CN114120006A - 图像处理方法、装置、电子设备和计算机可读存储介质 - Google Patents
图像处理方法、装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN114120006A CN114120006A CN202010885507.5A CN202010885507A CN114120006A CN 114120006 A CN114120006 A CN 114120006A CN 202010885507 A CN202010885507 A CN 202010885507A CN 114120006 A CN114120006 A CN 114120006A
- Authority
- CN
- China
- Prior art keywords
- target
- edge
- feature
- edge feature
- ligand
- 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.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 70
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 239000003446 ligand Substances 0.000 claims abstract description 228
- 230000000694 effects Effects 0.000 claims abstract description 52
- 238000003032 molecular docking Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims description 67
- 230000008569 process Effects 0.000 claims description 38
- 150000001413 amino acids Chemical class 0.000 claims description 25
- 102000004169 proteins and genes Human genes 0.000 claims description 19
- 108090000623 proteins and genes Proteins 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 229940079593 drug Drugs 0.000 claims description 8
- 239000003814 drug Substances 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 5
- 101710192597 Protein map Proteins 0.000 claims description 4
- 102000005962 receptors Human genes 0.000 description 151
- 108020003175 receptors Proteins 0.000 description 151
- 230000006870 function Effects 0.000 description 39
- 238000010586 diagram Methods 0.000 description 23
- 238000013528 artificial neural network Methods 0.000 description 21
- 238000013473 artificial intelligence Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 241000282326 Felis catus Species 0.000 description 5
- 150000003384 small molecules Chemical class 0.000 description 5
- 239000012634 fragment Substances 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009509 drug development Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 102000003886 Glycoproteins Human genes 0.000 description 1
- 108090000288 Glycoproteins Proteins 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 102000004895 Lipoproteins Human genes 0.000 description 1
- 108090001030 Lipoproteins Proteins 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 210000005260 human cell Anatomy 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229920002521 macromolecule Polymers 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 229940043263 traditional drug Drugs 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000004614 tumor growth Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Biotechnology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种图像处理方法、装置、电子设备和计算机可读存储介质,包括:获取目标受体的目标受体图和目标配体的目标配体图,目标受体包括目标对接口袋;对目标受体图进行处理,获取目标受体图中各个节点的第一节点特征和第一边特征;对目标配体图进行处理,获取目标配体图中各个节点的第二节点特征和第二边特征;对第一边特征和第二边特征进行对齐处理,获取对齐后第一边特征和对齐后第二边特征;根据对齐后第一边特征和对齐后第二边特征确定目标受体图的目标受体特征和目标配体图的目标配体特征;根据目标受体特征和目标配体特征,预测目标配体相对于目标受体的目标活性值。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及一种图像处理方法、装置、电子设备和计算机可读存储介质。
背景技术
传统药物研发需要消耗大量的资源,一般需要很长的研发周期并消耗巨大的研发经费。
为减少研发资源,提高研发效率,一般会在对药物进行实体试验之前对大量的药物(即配体)进行虚拟活性筛选,以针对目标受体确定活性较高的目标配体。
那么,一种可以准确、高效地确定目标配体的活性的方法对药物研发来说至关重要。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解。
发明内容
本公开实施例提供一种图像处理方法、装置、电子设备和计算机可读存储介质,可以准确地确定目标配体相对于目标受体的目标活性值。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
本公开实施例提出一种图像处理方法,该方法包括:获取目标受体的目标受体图和目标配体的目标配体图,所述目标受体包括目标对接口袋;对所述目标受体图进行处理,以获取所述目标受体图中各个节点的第一节点特征和第一边特征;对所述目标配体图进行处理,以获取所述目标配体图中各个节点的第二节点特征和第二边特征;对所述第一边特征和所述第二边特征进行对齐处理,使得所述目标配体与所述目标对接口袋对齐,获取对齐后第一边特征和对齐后第二边特征;根据所述对齐后第一边特征和所述对齐后第二边特征确定所述目标受体图的目标受体特征和所述目标配体图的目标配体特征;根据所述目标受体特征和所述目标配体特征,预测所述目标配体相对于所述目标受体的目标活性值。
本公开提供了一种图像处理装置,该图像处理装置可以包括图像数据获取模块、第一边特征获取模块、第二边特征获取模块、对齐模块、图特征获取模块以及目标活性值预测模块。
