码模块，基于各所述药物对应的所述编码后的特征表达进行解码处理，生成并输出对应的所述预设靶点的所述预测药物的信息。
7.根据权利要求6所述的方法，其中，基于所述预设靶点的药物数据集，采用预先训练的药物预测模型，预测所述预设靶点的预测药物的信息，包括：
对于所述预设靶点的药物数据集中的各药物，采用所述药物预测模型中的特征处理模块，将所述药物数据集中各药物的特征表达、所述预设靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
采用所述药物预测模型的编码模块，对所述药物数据集中的各所述药物对应的所述综合特征表达进行编码处理，得到编码后的特征表达；
采用所述药物预测模型的解码模块，基于各所述药物对应的所述编码后的特征表达进行解码处理，生成并输出对应的所述预设靶点的所述预测药物的信息。
8.一种药物数据的生成方法，其中，所述方法包括：
基于预设靶点对应的药物数据集，采用预先训练的药物预测模型，生成所述预设靶点的预测药物的信息；
基于所述预测药物的信息和所述预设靶点，检测所述预测药物与所述预设靶点的亲和度；
基于所述预测药物的信息以及所述预测药物的信息与所述预设靶点的亲和度，更新所述预设靶点对应的所述药物数据集；其中，
所述药物预测模型包括特征处理模块、编码模块和解码模块；其中，
所述特征处理模块，对于所述预设靶点的药物数据集中的各药物，将所述药物数据集中各药物的特征表达、所述预设靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
所述编码模块，对所述药物数据集中的各所述药物对应的所述综合特征表达进行编码处理，得到编码后的特征表达；
所述解码模块，基于各所述药物对应的所述编码后的特征表达进行解码处理，生成并输出对应的所述预设靶点的所述预测药物的信息。
9.一种药物预测模型的训练装置，其中，所述装置包括：
获取模块，用于获取数个训练靶点的药物数据集；
训练模块，用于基于各所述训练靶点的药物数据集，对所述药物预测模型进行训练；所述药物预测模型包括特征处理模块、编码模块和解码模块；其中，
所述特征处理模块，对于各所述训练靶点的药物数据集中的各药物，将对应的药物的特征表达、所述药物与对应的所述训练靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
所述编码模块，对所述药物数据集中的各所述药物对应的所述综合特征表达进行编码处理，得到编码后的特征表达；
所述解码模块，基于各所述药物对应的所述编码后的特征表达进行解码处理，生成并输出对应的所述训练靶点的预测药物的信息。
10.根据权利要求9所述的装置，其中，所述训练模块，包括：
生成单元，用于对于各所述训练靶点的药物数据集，采用所述药物预测模型生成并输出对应的所述训练靶点的预测药物的信息；
检测单元，用于基于所述预测药物的信息和对应的所述训练靶点，检测所述预测药物与对应的所述训练靶点的亲和度；
构建单元，用于基于所述药物数据集、所述预测药物的信息、判别器模型、所述预测药物与对应的所述训练靶点的亲和度，构建综合损失函数；
判断单元，用于判断所述综合损失函数是否收敛；
调整单元，用于若不收敛，调整所述药物预测模型的参数和所述判别器模型的参数，使得所述综合损失函数收敛。
11.根据权利要求10所述的装置，其中，所述构建单元，用于：
基于所述药物数据集中各药物的信息、所述预测药物的信息以及所述判别器模型，构建第一子损失函数，以表征所述判别器模型不能区分所述预测药物和所述药物数据集中的药物；
基于所述药物数据集中各药物与对应的所述训练靶点的亲和度、所述预测药物与对应的所述训练靶点的亲和度，构造第二子损失函数，以表征与所述药物数据集中各药物与对应的所述训练靶点的亲和度相比，所述预测药物与对应的所述训练靶点的亲和度的期望值最高；
取所述第一子损失函数和所述第二子损失函数的加权和，作为所述综合损失函数。
12.根据权利要求10或11所述的装置，其中，所述装置还包括：
更新模块，用于将所述预测药物的信息、所述预测药物与对应的所述训练靶点的亲和度更新至所述训练靶点对应的所述药物数据集中。
13.根据权利要求10所述的装置，其中，所述生成单元，用于：
对于各所述训练靶点的药物数据集中的各药物，采用所述药物预测模型的特征处理模块，将对应的药物的特征表达、所述药物与对应的所述训练靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
采用所述药物预测模型的编码模块，对所述药物数据集中的各所述药物对应的所述综合特征表达进行编码处理，得到编码后的特征表达；
采用所述药物预测模型的解码模块，基于各所述药物对应的所述编码后的特征表达进行解码处理，生成并输出对应的所述训练靶点的所述预测药物的信息。
14.一种药物信息预测装置，其中，所述装置包括：
获取模块，用于获取预设靶点的药物数据集；
预测模块，用于基于所述预设靶点的药物数据集，采用预先训练的药物预测模型，预测所述预设靶点的预测药物的信息；所述药物预测模型包括特征处理模块、编码模块和解码模块；其中，
所述特征处理模块，对于所述预设靶点的药物数据集中的各药物，将所述药物数据集中各药物的特征表达、所述预设靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
所述编码模块，对所述药物数据集中的各所述药物对应的所述综合特征表达进行编码处理，得到编码后的特征表达；
所述解码模块，基于各所述药物对应的所述编码后的特征表达进行解码处理，生成并输出对应的所述预设靶点的所述预测药物的信息。
15.根据权利要求14所述的装置，其中，所述预测模块，包括：
