CN114220480B - 一种药物成分分析方法及系统 - Google Patents

一种药物成分分析方法及系统 Download PDF

Info

Publication number
CN114220480B
CN114220480B CN202210146868.7A CN202210146868A CN114220480B CN 114220480 B CN114220480 B CN 114220480B CN 202210146868 A CN202210146868 A CN 202210146868A CN 114220480 B CN114220480 B CN 114220480B
Authority
CN
China
Prior art keywords
contour
point
drug
points
pixel
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.)
Active
Application number
CN202210146868.7A
Other languages
English (en)
Other versions
CN114220480A (zh
Inventor
张杨
陈桂英
庄炜平
姜宏梁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Hongren Biomedical Co ltd
Original Assignee
Wuhan Hongren Biomedical Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Hongren Biomedical Co ltd filed Critical Wuhan Hongren Biomedical Co ltd
Priority to CN202210146868.7A priority Critical patent/CN114220480B/zh
Publication of CN114220480A publication Critical patent/CN114220480A/zh
Application granted granted Critical
Publication of CN114220480B publication Critical patent/CN114220480B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G01N30/8696—Details of Software
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/15—Medicinal preparations ; Physical properties thereof, e.g. dissolubility
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • 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
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • 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
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Abstract

本发明提供了一种药物成分分析方法及系统，其中，方法包括：获取靶向蛋白、待检测的靶向药物以及具有所述靶向蛋白的器官轮廓图，对器官轮廓图进行处理得到对靶向药物的空间结构的预测图，再基于靶向药物的官能团实现对靶向药物的分子结构的预测。本发明的有益效果：通过获取靶向蛋白以及靶向药物以及对应的器官轮廓图，实现了将获取到器官轮廓图中靶蛋白的空间结构，再基于靶蛋白的空间结构和靶向药物的色谱图对靶向药物的分子结构进行预测，实现了对药物成分的空间结构进行预测分析，使得到的药物分子结构更精确。