其中,所述图数据获取模块可以配置为获取目标受体的目标受体图和目标配体的目标配体图,所述目标受体包括目标对接口袋;所述第一边特征获取模块可以配置为对所述目标受体图进行处理,以获取所述目标受体图中各个节点的第一节点特征和第一边特征;所述第二边特征获取模块可以配置为对所述目标配体图进行处理,以获取所述目标配体图中各个节点的第二节点特征和第二边特征;所述对齐模块可以配置为对所述第一边特征和所述第二边特征进行对齐处理,使得所述目标配体与所述目标对接口袋对齐,获取对齐后第一边特征和对齐后第二边特征;所述图特征获取模块可以配置为根据所述对齐后第一边特征和所述对齐后第二边特征确定所述目标受体图的目标受体特征和所述目标配体图的目标配体特征;所述目标活性值预测模块可以配置为根据所述目标受体特征和所述目标配体特征,预测所述目标配体相对于所述目标受体的目标活性值。
在一些实施例中,所述目标受体图包括第一目标节点,所述第一目标节点与第一边特征中的第一目标边特征对应。
在一些实施例中,所述对齐模块可以包括:第一相似性权重确定子模块、对齐第一目标边特征确定子模块和对齐后第一边特征确定子模块。
其中,所述第一相似性权重确定子模块可以配置为确定所述第一目标边特征相对于各个第二边特征的第一相似性权重;所述对齐第一目标边特征确定子模块可以配置为根据所述第一相似性权重确定所述第一目标边特征向所述第二边特征对齐后的对齐第一目标边特征;所述对齐后第一边特征确定子模块可以配置为根据所述对齐第一目标边特征生成所述对齐后第一边特征。
在一些实施例中,所述第一相似性权重确定子模块可以包括:目标相似性确定单元、求和单元以及归一化单元。
其中,所述目标相似性确定单元可以配置为获取所述第一目标边特征相对于各个第二边特征的目标相似性;所述求和单元可以配置为对所述目标相似性进行求和处理,以获得所述第一目标边特征相对于所述第二边特征的相似性;所述归一化单元可以配置为据所述第一目标边特征相对于所述第二边特征的相似性,对各个目标相似性进行归一化处理,以获得所述第一目标边特征相对于各个第二边特征的第一相似性权重。
在一些实施例中,所述目标相似性确定单元可以包括:矩阵转换子单元。
其中,所述句子转换子单元可以配置为通过目标矩阵对所述第二边特征进行矩阵转换,使得所述第二边特征和所述第一边特征的维度相同。
在一些实施例中,所述第一差异性特征确定子模块可以包括:差异性处理单元和加权求和单元。
其中,所述差异性处理单元可以配置为将第一目标边特征与各个第二边特征进行求差处理,获得目标差异性特征;所述加权求和单元可以配置为根据各个相似性权重分别对各个目标差异性特征进行加权、求和处理,以获得所述对齐第一目标边特征。
在一些实施例中,所述图特征获取模块可以包括:拼接受体特征获取单元和第一读取单元。
其中,所述拼接受体特征获取单元可以配置为对所述第一节点特征、所述第一边特征以及所述对齐后第一边特征进行拼接,获得拼接受体特征;所述第一读取单元可以配置为通过第一读取函数对所述拼接受体特征进行处理,以获得所述目标受体特征。
在一些实施例中,所述图特征获取模块可以包括:拼接配体特征确定单元以及第二读取单元。
其中,所述拼接配体特征确定单元可以配置为对所述第二节点特征、所述第二边特征以及所述对齐后第二边特征进行拼接,获得拼接配体特征;所述第二读取单元可以配置为通过第二读取函数对所述拼接配体特征进行处理,以获得所述目标配体特征。
在一些实施例中,所述目标配体图包括第二目标节点,所述第二目标节点与第二边特征中的第二目标边特征对应。
在一些实施例中,所述对齐模块可以包括:第二相似性权重确定子模块、对齐第二目标边特征确定子模块以及对齐后第二边特征确定子模块。
其中,所述第二相似性权重确定子模块可以配置为确定所述第二目标边特征相对于各个第一边特征的第二相似性权重;所述对齐第二目标边特征确定子模块可以配置为根据所述第二相似性权重确定所述第二目标边特征向所述第一边特征对齐后的对齐第二目标边特征;所述对齐后第二边特征确定子模块可以配置为根据所述对齐第二目标边特征生成所述对齐后第二边特征。
在一些实施例中,所述目标活性值预测模块可以包括:拼接后目标受体特征获取子模块、拼接后目标配体特征获取子模块以及目标活性值获取子模块。
其中,所述拼接后目标受体特征获取子模块可以配置为将所述目标受体特征和所述第一边特征进行拼接,以获得拼接后目标受体特征;拼接后目标配体特征获取子模块可以配置为对所述目标配体特征和所述第二边特征进行拼接,以获得拼接后目标配体特征;所述目标活性值获取子模块可以配置为对所述拼接后目标受体特征和所述拼接后目标配体特征进行处理,预测所述目标受体在所述目标配体的影响下的目标活性值。
在一些实施例中,所述目标受体为目标蛋白质,所述目标蛋白质包括目标氨基酸。
在一些实施例中,所述图数据获取模块可以包括:目标距离确定子模块和连接子模块。
其中,所述目标距离确定子模块可以配置为确定所述目标氨基酸两两之间的目标距离;所述连接子模块可以配置为将目标距离小于目标阈值的目标氨基酸连接,以生成所述目标蛋白质的目标蛋白质图。
在一些实施例中,所述图像处理装置还可以包括:判断模块、
其中,所述判断模块可以配置为若所述目标配体相对于所述目标受体的目标活性值在目标范围内,则对所述目标配体进行实体实验,以确定所述目标配体是否为所述目标受体的有效药物。
本公开实施例提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任一项所述的图像处理方法。
本公开实施例提出一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述任一项所述的图像处理方法。
本公开实施例提出一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述图像处理方法。
本公开提供的图像处理方法、装置、电子设备和计算机可读存储介质,一方面可以从目标受体图和目标配体图中提取出目标受体图的节点特征(包括节点特征和边特征)和目标配体图的节点特征(包括节点特征和边特征),以便对目标配体针对目标受体的目标活性的预测;另一方面,将目标受体图的第一边特征和目标配体图的第二边特征进行对齐处理,以获得目标受体与目标对接口袋对齐后的目标受体特征和目标配体特征,使得目标配体与目标对接口袋对齐,以便目标配体特征和目标受体特征包含更多、更为准确的预测特征;最后根据包括对齐后边特征信息的目标受体特征和目标配体特征,准确、高效地完成了目标配体针对目标受体的目标活性的预测。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。下面描述的附图仅仅是本公开的一些实施例,对于本领域的普通技术人员来讲,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示出了应用于本公开实施例的图像处理方法或图像处理装置的示例性系统架构的示意图。
图2是根据一示例性实施例示出的一种应用于图像处理装置的计算机系统的结构示意图。
图3是根据一示例性实施例示出的一种图像处理方法的流程图。
图4是根据一示例性实施例示出的一种目标受体结构图。
图5是根据一示例性实施例示出的一种目标受体图生成示意图。
图6是根据一示例性实施例示出的一种目标配体图生成示意图。
图7是图3中步骤S4在一示例性实施例中的流程图。
图8是图3中步骤S4在一示例性实施例中的流程图。
图9是图3中步骤S6在一示例性实施例中的流程图。
图10是根据一示例性实施例示出的一种图像处理神经网络结构图。
图11是根据一示例性实施例示出的一种图像处理装置的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
本公开所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图仅为本公开的示意性图解,图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和步骤,也不是必须按所描述的顺序执行。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本说明书中,用语“一个”、“一”、“该”、“所述”和“至少一个”用以表示存在一个或多个要素/组成部分/等;用语“包含”、“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等;用语“第一”、“第二”和“第三”等仅作为标记使用,不是对其对象的数量限制。
下面结合附图对本公开示例实施方式进行详细说明。