处理单元，用于对于所述预设靶点的药物数据集中的各药物，采用所述药物预测模型中的特征处理模块，将所述药物数据集中各药物的特征表达、所述预设靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
编码器，用于采用所述药物预测模型的编码模块，对所述药物数据集中的各所述药物对应的所述综合特征表达进行编码处理，得到编码后的特征表达；
解码器，用于采用所述药物预测模型的解码模块，基于各所述药物对应的所述编码后的特征表达进行解码处理，生成并输出对应的所述预设靶点的所述预测药物的信息。
16.一种药物数据的生成装置，其中，所述装置包括：
生成模块，用于基于预设靶点对应的药物数据集，采用预先训练的药物预测模型，生成所述预设靶点的预测药物的信息；
检测模块，用于基于所述预测药物的信息和所述预设靶点，检测所述预测药物与所述预设靶点的亲和度；
更新模块，用于基于所述预测药物的信息以及所述预测药物的信息与所述预设靶点的亲和度，更新所述预设靶点对应的所述药物数据集；其中，
所述药物预测模型包括特征处理模块、编码模块和解码模块；其中，
所述特征处理模块，对于所述预设靶点的药物数据集中的各药物，将所述药物数据集中各药物的特征表达、所述预设靶点的特征表达以及所采用的随机向量表达拼接，得到综合特征表达；
所述编码模块，对所述药物数据集中的各所述药物对应的所述综合特征表达进行编码处理，得到编码后的特征表达；
所述解码模块，基于各所述药物对应的所述编码后的特征表达进行解码处理，生成并输出对应的所述预设靶点的所述预测药物的信息。
17.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5、6-7、或者8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-5、6-7、或者8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110007460.7A CN112331261A (zh) | 2021-01-05 | 2021-01-05 | 药物预测方法及模型的训练方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110007460.7A CN112331261A (zh) | 2021-01-05 | 2021-01-05 | 药物预测方法及模型的训练方法、装置、电子设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112331261A true CN112331261A (zh) | 2021-02-05 |
Family
ID=74302316
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110007460.7A Pending CN112331261A (zh) | 2021-01-05 | 2021-01-05 | 药物预测方法及模型的训练方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112331261A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113409884A (zh) * | 2021-06-30 | 2021-09-17 | 北京百度网讯科技有限公司 | 排序学习模型的训练方法及排序方法、装置、设备及介质 |
| CN116779096A (zh) * | 2023-06-28 | 2023-09-19 | 南栖仙策(南京)高新技术有限公司 | 一种用药策略确定方法、装置、设备和存储介质 |
| CN117969737A (zh) * | 2024-04-02 | 2024-05-03 | 中国人民解放军联勤保障部队第九六四医院 | 一种测定白及多糖药物质量检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140117081A1 (en) * | 2011-11-01 | 2014-05-01 | Codonics, Inc. | Adaptable information extraction and labeling method and system |
| CN110689965A (zh) * | 2019-10-10 | 2020-01-14 | 电子科技大学 | 一种基于深度学习的药物靶点亲和力预测方法 |
| CN110837565A (zh) * | 2019-11-14 | 2020-02-25 | 中山大学 | 实现药品推荐的模型训练方法、装置及计算计设备 |
| CN111292800A (zh) * | 2020-01-21 | 2020-06-16 | 中南大学 | 一种基于预测蛋白质亲和力的分子表征及其应用 |
| CN111967492A (zh) * | 2020-06-29 | 2020-11-20 | 北京百度网讯科技有限公司 | 分类模型的训练方法、装置、电子设备以及存储介质 |
| 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 |
-
2021
- 2021-01-05 CN CN202110007460.7A patent/CN112331261A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140117081A1 (en) * | 2011-11-01 | 2014-05-01 | Codonics, Inc. | Adaptable information extraction and labeling method and system |
