CN114121180A - 药物筛选方法、装置、电子设备及存储介质 - Google Patents
药物筛选方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114121180A CN114121180A CN202111228316.2A CN202111228316A CN114121180A CN 114121180 A CN114121180 A CN 114121180A CN 202111228316 A CN202111228316 A CN 202111228316A CN 114121180 A CN114121180 A CN 114121180A
- Authority
- CN
- China
- Prior art keywords
- target
- information
- drug
- affinity
- training
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/50—Molecular design, e.g. of drugs
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Physics & Mathematics (AREA)
- Pharmacology & Pharmacy (AREA)
- Medicinal Chemistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开提供了一种药物筛选方法、装置、电子设备及存储介质,涉及机器学习与智能搜索等人工智能技术领域。具体实现方案为:采用预先训练的亲和度预测模型,从药物化合物库中筛选目标靶点对应的多个候选药物的信息;其中,所述亲和度预测模型基于所述目标靶点和其他靶点进行多任务训练得到;基于所述多个候选药物的信息,获取筛选的数个目标药物的信息。本公开的技术,能够有效地提高药物筛选效率。
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搜索等人工智能技术领域,尤其涉及一种药物筛选方法、装置、电子设备及存储介质。
背景技术
虚拟筛选是药物发现过程中的一个前期重要步骤。虚拟筛选的一个重要目的是从药物化合物库中得到与目标靶点的亲和力高的候选化合物。
分子对接(docking)是通过模拟化合物分子与靶点蛋白分子的分子间的相互作用,对其结合模式及亲和度进行预测的一种计算方法。近年来,随着越来越多蛋白结构被解析出来,分子对接方法已成为虚拟筛选的一个重要方法。
发明内容
本公开提供了一种药物筛选方法、装置、电子设备及存储介质。
根据本公开的一方面,提供了一种药物筛选方法,包括:
采用预先训练的亲和度预测模型,从药物化合物库中筛选目标靶点对应的多个候选药物的信息;其中,所述亲和度预测模型基于所述目标靶点和其他靶点进行多任务训练得到;
基于所述多个候选药物的信息,获取筛选的数个目标药物的信息。
根据本公开的另一方面,提供了一种药物筛选装置,包括:
筛选模块,用于采用预先训练的亲和度预测模型,从药物化合物库中筛选目标靶点对应的多个候选药物的信息;其中,所述亲和度预测模型基于所述目标靶点和其他靶点进行多任务训练得到;
药物获取模块,用于基于所述多个候选药物的信息,获取筛选的数个目标药物的信息。
根据本公开的再一方面,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面和任一可能的实现方式的方法。
根据本公开的又一方面,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,所述计算机指令用于使所述计算机执行如上所述的方面和任一可能的实现方式的方法。
根据本公开的再另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方面和任一可能的实现方式的方法。
根据本公开的技术,能够有效地提高药物筛选效率。
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是用来实现本公开实施例的药物筛选方法的电子设备的框图。
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。
显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本公开保护的范围。
需要说明的是,本公开实施例中所涉及的终端设备可以包括但不限于手机、个人数字助理(Personal Digital Assistant,PDA)、无线手持设备、平板电脑(TabletComputer)等智能设备;显示设备可以包括但不限于个人电脑、电视等具有显示功能的设备。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
随着化学合成方法的进步,越来越多的化合物能够被制造出来,可用于进行虚拟筛选的药物化合物库的大小呈几何倍数增长,使得直接使用分子对接技术进行全药物化合物库的虚拟筛选变得越来越耗时,增加了药物研发流程的成本和周期。
另外,考虑到近年来人工智能,尤其是机器学习技术的发展,使得利用机器学习技术进行虚拟筛选变得可能。