图1示出了可以应用于本公开实施例的图像处理方法或图像处理装置的示例性系统架构的示意图。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。其中,终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、可穿戴设备、虚拟现实设备、智能家居等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所进行操作的装置提供支持的后台管理服务器。后台管理服务器可以对接收到的请求等数据进行分析等处理,并将处理结果反馈给终端设备。
服务器105可例如获取目标受体的目标受体图和目标配体的目标配体图,所述目标受体包括目标对接口袋;服务器105可例如对所述目标受体图进行处理,以获取所述目标受体图中各个节点的第一节点特征和第一边特征;服务器105可例如对所述目标配体图进行处理,以获取所述目标配体图中各个节点的第二节点特征和第二边特征;服务器105可例如对所述第一边特征和所述第二边特征进行对齐处理,使得所述目标配体与所述目标对接口袋对齐,获取对齐后第一边特征和对齐后第二边特征;服务器105可例如根据所述对齐后第一边特征和所述对齐后第二边特征确定所述目标受体图的目标受体特征和所述目标配体图的目标配体特征;服务器105可例如根据所述目标受体特征和所述目标配体特征,预测所述目标配体相对于所述目标受体的目标活性值。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的,服务器105可以是一个实体的服务器,还可以为多个服务器组成,根据实际需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图2,其示出了适于用来实现本申请实施例的终端设备的计算机系统200的结构示意图。图2示出的终端设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图2所示,计算机系统200包括中央处理元(CPU)201,其可以根据存储在只读存储器(ROM)202中的程序或者从储存部分208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中,还存储有系统200操作所需的各种程序和数据。CPU 201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。
以下部件连接至I/O接口205:包括键盘、鼠标等的输入部分206;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分207;包括硬盘等的储存部分208;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器210上,以便于从其上读出的计算机程序根据需要被安装入储存部分208。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分209从网络上被下载和安装,和/或从可拆卸介质211被安装。在该计算机程序被中央处理元(CPU)201执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本申请所示的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质,该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块和/或子模块和/或单元和/或子单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块和/或子模块和/或单元和/或子单元也可以设置在处理器中,例如,可以描述为:一种处理器包括发送元、获取元、确定元和第一处理元。其中,这些模块和/或子模块和/或单元和/或子单元的名称在某种情况下并不构成对该模块和/或子模块和/或单元和/或子单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备中所包含的;也可以是独存在,而未装配入该设备中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备可实现功能包括:获取目标受体的目标受体图和目标配体的目标配体图,所述目标受体包括目标对接口袋;对所述目标受体图进行处理,以获取所述目标受体图中各个节点的第一节点特征和第一边特征;对所述目标配体图进行处理,以获取所述目标配体图中各个节点的第二节点特征和第二边特征;对所述第一边特征和所述第二边特征进行对齐处理,使得所述目标配体与所述目标对接口袋对齐,获取对齐后第一边特征和对齐后第二边特征;根据所述对齐后第一边特征和所述对齐后第二边特征确定所述目标受体图的目标受体特征和所述目标配体图的目标配体特征;根据所述目标受体特征和所述目标配体特征,预测所述目标配体相对于所述目标受体的目标活性值。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
其中,机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
本公开实施例可以通过人工智能技术中的机器学习训练出一个可以确定出目标配体相对于目标受体的目标活性值的图像处理神经网络模型,目标活性值的具体确定过程将通过以下实施例进行说明。
图3是根据一示例性实施例示出的一种图像处理方法的流程图。本公开实施例所提供的方法可以由任意具备计算处理能力的电子设备处理,例如上述图1实施例中的服务器105和/或终端设备102、103,在下面的实施例中,以服务器105为执行主体为例进行举例说明,但本公开并不限定于此。
参照图3,本公开实施例提供的图像处理方法可以包括以下步骤。
在步骤S1中,获取目标受体的目标受体图和目标配体的目标配体图,所述目标受体包括目标对接口袋。
在生命科学中,当已知蛋白质在疾病中发挥重要作用时,我们可以将其称为受体。受体可以指的是糖蛋白或脂蛋白等,例如可以是引起炎症的蛋白质,可以是帮助肿瘤生长的蛋白质,还可以是病毒用于感染人类细胞的蛋白质。
配体指的是对受体具有识别能力并能与之结合的物质,也就是药。
在药物研究中,我们的目标是创造与这些受体强烈相互作用的配体,从而减少(或增强)受体的作用。这些配体可例如为大分子、小分子、蛋白质或者氨基酸片段等。
在一些实施例中,对接口袋这个概念存在于分子对接计算中,是受体中与配体结合的可能区域,也称之为配体结合位点。如图4所示,目标蛋白质受体401与目标配体(例如小分子)作用的时候是依赖于蛋白质中特定的氨基酸4011,那么就可以将该特定的氨基酸4011称之为对接口袋。
本公开实施例将以目标受体为蛋白质,目标配体为小分子为例进行说明,但本公开对此不做限制。
在一些实施例中,可以根据目标受体的结构图生成目标受体图。
例如,若目标受体为蛋白质(或氨基酸片段),则可以根据受体蛋白质(或氨基酸片段)中的氨基酸的结构图以及氨基酸两两之间的目标距离生成目标蛋白质图(受体图)。如图5所示,目标蛋白质可以包括氨基酸A、B、C、D、E,确定目标氨基酸两两之间的目标距离为dAB、dAC、dAD、dAE…;判断任意两个氨基酸之间的距离是否小于目标阈值d0,若小于目标阈值d0则将该任意两个氨基酸用实线连接,若不小于d0则将该任意两个氨基酸用虚线连接;最终可以根据实线以及实线连接的氨基酸生成目标蛋白质的目标蛋白质图。
在一些实施例中,可以根据目标配体的结构图生成目标配体图。若目标配体为蛋白质(或氨基酸片段),则可以根据配体蛋白质(或氨基酸片段)中的氨基酸的结构图生成目标配体图,生成过程如图5所示,本实施例不再赘述。若目标配体为目标小分子,由于目标小分子本身就具有一定的结构,所以可以根据该目标小分子的结构图生成目标配体图。如图6所示,可以根据目标小分子601的结构图生成如602所示的目标配体图。
在步骤S2中,对所述目标受体图进行处理,以获取所述目标受体图中各个节点的第一节点特征和第一边特征。
在一些实施例中,可以通过第一图神经网络对目标受体图进行处理,以获取目标受体图中各个节点的第一节点特征和第一边特征。其中,第一图神经网络可以指的是MPNN(Message passing Neural Networks,消息传递神经网络)、GCN(Graph ConvolutionalNetwork,图卷积网络)、GAT(Graph Attention Network,图注意力网络)等可以从图数据中提取出图数据中各个节点的节点特征和边特征的图神经网络模型,其中节点的边特征聚集了节点的邻接节点的信息。
本公开实施例将以第一图神经网络为MPNN为例进行说明,但本公开并不限制于此。
在一些实施例中,可以通过MPNN神经网络模型对目标受体图进行处理,以获得目标受体图中各个节点(例如蛋白质受体中单个氨基酸)的第一节点特征QM={m1,m2,...mm},以及将邻接节点信息聚集起来的第一边特征HM={h1,h2,...hm,},其中m代表目标受体图中的节点的个数。