| CN110689965A (zh) * | 2019-10-10 | 2020-01-14 | 电子科技大学 | 一种基于深度学习的药物靶点亲和力预测方法 |
| CN110837565A (zh) * | 2019-11-14 | 2020-02-25 | 中山大学 | 实现药品推荐的模型训练方法、装置及计算计设备 |
| CN111292800A (zh) * | 2020-01-21 | 2020-06-16 | 中南大学 | 一种基于预测蛋白质亲和力的分子表征及其应用 |
| CN111967492A (zh) * | 2020-06-29 | 2020-11-20 | 北京百度网讯科技有限公司 | 分类模型的训练方法、装置、电子设备以及存储介质 |
| 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 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113409884A (zh) * | 2021-06-30 | 2021-09-17 | 北京百度网讯科技有限公司 | 排序学习模型的训练方法及排序方法、装置、设备及介质 |
| CN116779096A (zh) * | 2023-06-28 | 2023-09-19 | 南栖仙策(南京)高新技术有限公司 | 一种用药策略确定方法、装置、设备和存储介质 |
| CN116779096B (zh) * | 2023-06-28 | 2024-04-16 | 南栖仙策(南京)高新技术有限公司 | 一种用药策略确定方法、装置、设备和存储介质 |
| CN117969737A (zh) * | 2024-04-02 | 2024-05-03 | 中国人民解放军联勤保障部队第九六四医院 | 一种测定白及多糖药物质量检测方法 |
| CN117969737B (zh) * | 2024-04-02 | 2024-06-11 | 中国人民解放军联勤保障部队第九六四医院 | 一种测定白及多糖药物质量检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112331261A (zh) | 药物预测方法及模型的训练方法、装置、电子设备及介质 | |
| CN112560496B (zh) | 语义分析模型的训练方法、装置、电子设备及存储介质 | |
| KR20220132414A (ko) | 음성 인식 모델의 트레이닝 방법, 장치, 기기 및 기록 매체 | |
| CN112331262A (zh) | 亲和度预测方法及模型的训练方法、装置、设备及介质 | |
| CN112560996A (zh) | 用户画像识别模型训练方法、设备、可读存储介质及产品 | |
| CN110991182B (zh) | 用于专业领域的分词方法、装置、存储介质及电子设备 | |
| CN114817612A (zh) | 多模态数据匹配度计算和计算模型训练的方法、相关装置 | |
| JP7446359B2 (ja) | 交通データ予測方法、交通データ予測装置、電子機器、記憶媒体、コンピュータプログラム製品及びコンピュータプログラム | |
| CN111882039A (zh) | 物理机销售数据预测方法、装置、计算机设备及存储介质 | |
| CN115640520A (zh) | 跨语言跨模态模型的预训练方法、设备和存储介质 | |
| CN113590777B (zh) | 文本信息处理方法、装置、电子设备和存储介质 | |
| CN113409883B (zh) | 信息预测及信息预测模型的训练方法、装置、设备及介质 | |
| CN113468857B (zh) | 风格转换模型的训练方法、装置、电子设备以及存储介质 | |
| CN113961720A (zh) | 预测实体关系的方法和关系预测模型的训练方法、装置 | |
| CN113361574A (zh) | 数据处理模型的训练方法、装置、电子设备及存储介质 | |
| CN113033408A (zh) | 数据队列动态更新方法、装置、电子设备及存储介质 | |
| CN115170887B (zh) | 目标检测模型训练方法、目标检测方法及其装置 | |
| CN114399998B (zh) | 语音处理方法、装置、设备、存储介质及程序产品 | |
| CN115270719A (zh) | 基于多模态信息的文本摘要生成方法、训练方法及其装置 | |
| CN113704256B (zh) | 数据识别方法、装置、电子设备及存储介质 | |
| CN113112311B (zh) | 训练因果推断模型的方法、信息提示方法以装置 | |
| CN115292467A (zh) | 信息处理与模型训练方法、装置、设备、介质及程序产品 | |
| CN113204616A (zh) | 文本抽取模型的训练与文本抽取的方法、装置 | |
| CN114792573B (zh) | 药物联用的效果预测方法、模型训练方法、装置及设备 | |
| CN114429787B (zh) | 组学数据处理方法、装置、电子设备和存储介质 |
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 |