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筛选方法,可以应用于药物筛选装置或者药物筛选应用中,具体可以包括如下步骤:
S101、采用预先训练的亲和度预测模型,从药物化合物库中筛选目标靶点对应的多个候选药物信息;其中,该亲和度预测模型基于目标靶点和其他靶点进行多任务训练得到;
S102、基于多个候选药物信息,获取筛选的数个目标药物信息。
本实施例的药物化合物库中可以包括化学合成方法合成的许多的药物的化合物的分子信息等,因此也可以称为分子化合物库。在药物发现过程中,可以先基于目标靶点在药物化合物库中进行药物筛选,然后再基于筛选到的目标药物进入药物研发的下一个流程。
本实施例中,为了提高药物筛选的准确性,采用了预先基于目标靶点和其他靶点进行多任务训练得到的亲和度预测模型来实现药物筛选。由于该亲和度预测模型经过多任务训练,不仅学习到当前的目标靶点与药物的亲和度的计算,同时还能够从其他靶点以及对接药物的数据中学习到通用知识,来提高对目标靶点当前任务的预测结果。因此,本实施例中,采用该亲和度预测模型,可以准确地从药物化合物库中筛选目标靶点对应的多个候选药物信息。进而可以基于多个候选药物信息,准确地获取筛选的数个目标药物信息。
本实施例的药物筛选方法,通过采用上述技术方案,能够提供一种基于机器学习所实现的药物筛选方案,相对于传统的计算方式的分子对接技术,能够有效地缩短提高药物筛选的耗时,有效地降低药物筛选成本,有效地提高药物筛选效率。
图2是根据本公开第二实施例的示意图;如图2所示,本实施例的药物筛选方法,在上述图1所示实施例的技术方案的基础上,进一步更加详细地描述本申请的技术方案。如图2所示,本实施例的药物筛选方法,具体可以包括如下步骤:
S201、基于目标靶点和药物化合物库,获取第一类训练数据;
例如,可以包括如下步骤:
(a)从药物化合物库中获取数个药物的信息;
该获取可以为随机地从药物化合物库中随机获取任意的数个药物的信息。
(b)获取各药物与目标靶点的亲和度;
例如,可以采用分子对接技术获取各药物与目标靶点的亲和度。如可以采用Autodock,Autodock vina,Glide等分子拼接软件实现获取各药物与目标靶点的亲和度。
由于获取的数个药物的信息相比于药物化合物库中的药物化合物的数量,非常之少,所以采用分子对接技术计算各药物与目标靶点的亲和度的计算的工作量也不会非常大,但是可以足以保证获取的各药物与目标靶点的亲和度的准确性。
(c)基于目标靶点、获取的数个药物的信息、以及各药物与目标靶点的亲和度,生成第一训练数据集。
具体地,第一训练数据集中可以包括数条训练数据,每条训练数据可以包括目标靶点、一个药物的信息以及该药物与目标靶点的亲和度。采用上述方式生成的第一训练数据集中包括目标靶点的相关数据,能够使得亲和度预测模型可以学习目标靶点的相关知识。
S202、获取其他靶点对应的第二训练数据集;
具体地,首先需要获取其他靶点、其他靶点的对接药物的信息、以及其他靶点与对接药物的亲和度;然后基于其他靶点、其他靶点的对接药物的信息、以及其他靶点与对接药物的亲和度,生成第二训练数据集。
实际应用中,可以通过收集已有的其他相关靶点的分子对接数据,例如这些数据可以是来自于之前的药物研发项目,也可以是公开数据,或其他合法来源。基于此,可以获取到较多的其他靶点、已经公开的该其他靶点对应的对接药物的信息以及两者的亲和度,构成第二训练数据集。该第二训练数据集中每一条训练数据中可以包括一个其他靶点、一个该其他靶点的对接药物的信息以及两者的亲和度。采用该方式获取的第二训练数据集,可以保证获取的其他靶点的相关数据的准确性,进而可以使得亲和度预测模型可以准确地学习到其他靶点的相关知识。
S203、基于第一训练数据集和第二训练数据集,对亲和度预测模型进行多任务训练;
具体地,可以同时采用第一训练数据集和第二训练数据集中的训练数据对亲和度预测模型进行训练,使得该亲和度预测模型不仅可以学习到第一训练数据集中当前的目标靶点的相关知识,还可以从第二训练数据集中的其他靶点的相关数据中学习到通用知识,从而实现对亲和度预测模型进行多任务的训练,进而可以有效地提高亲和度预测模型对目标靶点的任务预测的准确性。
在本公开的一个实施例中,该步骤S203还可以包括如下训练方式:
(1)采用第二训练数据集,对亲和度预测模型进行第一阶段的训练;
(2)采用第一训练数据集,对亲和度预测模型进行第二阶段的训练。
在该方式中,将亲和度预测模型进行分阶段地训练,第一阶段,先采用第二训练数据集,对亲和度预测模型进行训练,使得该亲和度预测模型先学习其他靶点的通用知识。然后再采用第一训练数据集中当前的目标靶点的数据,对亲和度预测模型进行精准训练,使得该亲和度预测模型可以快速、精准学习到目标靶点的知识,能够对目标靶点的任务进行准确预测。
S204、采用训练的亲和度预测模型,从药物化合物库中筛选目标靶点对应的多个候选药物的信息;
该筛选过程是对药物化合物库中的全部药物化合物信息进行筛选,。将每一个药物化合物的信息和目标靶点输入至该亲和度预测模型中,该亲和度预测模型可以预测出每一个药物化合物与目标靶点的亲和度。
S205、采用分子对接技术,从多个候选药物的信息中,筛选目标靶点最匹配的数个目标药物的信息。