在步骤S3中,对所述目标配体图进行处理,以获取所述目标配体图中各个节点的第二节点特征和第二边特征。
在一些实施例中,可以通过第二图神经网络对目标配体图进行处理,以获取目标配体图中各个节点的第二节点特征和第二边特征。其中,第二神经网络也可以指的是MPNN、GCN或者GAT等可以从图数据中提取出节点特征和边特征的图神经网络模型,本公开对此不做限制。
需要注意的是,第一图神经网络和第二图神经网络的参数不共享。
本公开实施例将以第二图神经网络均为MPNN为例进行说明,但本公开并不限制于此。
在一些实施例中,可以通过MPNN神经网络模型对目标配体图进行处理,以获得目标配体图中各个节点(例如小分子配体中单个原子)的第二节点特征QP={m′1,m′2,...m′n},以及将邻接节点信息聚集起来的第二边特征HP={h′1,h′2,...h′n},n为目标配体图中的节点的个数。
在步骤S4中,对所述第一边特征和所述第二边特征进行对齐处理,使得所述目标配体与所述目标对接口袋对齐,获取对齐后第一边特征和对齐后第二边特征。
在一些实施例中,由于目标受体图和目标配体图的节点个数不同,所以第一边特征hi∈HM和第二边特征h′j∈HP的特征个数也可以不同,所以在对第一边特征和第二边特征进行对齐处理之前,可以通过目标矩阵对第二边特征(或第一边特征)进行矩阵转换,以使得第二边特征和第一边特征的维度相同。例如,可以通过公式h′j=Wh′j,将h′j变换到与hi相同维度的空间,以替换掉原来的h′j,这里的W是可学习的参数。
在一些实施例中,对第一边特征和第二边特征进行对齐处理,可以使得第一边特征中的目标对接口袋的特征与第二边特征进行对齐。假设,目标受体的目标对接口袋与目标配体可以对齐(即目标配体可以在对接口袋位置处与目标受体结合并产生作用),那么通过对齐处理可以将第一边特征与第二边特征对齐位置处的特征突出出来,弱化其它没有对齐的特征。
例如,可以将第一边特征与第二边特征对应边特征之间的相似度计算出来,以确定第一边特征和第二边特征比较相似的特征点;然后在第一边特征(或第二边特征)中突出该相似的点(例如使用较大的权重强化该点的特征),弱化不相似的点(例如用较小的权重弱化该点的特征),以将第一边特征向第二边特征对齐,同理可以对第二边特征进行对齐处理,本实施例不再赘述。
在步骤S4中,根据所述对齐后第一边特征和所述对齐后第二边特征确定所述目标受体图的目标受体特征和所述目标配体图的目标配体特征。
在一些实施例中,可以获取对齐后第一边特征uj→i(第一边特征HM向第二边特征HP对齐),然后将第一节点特征QM、第一边特征HM以及对齐后第一边特征uj→i进行拼接,以获取拼接受体特征。例如可以通过公式X=cat(HM,QM,uj→i)确定拼接受体特征X,拼接受体特征X中的第i个特征xi可以通过公式xi=cat(hi,mi,uji)确定,其中cat为拼接函数,uji代表对齐后第一边特征uj→i中的第i个特征,hi代表第一边特征HM中第i个特征,mi代表第一节点特征QM中第i个特征,i为大于等于1且小于等于m的正整数,m为第一边特征(或第一节点特征)的特征个数。
在一些实施例中,可以通过第一读取函数对拼接受体特征X进行读取处理,以获得目标受体特征。例如,可以通过公式ηM=fG(X)对拼接受体特征X进行处理,以获得目标受体特征ηM。
在一些实施例中,可以获取对齐后第二边特征ui→j(第二边特征HP向第一边特征HM对齐),然后将第二节点特征QP、第二边特征HP以及对齐后第二边特征ui→j进行拼接,以获取拼接配体特征。例如可以通过公式Y=cat(HP,QP,ui→j)确定拼接配体特征Y,拼接配体特征Y中的第j个特征yi可以通过公式yi=cat(h′j,m′j,uij)确定,其中uij代表对齐后第二边特征ui→j中第j个边特征,h′j代表第二边特征HP中第j个特征,m′j代表第二节点特征QP中第j个特征,j为大于等于1且小于等于n的正整数,n为第二边特征(或第二节点特征)的特征个数。
在一些实施例中,可以通过第二读取函数对拼接配体特征Y进行读取处理,以获得目标配体特征。例如,可以通过公式ηp=fG(Y)对拼接配体特征Y进行处理,以获得目标配体特征ηp。
在一些实施例中,第一读取函数和第二读取函数可以指的是自注意力读出函数,该自注意读出函数fG可例如是fG(Y)=solfmax(W2tanh(W1Y)),这里的W1和W2都是可以学习的参数。
一般来说,可以根据需求对读出结果fG(X)或fG(Y)进行降维处理。例如,通过公式ζ1=flatten(fG(X)*X)对读出结果fG(X)进行处理,或通过公式ζ2=flatten(fG(Y)*Y)对读出结果fG(Y)进行处理,以获取一维的目标受体特征或一维的目标配体特征,其中flatten为降维函数。
在步骤S6中,根据所述目标受体特征和所述目标配体特征,预测所述目标配体相对于所述目标受体的目标活性值。
在一些实施例中,得到目标受体特征ηM后,可以将目标受体特征ηM和第一边特征HM进行拼接,以获得拼接后目标受体特征。
在一些实施例中,得到目标配体特征ηp后,可以将目标配体特征ηp和第二边特征HP进行拼接,以获得拼接后目标配体特征。
在获得拼接后目标受体特征和拼接后目标配体特征后,可以将拼接后目标受体特征和拼接后目标配体特征输入至全连接层进行处理,以预测目标受体在目标配体的影响下的目标活性值。
在一些实施例中,可以判断目标配体的目标活性值是否在目标范围内,若目标配体相对于目标受体的目标活性值在目标范围内,则对目标配体进行实体实验,以确定目标配体是否为所述目标受体的有效药物。
在一些实施例中,还可以通过以上方法针对目标受体的多个目标配体确定目标活性值,然后选取目标活性值在前目标百分比的目标配体进行实体实验,以确定该目标配体是否为目标受体的有效药物。
本实施例提供的技术方案,一方面可以通过图神经网络从目标受体图和目标配体图中提取出目标受体图的节点特征(包括节点特征和边特征)和目标配体图的节点特征(包括节点特征和边特征),以便对目标配体针对目标受体的目标活性的预测;另一方面,将目标受体图的第一边特征和目标配体图的第二边特征进行对齐处理,以获得目标受体与目标对接口袋对齐后的目标受体特征和目标配体特征,使得目标配体与目标对接口袋对齐,以便目标配体特征和目标受体特征包含更多、更为准确的预测特征;最后根据包括对齐后边特征信息的目标受体特征和目标配体特征,准确、高效地完成了目标配体针对目标受体的目标活性的预测。
图7是图3中步骤S4在一示例性实施例中的流程图。
在一些实施例中,目标受体图中可以包括第一目标节点,第一边特征中与第一目标节点对应的边特征可以称之为第一目标边特征。
本实施例将以第一目标边特征向第二边特征对齐为例对第一边特征的对齐处理进行说明,第一边特征中其它边特征的对齐方式与此类似,本公开对此不再赘述。
在一些实施例中,由于目标受体图和目标配体图的节点个数不同,所以第一边特征hi∈HM和第二边特征h′j∈HP的特征个数也可以不同,所以在对第一边特征和第二边特征进行对齐处理之前,可以通过目标矩阵对第二边特征(或第一边特征)进行矩阵转换,以使得第二边特征和第一边特征的维度相同。例如,可以通过公式h′j=Wh′j,将h′j变换到与hi相同维度的空间,以替换掉原来的h′j,这里W是可学习的参数。
参考图7,上述步骤S4可以包括以下步骤。
在步骤S41中,确定所述第一目标边特征相对于各个第二边特征的第一相似性权重。
在一些实施例中,为了确定第一目标边特征相对于各个第二边特征的第一相似性权重,可以首先获取所述第一目标边特征相对于各个第二边特征的目标相似性;然后对该目标相似性进行求和处理,以获得第一目标边特征相对于第二边特征的相似性;最后根据第一目标边特征相对于第二边特征的相似性,对各个目标相似性进行归一化处理,以获得第一目标边特征相对于各个第二边特征的第一相似性权重。
例如,可以通过公式(1)确定第一目标边特征hi相对于第二边特征的相似性。
A=∑j′exp(sh(hi,h′j′)) (1)
其中,hi可以代表第一目标边特征(即第一边特征中的第i个特征),i为大于等于1且小于等于第一边特征个数m的正整数,h′j′可以代表第二边特征中的第j’个特征,j’为大于等于1小于等于第二边特征个数n的正整数。
其中,sh为相似性确定函数,可例如是相似度函数cosine、距离函数、注意力模型等可以用来衡量特征相似性的函数,本公开对此不做限制。
其中,注意力模型可例如是加性注意力模型:sh(hi,h′j′)=VTtanh(Whi+Uh′j′)、点积注意力模型:缩放点积模型:双线性模型:其中加性注意力模型中的U、V、W为可学习的参数,点积注意力模型中的d为hi的维度,双线性模型中的W是可学习的参数。
可以理解的是,若通过距离衡量两个边特征的相似性,则距离越小相似性越高。因此,若公式(1)中的相似度函数为距离函数,需要对公式(1)中的相似性函数sh前面需要取负(即加上一个负号)。其它相似度函数需要进行类似处理,本公开对此不再赘述。