Description

一种药物成分分析方法及系统
技术领域
本发明涉及数字医疗领域，特别涉及一种药物成分分析方法及系统。
背景技术
药物发现是确定具有潜在治疗作用的新候选化合物的过程，而药物分子和靶向蛋白质的相互作用（drug-target interactions, DTI）的预测，是药物发现过程中必不可少的一步。然药物分子的疗效取决于它们对靶蛋白或受体的亲和力。对靶蛋白没有任何相互作用或亲和力的药物分子将不能提供治疗反应。对于一些确定有疗效的药物分子的药物成分分析方法主要是通过简单的色谱图以及氢谱图进行分析，然而这种分析方法很难对药物成分的空间结构进行分析，从而导致无法对药物成分进行精确的认定。
发明内容
本发明的主要目的为提供一种药物成分分析方法及系统，旨在解决现有药物成分分析方法对药物成分分析精度差的问题。
本发明提供了一种药物成分分析方法，包括：
获取靶向蛋白、待检测的靶向药物以及具有所述靶向蛋白的器官轮廓图；
将所述器官轮廓图中轮廓上的任意一个像素点记为初始轮廓点，并将所述器官轮廓图中轮廓上的像素点用坐标进行表示，根据各轮廓点的坐标求得所述器官轮廓图中轮廓的轮廓周长；
将所述器官轮廓图进行平滑处理，对每个轮廓点
Figure 823668DEST_PATH_IMAGE001
进行所述平滑处理的公式为，
Figure 400055DEST_PATH_IMAGE002
，
Figure 764171DEST_PATH_IMAGE003
，其中
Figure 829079DEST_PATH_IMAGE004
为当前坐标点至所述初始轮廓点的弧长为
Figure 726366DEST_PATH_IMAGE005
的轮廓点，
Figure 703680DEST_PATH_IMAGE006
和
Figure 319207DEST_PATH_IMAGE007
分别表示当前坐标点的横坐标和纵坐标，
Figure 922227DEST_PATH_IMAGE008
为与归一化处理相关的参数，
Figure 175485DEST_PATH_IMAGE009
分别代表平滑后当前坐标点的横坐标和纵坐标，
Figure 150132DEST_PATH_IMAGE010
表示弧长偏移距离为
Figure 488840DEST_PATH_IMAGE011
的横坐标，
Figure 162397DEST_PATH_IMAGE011
为一个距离变量，
Figure 535740DEST_PATH_IMAGE005
表示弧长，且0≤
Figure 104125DEST_PATH_IMAGE005
≤
Figure 694244DEST_PATH_IMAGE012
，L为所述轮廓周长；
通过公式
Figure 389799DEST_PATH_IMAGE013
计算每个轮廓点所对应的曲率，并根据所述曲率识别所述器官轮廓图的突起，其中，
Figure 116184DEST_PATH_IMAGE014
表示
Figure 668519DEST_PATH_IMAGE015
对
Figure 168771DEST_PATH_IMAGE016
的一阶导数，
Figure 166551DEST_PATH_IMAGE017
表示
Figure 248908DEST_PATH_IMAGE015
对
Figure 424674DEST_PATH_IMAGE016
的二阶导数，
Figure 729666DEST_PATH_IMAGE018
表示
Figure 767023DEST_PATH_IMAGE019
对
Figure 468001DEST_PATH_IMAGE016
的一阶导数，
Figure 814668DEST_PATH_IMAGE020
表示
Figure 836982DEST_PATH_IMAGE019
对
Figure 176565DEST_PATH_IMAGE016
的二阶导数,
Figure 233514DEST_PATH_IMAGE021
表示所述曲率；
截取所述突起处的微观图，并将所述微观图输入至预设的空间结构预测模型对所述待检测的靶向药物进行空间结构进行预测，得到多个形状预测结构；其中，所述空间结构预测模型通过不同形状的靶向蛋白以及其对应的目标靶向药物空间结构训练而成；
通过太赫兹时域光谱技术获取所述靶向药物的官能团，并将所述官能团作为所述靶向药物的子结构；
将所述子结构和所述多个形状预测结构输入至预设的分子结构预测模型中进行预测，得到所述靶向药物的分子结构，从而得到所述靶向药物的药物成分；其中，所述分子结构预测模型通过多种不同的药物分子的官能团，以及其预测结构作为输入，以对应的药物分子的分子结构作为输出训练而成。
进一步地，所述根据所述曲率识别所述形状的突起的步骤，包括：
根据每个所述轮廓点的曲率，将曲率为过零点的轮廓点提取出来作为第一轮廓点，其中，第一轮廓点的相邻点的曲率的乘积为负数；
提取所述第一轮廓点的a邻域两侧的离散点，所述离散点分别为Pi-a，Pi-a+1，…Pi-1和Pi+1，…Pi+a；其中Pi表示所述第一轮廓点；
将所述第一轮廓点Pi与离散点Pi-a的连线记为第一线段，将所述第一轮廓点Pi与离散点Pi+a的连线记为第二线段，然后将所述第一线段的中垂线与所述第二线段的中垂线的交点作为所述第一轮廓点的内切圆圆心；
计算所述第一轮廓点以及各离散点至所述内切圆圆心的距离，并取各计算得到的距离的平均值作为所述内切圆的半径；
判断所述内切圆的半径是否小于预设值；
若是，则判定所述第一轮廓点为所述形状的突起。
进一步地，所述将所述根据各轮廓点的坐标求得所述器官轮廓图中轮廓的轮廓周长的步骤，包括：
获取所述器官轮廓图中的所有像素点；
获取所述所有像素点对应的像素值；
检测每个所述像素点的像素值是否与相邻像素点的像素值都相同；
将与相邻像素点的像素值都相同的所述像素点的像素值进行累加作为第一累加值；
将所述器官轮廓图中所有像素点的像素值进行累加得到第二累加值，将所述第二累加值减去所述第一累加值得到所述轮廓周长。
进一步地，所述将所述子结构和所述多个形状预测结构输入至预设的分子结构预测模型中进行预测，得到所述靶向药物的分子结构的步骤之前，还包括：