相对于步骤S204,该步骤可以为二次筛选,为了提高筛选准确性,该筛选方式可以不同于步骤S204的筛选,例如该步骤中,具体可以采用分子对接技术实现计算各候选药物与目标靶点的亲和度,亲和度越高,候选药物与目标靶点越匹配。基于此,可以从多个候选药物的信息中,筛选出亲和度分数最高的数个目标药物的信息,作为与目标靶点最匹配的数个目标药物的信息。
可选地,也可以不需要该步骤S205,而是直接基于步骤S204得到的亲和度预测模型预测的各候选药物信息与目标靶点的亲和度,从多个候选药物信息中筛选亲和度最大的数个目标药物的信息。或者还可以参考药物分子的其他特性如分子的大小、分子的生成日期的新旧等等,从多个候选药物信息中筛选数个目标药物的信息。
实际应用中,目标药物的数量会远少于候选药物的数量。根据该目标药物的信息,可以进入药物研发的下一个流程。
在本公开的一个实施例中,步骤S205也可以省略。第一训练数据集中获取的药物和多个候选药物的数量都远远少于整个药物化合物库中的药物数量,因此相比于对药物化合物库中的所有药物做分子对接,该流程仍然可以有效加速基于分子对接的虚拟筛选。
本实施例的亲和度预测模型可以为卷积神经网络、图神经网络、transformer或者多层感知机等网络模型。
本实施例的药物筛选方法,通过采用以上技术方案,可以实现对亲和度预测模型进行目标靶点和其他靶点数据的多任务训练,使得亲和度预测模型更加准确。进而可以基于训练得到的亲和度预测模型对药物化合物库中的药物进行虚拟筛选,相对于传统的计算方式的分子对接技术,能够有效地缩短提高药物筛选的耗时,有效地降低药物筛选成本,有效地提高药物筛选效率。
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筛选装置300,包括:
筛选模块301,用于采用预先训练的亲和度预测模型,从药物化合物库中筛选目标靶点对应的多个候选药物的信息;其中,亲和度预测模型基于目标靶点和其他靶点进行多任务训练得到;
药物获取模块302,用于基于多个候选药物的信息,获取筛选的数个目标药物的信息。
本实施例的药物筛选装置300,通过采用上述模块实现药物筛选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方法实施例的记载,在此不再赘述。
图4是根据本公开第四实施例的示意图;如图4所示,本实施例也提供一种药物筛选装置400,包括与图3所示实施例相同功能的同名模块,筛选模块401和药物获取模块402。
如图4所示,本实施例的药物筛选装置400中,还包括:
生成模块403,用于基于目标靶点和药物化合物库,生成第一训练数据集;
数据获取模块404,用于获取其他靶点对应的第二训练数据集;
训练模块405,用于基于第一训练数据集和第二训练数据集,对亲和度预测模型进行多任务训练。
在本公开的一个实施例中,生成模块403,用于:
从药物化合物库中获取数个药物的信息;
获取各药物与目标靶点的亲和度;
基于目标靶点、数个药物的信息、以及各药物与目标靶点的亲和度,生成第一训练数据集。
在本公开的一个实施例中,生成模块403,用于:
采用分子对接技术获取各药物与目标靶点的亲和度。
在本公开的一个实施例中,数据获取模块404,用于:
获取其他靶点、其他靶点的对接药物的信息、以及其他靶点与对接药物的亲和度;
基于其他靶点、其他靶点的对接药物的信息、以及其他靶点与对接药物的亲和度,生成第二训练数据集。
在本公开的一个实施例中,训练模块405,用于:
采用第二训练数据集,对亲和度预测模型进行第一阶段的训练;
采用第一训练数据集,对亲和度预测模型进行第二阶段的训练。
在本公开的一个实施例中,药物获取模块402,用于:
采用分子对接技术,从多个候选药物的信息中,筛选与目标靶点最匹配的数个目标药物的信息。
本实施例的药物筛选装置400,通过采用上述模块实现药物筛选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方法实施例的记载,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
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5示出了可以用来实施本公开的实施例的示例电子设备500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、个人数字助理、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,个人数字处理、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5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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501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501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501执行上文所描述的各个方法和处理,例如本公开的上述药物筛选方法。例如,在一些实施例中,本公开的上述药物筛选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508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的本公开的上述药物筛选方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本公开的上述药物筛选方法。