在一些实施例中,可以通过公式(2)对第一目标边特征hi的各个目标相似性进行归一化处理,以获得第一目标边特征hi相对于各个第二边特征的第一相似性权重aj→i。
其中,hi可以代表第一目标边特征(即第一边特征中的第i个特征),i为大于等于1且小于等于第一边特征个数m的正整数,h′j可以代表第二边特征中的第j个特征,j为大于等于1且小于等于第二边特征个数n的正整数,sh为相似度函数。
在步骤S42中,根据所述第一相似性权重确定所述第一目标边特征向所述第二边特征对齐后的对齐第一目标边特征。
在一些实施例中,可以通过以下步骤获得对齐第一目标边特征:将第一目标边特征与各个第二边特征进行求差处理,获得目标差异性特征;根据各个相似性权重分别对各个目标差异性特征进行加权、求和处理,以获得对齐第一目标边特征。
在一些实施例中,可以根据公式(3)将第一目标边特征hi向第二边特征对齐以获得对齐第一目标边特征。
uji=∑jaj→i(hi-h′j)=hi-∑jaj→ih′j (3)
其中,hi可以代表第一目标边特征(即第一边特征中的第i个特征),i为大于等于1且小于等于第一边特征个数m的正整数,h′j可以代表第二边特征中的第j个特征,j为大于等于1且小于等于第二边特征个数n的正整数,uji代表第一目标边特征hi向第二边特征对齐后的对齐第一目标边特征。
在步骤S43中,根据所述对齐第一目标边特征生成所述对齐后第一边特征。
在一些实施例中,可以根据第一目标边特征的对齐过程对第一边特征中的各个特征分别进行对齐处理,以实现对第一边特征的对齐处理,最终获得对齐后第一边特征uj→i,uji代表对齐后第一边特征uj→i中第i个特征。
本实施例提供的技术方案,首先通过计算第一目标边特征相对于各个第二边特征的相似度确定了第一相似性权重,然后根据第一相似性权重确定了第一目标边特征向第二边特征对齐后的对齐第一目标边特征,以生成了对齐后第一边特征。本实施例提供的方法,可以在对齐后的第一边特征中突出与第二边特征相似度较高的特征,弱化与第二边特征相似度较低的特征,以便根据对齐后第一边特征进行活性值预测时更加准确。
图8是图3中步骤S4在一示例性实施例中的流程图。
在一些实施例中,目标配体图可以包括第二目标节点,第二边特征中与第二目标节点对应的边特征可以称之为第二目标边特征。
本实施例将以第二目标边特征向第一边特征对齐为例对第二边特征的对齐处理进行说明,第二边特征中其它边特征的对齐方式与此类似,本公开对此不再赘述。
在一些实施例中,由于目标受体图和目标配体图的节点个数不同,所以第一边特征hi∈HM和第二边特征h′j∈HP的特征个数也可以不同,所以在对第一边特征和第二边特征进行对齐处理之前,可以通过目标矩阵对第二边特征(或第一边特征)进行矩阵转换,以使得第二边特征和第一边特征的维度相同。例如,可以通过公式h′j=Wh′j,将h′j变换到与hi相同维度的空间,以替换掉原来的h′j,这里W是可学习的参数。
参考图8,上述步骤S4可以包括以下过程。
在步骤S44中,确定所述第二目标边特征相对于各个第一边特征的第二相似性权重。
在一些实施例中,为了确定第二目标边特征相对于各个第一边特征的第二相似性权重,可以首先获取第二目标边特征相对于各个第一边特征的目标相似性;然后对该目标相似性进行求和处理,以获得第二目标边特征相对于第一边特征的相似性;最后根据第二目标边特征相对于第一边特征的相似性,对各个目标相似性进行归一化处理,以获得第二目标边特征相对于各个第一边特征的第二相似性权重。
例如,可以通过公式(4)确定第二目标边特征h′j相对于第一边特征的相似性。
B=∑i′exp(sh(h′j,hi′)) (4)
其中,h′j可以代表第二目标边特征(即第二边特征中的第j个特征),j为大于等于1且小于等于第二边特征个数n的正整数,hi′可以代表第一边特征中的第i’个特征,i’为大于等于1且小于等于第一边特征个数m的正整数。
其中,sh为相似性确定函数,可例如是相似度函数cosine、距离函数等可以用来衡量特征相似性的函数,本公开对此不做限制。
可以理解的是,若通过距离衡量两个边特征的相似性,则距离越小相似性越高。因此,若公式(4)中的相似度函数为距离函数,需要对公式(4)中的相似性函数sh前面需要取负(即加上一个负号)。其它相似度函数需要进行类似处理,本公开对此不再赘述。
在一些实施例中,可以通过公式(5)对第二目标边特征h′j的各个目标相似性进行归一化处理,以获得第二目标边特征h′j相对于各个第一边特征的第二相似性权重ai→j。
其中,hi可以代表第一目标边特征(即第一边特征中的第i个特征),i为大于等于1且小于等于第一边特征个数m的正整数,h′j可以代表第二边特征中的第j个特征,j为大于等于1小于等于第二边特征个数n的正整数,sh为相似度函数。
在步骤S45中,根据所述第二相似性权重确定所述第二目标边特征向所述第一边特征对齐后的对齐第二目标边特征。
在一些实施例中,可以通过以下步骤获得对齐第一目标边特征:将第二目标边特征与各个第一边特征进行差异性处理,获得目标差异性特征;根据各个相似性权重分别对各个目标差异性特征进行加权、求和处理,以获得对齐第一目标边特征。
在一些实施例中,可以根据公式(6)对第二目标边特征h′j进行对齐处理。
uij=∑iai→j(h′j-hi)=h′j-∑iai→jhi (6)
其中,hi可以代表第一目标边特征(即第一边特征中的第i个特征),i为大于等于1且小于等于第一边特征个数m的正整数,h′j可以代表第二边特征中的第j个特征,j为大于等于1且小于等于第二边特征个数n的正整数,uij代表第二目标边特征h′j向第一边特征对齐后的对齐第二目标边特征。
在步骤S46中,根据所述对齐第二目标边特征生成所述对齐后第二边特征。
在一些实施例中,可以根据第二目标边特征的对齐过程对第二边特征中的各个特征分别进行对齐处理,以实现对第二边特征的对齐处理,最终获得对齐后第二边特征ui→j,uij代表对齐后第二边特征ui→j中第j个特征。
本实施例提供的技术方案,首先通过计算第二目标边特征相对于各个第一边特征的相似度确定了第一相似性权重,然后根据第一相似性权重确定了第二目标边特征向第一边特征对齐后的对齐第二目标边特征,以生成了对齐后第二边特征。本实施例提供的方法,可以在对齐后的第二边特征中突出与第一边特征相似度较高的特征,弱化与第一边特征相似度较低的特征,以便根据对齐后第二边特征进行活性值预测时更加准确。
图9是图3中步骤S6在一示例性实施例中的流程图。参考图9,上述步骤S6可以包括以下过程。
在步骤S61中,将所述目标受体特征和所述第一边特征进行拼接,以获得拼接后目标受体特征。
在一些实施例中,得到目标受体特征ηM后,可以将目标受体特征ηM和第一边特征HM进行拼接,以获得拼接后目标受体特征。
在步骤S62中,对所述目标配体特征和所述第二边特征进行拼接,以获得拼接后目标配体特征。
在一些实施例中,得到目标配体特征ηp后,可以将目标配体特征ηp和第二边特征HP进行拼接,以获得拼接后目标配体特征。
在步骤S63中,对所述拼接后目标受体特征和所述拼接后目标配体特征进行处理,预测所述目标受体在所述目标配体的影响下的目标活性值。
在获得拼接后目标受体特征和拼接后目标配体特征后,可以将拼接后目标受体特征和拼接后目标配体特征输入至全连接层进行处理,以预测目标受体在目标配体的影响下的目标活性值。
本实施例提供的技术方案,在预测目标活性值时不仅融合了对齐后边特征(包括第一边特征和第二边特征)信息还融合了对齐前的边特征信息,使得目标活性值的预测更加准确、有效。
图10是根据一示例性实施例示出的一种图像处理神经网络结构图。参考图10,上述图像处理神经网络结构图1000可以包括:第一图神经网络结构1001、第二图神经网络结构1002、对齐网络结构1003、第一拼接网络结构1004、第二拼接网络结构1005以及分类网络结构1006。
根据图10所示图像处理神经网络结构进行图像处理可以包括以下过程:
将目标受体的目标受体图401和目标配体的目标配体图601分别输入至图像处理神经网络结构;第一图神经网络1001对目标受体图401进行处理,以获取目标受体图401中各个节点的第一节点特征QM和第一边特征HM;第二图神经网络1002对目标配体图601进行处理,获取目标配体图601中各个节点的第二节点特征QP和第二边特征HP;通过对齐网络结构1003对第一边特征HM和第二边特征HP进行对齐处理,使得目标配体与所述目标对接口袋对齐,获取对齐后第一边特征uj→i和对齐后第二边特征ui→j;第一拼接网络结构1004根据对齐后第一边特征uj→i、第一边特征HM和第一节点特征QM确定拼接受体特征X,然后通过第一拼接网络结构1004中的第一读取函数对拼接受体特征X进行处理,以获得目标受体特征ηM;第二拼接网络结构1005根据对齐后第二边特征ui→j、第二边特征HP和第二节点特征QP确定拼接配体特征Y,然后通过第二拼接网络结构1005中的第二读取函数对拼接配体特征Y进行处理,以获得目标配体特征ηP;分类网络结构1006将目标受体特征和第一边特征进行拼接以获得拼接后目标受体特征,分类网络结构1006将目标配体特征和第二边特征进行拼接以获得拼接后目标配体特征,分类网络结构1006根据拼接后目标受体特征和拼接后目标配体特征预测并输出目标受体在目标配体的影响下的目标活性值。
本实施例提供的技术方案,一方面可以通过图神经网络从目标受体图和目标配体图中提取出目标受体图的节点特征(包括节点特征和边特征)和目标配体图的节点特征(包括节点特征和边特征),以便对目标配体针对目标受体的目标活性的预测;另一方面,将目标受体图的第一边特征和目标配体图的第二边特征进行对齐处理,以获得目标受体与目标对接口袋对齐后的目标受体特征和目标配体特征,使得目标配体与目标对接口袋对齐,以便目标配体特征和目标受体特征包含更多、更为准确的预测特征;最后根据包括对齐后边特征信息的目标受体特征和目标配体特征,准确、高效地完成了目标配体针对目标受体的目标活性的预测。
图11是根据一示例性实施例示出的一种图像处理装置的框图。参照图11,本公开实施例提供的图像处理装置1100可以包括:图数据获取模块1101、第一边特征获取模块1102、第二边特征获取模块1103、对齐模块1104、图特征获取模块1105以及目标活性值预测模块1106。
其中,所述图数据获取模块1101可以配置为获取目标受体的目标受体图和目标配体的目标配体图,所述目标受体包括目标对接口袋;所述第一边特征获取模块1102可以配置为对所述目标受体图进行处理,以获取所述目标受体图中各个节点的第一节点特征和第一边特征;所述第二边特征获取模块1103可以配置为对所述目标配体图进行处理,以获取所述目标配体图中各个节点的第二节点特征和第二边特征;所述对齐模块1104可以配置为对所述第一边特征和所述第二边特征进行对齐处理,使得所述目标配体与所述目标对接口袋对齐,获取对齐后第一边特征和对齐后第二边特征;所述图特征获取模块1105可以配置为根据所述对齐后第一边特征和所述对齐后第二边特征确定所述目标受体图的目标受体特征和所述目标配体图的目标配体特征;所述目标活性值预测模块1106可以配置为根据所述目标受体特征和所述目标配体特征,预测所述目标配体相对于所述目标受体的目标活性值。
在一些实施例中,所述目标受体图包括第一目标节点,所述第一目标节点与第一边特征中的第一目标边特征对应。
在一些实施例中,所述对齐模块1104可以包括:第一相似性权重确定子模块、对齐第一目标边特征确定子模块和对齐后第一边特征确定子模块。
其中,所述第一相似性权重确定子模块可以配置为确定所述第一目标边特征相对于各个第二边特征的第一相似性权重;所述对齐第一目标边特征确定子模块可以配置为根据所述第一相似性权重确定所述第一目标边特征向所述第二边特征对齐后的对齐第一目标边特征;所述对齐后第一边特征确定子模块可以配置为对齐第一目标边特征。
在一些实施例中,所述第一相似性权重确定子模块可以包括:目标相似性确定单元、求和单元以及归一化单元。
其中,所述目标相似性确定单元可以配置为获取所述第一目标边特征相对于各个第二边特征的目标相似性;所述求和单元可以配置为对所述目标相似性进行求和处理,以获得所述第一目标边特征相对于所述第二边特征的相似性;所述归一化单元可以配置为据所述第一目标边特征相对于所述第二边特征的相似性,对各个目标相似性进行归一化处理,以获得所述第一目标边特征相对于各个第二边特征的第一相似性权重。
在一些实施例中,所述目标相似性确定单元可以包括:矩阵转换子单元。
其中,所述句子转换子单元可以配置为通过目标矩阵对所述第二边特征进行矩阵转换,使得所述第二边特征和所述第一边特征的维度相同。
在一些实施例中,所述第一差异性特征确定子模块可以包括:差异性处理单元和加权求和单元。
其中,所述差异性处理单元可以配置为将第一目标边特征与各个第二边特征进行求差处理,获得目标差异性特征;所述加权求和单元可以配置为根据各个相似性权重分别对各个目标差异性特征进行加权、求和处理,以获得所述对齐第一目标边特征。
在一些实施例中,所述图特征获取模块1105可以包括:拼接受体特征获取单元和第一读取单元。
其中,所述拼接受体特征获取单元可以配置为对所述第一节点特征、所述第一边特征以及所述对齐后第一边特征进行拼接,获得拼接受体特征;所述第一读取单元可以配置为通过第一读取函数对所述拼接受体特征进行处理,以获得所述目标受体特征。
在一些实施例中,所述图特征获取模块1105可以包括:拼接配体特征确定单元以及第二读取单元。
其中,所述拼接配体特征确定单元可以配置为对所述第二节点特征、所述第二边特征以及所述对齐后第二边特征进行拼接,获得拼接配体特征;所述第二读取单元可以配置为通过第二读取函数对所述拼接配体特征进行处理,以获得所述目标配体特征。
在一些实施例中,所述目标配体图包括第二目标节点,所述第二目标节点与第二边特征中的第二目标边特征对应。
在一些实施例中,所述对齐模块1104可以包括:第二相似性权重确定子模块、第二差异性特征确定子模块以及对齐后第二边特征确定子模块。
其中,所述第二相似性权重确定子模块可以配置为确定所述第二目标边特征相对于各个第一边特征的第二相似性权重;所述对齐第二目标边特征确定子模块可以配置为根据所述第二相似性权重确定所述第二目标边特征向所述第一边特征对齐后的对齐第二目标边特征;所述对齐后第二边特征确定子模块可以配置为根据所述对齐第二目标边特征生成所述对齐后第二边特征。
在一些实施例中,所述目标活性值预测模块1106可以包括:拼接后目标受体特征获取子模块、拼接后目标配体特征获取子模块以及目标活性值获取子模块。
其中,所述拼接后目标受体特征获取子模块可以配置为将所述目标受体特征和所述第一边特征进行拼接,以获得拼接后目标受体特征;拼接后目标配体特征获取子模块可以配置为对所述目标配体特征和所述第二边特征进行拼接,以获得拼接后目标配体特征;所述目标活性值获取子模块可以配置为对所述拼接后目标受体特征和所述拼接后目标配体特征进行处理,预测所述目标受体在所述目标配体的影响下的目标活性值。
在一些实施例中,所述目标受体为目标蛋白质,所述目标蛋白质包括目标氨基酸。
在一些实施例中,所述图数据获取模块1101可以包括:目标距离确定子模块和连接子模块。
其中,所述目标距离确定子模块可以配置为确定所述目标氨基酸两两之间的目标距离;所述连接子模块可以配置为将目标距离小于目标阈值的目标氨基酸连接,以生成所述目标蛋白质的目标蛋白质图。
在一些实施例中,所述图像处理装置1100还可以包括:判断模块、其中,所述判断模块可以配置为若所述目标配体相对于所述目标受体的目标活性值在目标范围内,则对所述目标配体进行实体实验,以确定所述目标配体是否为所述目标受体的有效药物。
由于本公开的示例实施例的图像处理装置1100的各个功能模块与上述图像处理方法的示例实施例的步骤对应,因此在此不再赘述。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者智能设备等)执行根据本公开实施例的方法,例如图3的一个或多个所示的步骤。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其他实施例。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不限于这里已经示出的详细结构、附图方式或实现方法,相反,本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (14)
1.一种图像处理方法,其特征在于,包括:
获取目标受体的目标受体图和目标配体的目标配体图,所述目标受体包括目标对接口袋;
对所述目标受体图进行处理,以获取所述目标受体图中各个节点的第一节点特征和第一边特征;
对所述目标配体图进行处理,以获取所述目标配体图中各个节点的第二节点特征和第二边特征;
对所述第一边特征和所述第二边特征进行对齐处理,使得所述目标配体与所述目标对接口袋对齐,获取对齐后第一边特征和对齐后第二边特征;
根据所述对齐后第一边特征和所述对齐后第二边特征确定所述目标受体图的目标受体特征和所述目标配体图的目标配体特征;
根据所述目标受体特征和所述目标配体特征,预测所述目标配体相对于所述目标受体的目标活性值。
2.根据权利要求1所述方法,其特征在于,所述目标受体图包括第一目标节点,所述第一目标节点与第一边特征中的第一目标边特征对应;其中,对所述第一边特征和所述第二边特征进行对齐处理,获取对齐后第一边特征,包括:
确定所述第一目标边特征相对于各个第二边特征的第一相似性权重;
根据所述第一相似性权重确定所述第一目标边特征向所述第二边特征对齐后的对齐第一目标边特征;
根据所述对齐第一目标边特征生成所述对齐后第一边特征。