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)、复杂可编程逻辑设备(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)和互联网。
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,也可以为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 (17)
1.一种药物筛选方法,包括:
采用预先训练的亲和度预测模型,从药物化合物库中筛选目标靶点对应的多个候选药物的信息;其中,所述亲和度预测模型基于所述目标靶点和其他靶点进行多任务训练得到;
基于所述多个候选药物的信息,获取筛选的数个目标药物的信息。
2.根据权利要求1所述的方法,其中,采用预先训练的亲和度预测模型,从药物化合物库中筛选目标靶点对应的多个候选药物的信息之前,所述方法还包括:
基于所述目标靶点和所述药物化合物库,生成第一训练数据集;
获取所述其他靶点对应的第二训练数据集;
基于所述第一训练数据集和所述第二训练数据集,对所述亲和度预测模型进行多任务训练。
3.根据权利要求2所述的方法,其中,基于所述目标靶点和所述药物化合物库,生成第一训练数据集,包括:
从所述药物化合物库中获取数个药物的信息;
获取各所述药物与所述目标靶点的亲和度;
基于所述目标靶点、所述数个药物的信息、以及各所述药物与所述目标靶点的亲和度,生成所述第一训练数据集。
4.根据权利要求3所述的方法,其中,获取各所述药物与所述目标靶点的亲和度,包括:
采用分子对接技术获取各所述药物与所述目标靶点的亲和度。
5.根据权利要求2所述的方法,其中,获取所述其他靶点对应的第二训练数据集,包括:
获取所述其他靶点、所述其他靶点的对接药物的信息、以及所述其他靶点与所述对接药物的亲和度;
基于所述其他靶点、所述其他靶点的对接药物的信息、以及所述其他靶点与所述对接药物的亲和度,生成所述第二训练数据集。
6.根据权利要求2所述的方法,其中,基于所述第一训练数据集和所述第二训练数据集,对所述亲和度预测模型进行多任务训练,包括:
采用所述第二训练数据集,对所述亲和度预测模型进行第一阶段的训练;
采用所述第一训练数据集,对所述亲和度预测模型进行第二阶段的训练。
7.根据权利要求1-6任一所述的方法,其中,基于所述多个候选药物信息,获取筛选的数个目标药物信息,包括:
采用分子对接技术,从所述多个候选药物的信息中,筛选与所述目标靶点最匹配的所述数个目标药物的信息。
8.一种药物筛选装置,包括:
筛选模块,用于采用预先训练的亲和度预测模型,从药物化合物库中筛选目标靶点对应的多个候选药物的信息;其中,所述亲和度预测模型基于所述目标靶点和其他靶点进行多任务训练得到;
药物获取模块,用于基于所述多个候选药物的信息,获取筛选的数个目标药物的信息。
9.根据权利要求8所述的装置,其中,所述装置还包括:
生成模块,用于基于所述目标靶点和所述药物化合物库,生成第一训练数据集;
数据获取模块,用于获取所述其他靶点对应的第二训练数据集;
训练模块,用于基于所述第一训练数据集和所述第二训练数据集,对所述亲和度预测模型进行多任务训练。
10.根据权利要求9所述的装置,其中,所述生成模块,用于:
从所述药物化合物库中获取数个药物的信息;
获取各所述药物与所述目标靶点的亲和度;
基于所述目标靶点、所述数个药物的信息、以及各所述药物与所述目标靶点的亲和度,生成所述第一训练数据集。
11.根据权利要求10所述的装置,其中,所述生成模块,用于:
采用分子对接技术获取各所述药物与所述目标靶点的亲和度。
12.根据权利要求9所述的装置,其中,所述数据获取模块,用于:
获取所述其他靶点、所述其他靶点的对接药物的信息、以及所述其他靶点与所述对接药物的亲和度;
基于所述其他靶点、所述其他靶点的对接药物的信息、以及所述其他靶点与所述对接药物的亲和度,生成所述第二训练数据集。
13.根据权利要求9所述的装置,其中,所述训练模块,用于:
采用所述第二训练数据集,对所述亲和度预测模型进行第一阶段的训练;
采用所述第一训练数据集,对所述亲和度预测模型进行第二阶段的训练。
14.根据权利要求8-13任一所述的装置,其中,所述药物获取模块,用于:
采用分子对接技术,从所述多个候选药物的信息中,筛选与所述目标靶点最匹配的所述数个目标药物的信息。
15.一种电子设备,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1-7中任一项所述的方法。
16.一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1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111228316.2A CN114121180A (zh) | 2021-10-21 | 2021-10-21 | 药物筛选方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111228316.2A CN114121180A (zh) | 2021-10-21 | 2021-10-21 | 药物筛选方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114121180A true CN114121180A (zh) | 2022-03-01 |
Family
ID=80376302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111228316.2A Pending CN114121180A (zh) | 2021-10-21 | 2021-10-21 | 药物筛选方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114121180A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023221185A1 (zh) * | 2022-05-17 | 2023-11-23 | 慧壹科技(上海)有限公司 | 一种抗体/大分子药物的亲和力改造系统和方法 |
-
2021
- 2021-10-21 CN CN202111228316.2A patent/CN114121180A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023221185A1 (zh) * | 2022-05-17 | 2023-11-23 | 慧壹科技(上海)有限公司 | 一种抗体/大分子药物的亲和力改造系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7166322B2 (ja) | モデルを訓練するための方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
CN113342345A (zh) | 深度学习框架的算子融合方法、装置 | |
CN110706147B (zh) | 图像处理的环境确定方法、装置、电子设备和存储介质 | |
CN112288483A (zh) | 用于训练模型的方法和装置、用于生成信息的方法和装置 | |
CN111563198A (zh) | 一种物料召回方法、装置、设备及存储介质 | |
CN114972877A (zh) | 一种图像分类模型训练方法、装置及电子设备 | |
CN113409898B (zh) | 分子结构获取方法、装置、电子设备及存储介质 | |
CN114121180A (zh) | 药物筛选方法、装置、电子设备及存储介质 | |
CN111461306B (zh) | 特征评估的方法及装置 | |
CN113468857A (zh) | 风格转换模型的训练方法、装置、电子设备以及存储介质 | |
CN112306452A (zh) | 归并排序算法处理业务数据的方法、装置及系统 | |
CN111625710A (zh) | 推荐内容的处理方法、装置、电子设备及可读存储介质 | |
CN114817845B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
US20220122697A1 (en) | Method for training compound property prediction model and method for predicting compound property | |
CN113361519B (zh) | 目标处理方法、目标处理模型的训练方法及其装置 | |
CN116168848A (zh) | 一种基于Faiss算法的药品信息匹配方法及装置 | |
CN113408304A (zh) | 文本翻译方法、装置、电子设备及存储介质 | |
CN112765975B (zh) | 分词岐义处理方法、装置、设备以及介质 | |
CN115168727B (zh) | 用户习惯的挖掘方法、装置及电子设备 | |
CN114792573B (zh) | 药物联用的效果预测方法、模型训练方法、装置及设备 | |
CN114816758B (zh) | 资源分配方法和装置 | |
Luboschik et al. | Special section on uncertainty and parameter space analysis in visualization: Supporting the integrated visual analysis of input parameters and simulation trajectories | |
CN112819498B (zh) | 转化率确定方法、装置、电子设备和存储介质 | |
CN113553407B (zh) | 事件追溯方法、装置、电子设备及存储介质 | |
CN114329219A (zh) | 数据处理方法、用于输出知识内容的方法及装置 |
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 |