3.根据权利要求2所述方法,其特征在于,确定所述第一目标边特征相对于各个第二边特征的第一相似性权重,包括:
获取所述第一目标边特征相对于各个第二边特征的目标相似性;
对所述目标相似性进行求和处理;
根据求和结果对各个目标相似性进行归一化处理,以获得所述第一目标边特征相对于各个第二边特征的第一相似性权重。
4.根据区权利要求3所述方法,其特征在于,获取所述第一目标边特征相对于各个第二边特征的目标相似性,包括:
通过目标矩阵对所述第二边特征进行矩阵转换,使得所述第二边特征和所述第一边特征的维度相同。
5.根据权利要求2所述方法,其特征在于,根据所述第一相似性权重确定所述第一目标边特征向所述第二边特征对齐后的对齐第一目标边特征,包括:
将第一目标边特征与各个第二边特征进行求差处理,获得目标差异性特征;
根据各个相似性权重分别对各个目标差异性特征进行加权、求和处理,以获得所述对齐第一目标边特征。
6.根据权利要求1所述方法,其特征在于,根据对所述对齐后第一边特征确定所述目标受体图的目标受体特征,包括:
对所述第一节点特征、所述第一边特征以及所述对齐后第一边特征进行拼接,获得拼接受体特征;
通过第一读取函数对所述拼接受体特征进行处理,以获得所述目标受体特征。
7.根据权利要求1所述方法,其特征在于,根据对所述对齐后第二边特征确定所述目标配体图的目标配体特征,包括:
对所述第二节点特征、所述第二边特征以及所述对齐后第二边特征进行拼接,获得拼接配体特征;
通过第二读取函数对所述拼接配体特征进行处理,以获得所述目标配体特征。
8.根据权利要求1所述方法,其特征在于,所述目标配体图包括第二目标节点,所述第二目标节点与第二边特征中的第二目标边特征对应;其中,对所述第一边特征和所述第二边特征进行对齐处理,获取对齐后第二边特征,包括:
确定所述第二目标边特征相对于各个第一边特征的第二相似性权重;
根据所述第二相似性权重确定所述第二目标边特征向所述第一边特征对齐后的对齐第二目标边特征;
根据所述对齐第二目标边特征生成所述对齐后第二边特征。
9.根据权利要求1所述方法,其特征在于,根据所述目标受体特征和所述目标配体特征,预测所述目标配体相对于所述目标受体的目标活性值,包括:
将所述目标受体特征和所述第一边特征进行拼接,以获得拼接后目标受体特征;
对所述目标配体特征和所述第二边特征进行拼接,以获得拼接后目标配体特征;
对所述拼接后目标受体特征和所述拼接后目标配体特征进行处理,预测所述目标受体在所述目标配体的影响下的目标活性值。
10.根据权利要求1所述方法,其特征在于,所述目标受体为目标蛋白质,所述目标蛋白质包括目标氨基酸;其中,获取目标受体的目标受体图,包括:
确定所述目标氨基酸两两之间的目标距离;
将目标距离小于目标阈值的目标氨基酸连接,以生成所述目标蛋白质的目标蛋白质图。
11.根据权利要求1所述方法,其特征在于,还包括:
若所述目标配体相对于所述目标受体的目标活性值在目标范围内,则对所述目标配体进行实体实验,以确定所述目标配体是否为所述目标受体的有效药物。
12.一种图像处理装置,其特征在于,包括:
图数据获取模块,配置为获取目标受体的目标受体图和目标配体的目标配体图,所述目标受体包括目标对接口袋;
第一边特征获取模块,配置为对所述目标受体图进行处理,以获取所述目标受体图中各个节点的第一节点特征和第一边特征;
第二边特征获取模块,配置为对所述目标配体图进行处理,以获取所述目标配体图中各个节点的第二节点特征和第二边特征;
对齐模块,配置为对所述第一边特征和所述第二边特征进行对齐处理,使得所述目标配体与所述目标对接口袋对齐,获取对齐后第一边特征和对齐后第二边特征;
图特征获取模块,配置为根据所述对齐后第一边特征和所述对齐后第二边特征确定所述目标受体图的目标受体特征和所述目标配体图的目标配体特征;
目标活性值预测模块,配置为根据所述目标受体特征和所述目标配体特征,预测所述目标配体相对于所述目标受体的目标活性值。
13.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-11中任一项所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010885507.5A CN114120006B (zh) | 2020-08-28 | 2020-08-28 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010885507.5A CN114120006B (zh) | 2020-08-28 | 2020-08-28 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114120006A true CN114120006A (zh) | 2022-03-01 |
CN114120006B CN114120006B (zh) | 2024-02-06 |
Family
ID=80375108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010885507.5A Active CN114120006B (zh) | 2020-08-28 | 2020-08-28 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114120006B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023185658A1 (zh) * | 2022-03-28 | 2023-10-05 | 北京玻色量子科技有限公司 | 一种基于相干伊辛机的分子对接方法和装置 |
CN117690499A (zh) * | 2023-12-08 | 2024-03-12 | 苏州腾迈医药科技有限公司 | 分子试验预测处理方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140258207A1 (en) * | 2013-03-07 | 2014-09-11 | The Trustees Of Columbia University In The City Of New York | Systems and Methods for Predicting Protein-Ligand Interactions |
US20150051090A1 (en) * | 2013-08-19 | 2015-02-19 | D.E. Shaw Research, Llc | Methods for in silico screening |
US20170228523A1 (en) * | 2016-02-04 | 2017-08-10 | Industry-Academic Cooperation Foundation, Yonsei University | Method and apparatus for analyzing relation between drug and protein |
EP3337905A1 (en) * | 2015-08-19 | 2018-06-27 | DiscoveRx Corporation | Methods for measuring binding and cellular engagement of ligands with target proteins |
CN109346125A (zh) * | 2018-09-04 | 2019-02-15 | 浙江工业大学 | 一种快速精确的蛋白质绑定口袋结构对齐方法 |
CN110400605A (zh) * | 2019-07-25 | 2019-11-01 | 南京邮电大学 | 一种gpcr药物靶标的配体生物活性预测方法及其应用 |
EP3633681A1 (en) * | 2018-10-05 | 2020-04-08 | NEC OncoImmunity AS | Method and system for binding affinity prediction and method of generating a candidate protein-binding peptide |
CN111048145A (zh) * | 2019-12-20 | 2020-04-21 | 东软集团股份有限公司 | 蛋白质预测模型的生成方法、装置、设备和存储介质 |
CN111243668A (zh) * | 2020-04-09 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 分子结合位点检测方法、装置、电子设备及存储介质 |
CN111401534A (zh) * | 2020-04-29 | 2020-07-10 | 北京晶派科技有限公司 | 一种蛋白质性能预测方法、装置和计算设备 |
US20220383992A1 (en) * | 2018-07-17 | 2022-12-01 | Kuano Ltd. | Machine learning based methods of analysing drug-like molecules |
-
2020
- 2020-08-28 CN CN202010885507.5A patent/CN114120006B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140258207A1 (en) * | 2013-03-07 | 2014-09-11 | The Trustees Of Columbia University In The City Of New York | Systems and Methods for Predicting Protein-Ligand Interactions |
US20150051090A1 (en) * | 2013-08-19 | 2015-02-19 | D.E. Shaw Research, Llc | Methods for in silico screening |
EP3337905A1 (en) * | 2015-08-19 | 2018-06-27 | DiscoveRx Corporation | Methods for measuring binding and cellular engagement of ligands with target proteins |
US20170228523A1 (en) * | 2016-02-04 | 2017-08-10 | Industry-Academic Cooperation Foundation, Yonsei University | Method and apparatus for analyzing relation between drug and protein |
US20220383992A1 (en) * | 2018-07-17 | 2022-12-01 | Kuano Ltd. | Machine learning based methods of analysing drug-like molecules |
CN109346125A (zh) * | 2018-09-04 | 2019-02-15 | 浙江工业大学 | 一种快速精确的蛋白质绑定口袋结构对齐方法 |
EP3633681A1 (en) * | 2018-10-05 | 2020-04-08 | NEC OncoImmunity AS | Method and system for binding affinity prediction and method of generating a candidate protein-binding peptide |
CN113168887A (zh) * | 2018-10-05 | 2021-07-23 | Nec奥克尔姆内特公司 | 用于结合亲和力预测的方法和系统以及生成候选蛋白-结合肽的方法 |
CN110400605A (zh) * | 2019-07-25 | 2019-11-01 | 南京邮电大学 | 一种gpcr药物靶标的配体生物活性预测方法及其应用 |
CN111048145A (zh) * | 2019-12-20 | 2020-04-21 | 东软集团股份有限公司 | 蛋白质预测模型的生成方法、装置、设备和存储介质 |
CN111243668A (zh) * | 2020-04-09 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 分子结合位点检测方法、装置、电子设备及存储介质 |
CN111401534A (zh) * | 2020-04-29 | 2020-07-10 | 北京晶派科技有限公司 | 一种蛋白质性能预测方法、装置和计算设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023185658A1 (zh) * | 2022-03-28 | 2023-10-05 | 北京玻色量子科技有限公司 | 一种基于相干伊辛机的分子对接方法和装置 |
CN117690499A (zh) * | 2023-12-08 | 2024-03-12 | 苏州腾迈医药科技有限公司 | 分子试验预测处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114120006B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898696B (zh) | 伪标签及标签预测模型的生成方法、装置、介质及设备 | |
JP7002638B2 (ja) | ランダム・ドキュメント埋め込みを用いたテキスト・データ表現学習 | |
US11455473B2 (en) | Vector representation based on context | |
CN111816252A (zh) | 一种药物筛选方法、装置及电子设备 | |
CN110659723B (zh) | 基于人工智能的数据处理方法、装置、介质及电子设备 | |
CN113139628B (zh) | 样本图像的识别方法、装置、设备及可读存储介质 | |
Kadupitiya et al. | Machine learning for parameter auto-tuning in molecular dynamics simulations: Efficient dynamics of ions near polarizable nanoparticles | |
CN114120006B (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
CN113254785A (zh) | 推荐模型训练方法、推荐方法和相关设备 | |
CN108491812B (zh) | 人脸识别模型的生成方法和装置 | |
CN113409090B (zh) | 广告点击率预测模型的训练方法、预测方法及装置 | |
Niranjani et al. | Overview on deep neural networks: Architecture, application and rising analysis trends | |
CN111198967A (zh) | 基于关系图谱的用户分组方法、装置及电子设备 | |
Buaria et al. | Forecasting small-scale dynamics of fluid turbulence using deep neural networks | |
CN113962737A (zh) | 目标识别模型训练方法和装置、目标识别方法和装置 | |
CN111325578B (zh) | 预测模型的样本确定方法及装置、介质和设备 | |
US11341394B2 (en) | Diagnosis of neural network | |
KR20210097204A (ko) | 정보를 출력하는 방법 및 장치 | |
CN115527626A (zh) | 分子处理方法、装置、电子设备、存储介质及程序产品 | |
CN111291196B (zh) | 知识图谱的完善方法及装置、数据处理方法及装置 | |
Zheng et al. | Geometric renormalization of weighted networks | |
Van Thieu et al. | MetaCluster: An open-source Python library for metaheuristic-based clustering problems | |
CN112101015A (zh) | 一种识别多标签对象的方法及装置 | |
Durumeric et al. | Using classifiers to understand coarse-grained models and their fidelity with the underlying all-atom systems | |
Niu et al. | Solutions for planar Kirchhoff-Schrödinger-Poisson systems with general nonlinearities |
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 |