将所述官能团输入至预设的药物组分分析模型中，得到多个目标药物组分；其中，所述药物组分分析模型根据各种药物组分以及对应的官能团训练而成；
将各所述目标药物组分输入至所述分子结构预测模型中，分别作为所述分子结构预测模型的输出通道。
进一步地，所述截取所述突起处的微观图，并将所述微观图输入至预设的空间结构预测模型对所述待检测的靶向药物进行空间结构进行预测，得到多个形状预测结构的步骤，包括：
截取所述突起处的微观图；
将所述微观图输入至预设的空间结构预测模型对所述待检测的靶向药物进行空间结构进行预测，得到多个所述预测结构以及所述预测结构的置信分值；其中，所述形状预测结构包括所述预测结构以及对应所述预测结构的置信分值。
本发明还提供了一种药物成分分析系统，包括：
第一获取模块，用于获取靶向蛋白、待检测的靶向药物以及具有所述靶向蛋白的器官轮廓图；
标记模块，用于将所述器官轮廓图中轮廓上的任意一个像素点记为初始轮廓点，并将所述器官轮廓图中轮廓上的像素点用坐标进行表示，根据各轮廓点的坐标求得所述器官轮廓图中轮廓的轮廓周长；
平滑模块，用于将所述器官轮廓图进行平滑处理，对每个轮廓点
Figure 751083DEST_PATH_IMAGE001
进行所述平滑处理的公式为，
Figure 24808DEST_PATH_IMAGE022
，
Figure 403967DEST_PATH_IMAGE023
，其中
Figure 808098DEST_PATH_IMAGE004
为当前坐标点至所述初始轮廓点的弧长为
Figure 496569DEST_PATH_IMAGE005
的轮廓点，
Figure 493475DEST_PATH_IMAGE006
和
Figure 174861DEST_PATH_IMAGE007
分别表示当前坐标点的横坐标和纵坐标，
Figure 206402DEST_PATH_IMAGE008
为与归一化处理相关的参数，
Figure 65773DEST_PATH_IMAGE009
分别代表平滑后当前坐标点的横坐标和纵坐标，
Figure 48511DEST_PATH_IMAGE010
表示弧长偏移距离为
Figure 769473DEST_PATH_IMAGE011
的横坐标，
Figure 842471DEST_PATH_IMAGE011
为一个距离变量，
Figure 184329DEST_PATH_IMAGE005
表示弧长，且0≤
Figure 155827DEST_PATH_IMAGE005
≤
Figure 184875DEST_PATH_IMAGE012
，L为所述轮廓周长；
计算模块，用于通过公式
Figure 377959DEST_PATH_IMAGE013
计算每个轮廓点所对应的曲率，并根据所述曲率识别所述器官轮廓图的突起，其中，
Figure 392182DEST_PATH_IMAGE014
表示
Figure 21616DEST_PATH_IMAGE015
对
Figure 412277DEST_PATH_IMAGE016
的一阶导数，
Figure 771452DEST_PATH_IMAGE017
表示
Figure 143527DEST_PATH_IMAGE015
对
Figure 824038DEST_PATH_IMAGE016
的二阶导数，
Figure 189029DEST_PATH_IMAGE018
表示
Figure 904176DEST_PATH_IMAGE019
对
Figure 447152DEST_PATH_IMAGE016
的一阶导数，
Figure 396652DEST_PATH_IMAGE020
表示
Figure 801220DEST_PATH_IMAGE019
对
Figure 134987DEST_PATH_IMAGE016
的二阶导数,
Figure 848865DEST_PATH_IMAGE021
表示所述曲率；
截取模块，用于截取所述突起处的微观图，并将所述微观图输入至预设的空间结构预测模型对所述待检测的靶向药物进行空间结构进行预测，得到多个形状预测结构；其中，所述空间结构预测模型通过不同形状的靶向蛋白以及其对应的目标靶向药物空间结构训练而成；
第二获取模块，用于通过太赫兹时域光谱技术获取所述靶向药物的官能团，并将所述官能团作为所述靶向药物的子结构；
预测模块，用于将所述子结构和所述多个形状预测结构输入至预设的分子结构预测模型中进行预测，得到所述靶向药物的分子结构，从而得到所述靶向药物的药物成分；其中，所述分子结构预测模型通过多种不同的药物分子的官能团，以及其预测结构作为输入，以对应的药物分子的分子结构作为输出训练而成。
进一步地，所述计算模块，包括：
轮廓点提取子模块，用于根据每个所述轮廓点的曲率，将曲率为过零点的轮廓点提取出来作为第一轮廓点，其中，第一轮廓点的相邻点的曲率的乘积为负数；
离散点提取子模块，用于提取所述第一轮廓点的a邻域两侧的离散点，所述离散点分别为Pi-a，Pi-a+1，…Pi-1和Pi+1，…Pi+a；其中Pi表示所述第一轮廓点；
记为子模块，用于将所述第一轮廓点Pi与离散点Pi-a的连线记为第一线段，将所述第一轮廓点Pi与离散点Pi+a的连线记为第二线段，然后将所述第一线段的中垂线与所述第二线段的中垂线的交点作为所述第一轮廓点的内切圆圆心；
计算子模块，用于计算所述第一轮廓点以及各离散点至所述内切圆圆心的距离，并取各计算得到的距离的平均值作为所述内切圆的半径；
判断子模块，用于判断所述内切圆的半径是否小于预设值；
判定子模块，用于若是，则判定所述第一轮廓点为所述形状的突起。
进一步地，所述标记模块，包括：
像素点获取子模块，用于获取所述器官轮廓图中的所有像素点；
像素值获取子模块，用于获取所述所有像素点对应的像素值；
像素值检测子模块，用于检测每个所述像素点的像素值是否与相邻像素点的像素值都相同；
累加子模块，用于将与相邻像素点的像素值都相同的所述像素点的像素值进行累加作为第一累加值；
轮廓周长计算子模块，用于将所述器官轮廓图中所有像素点的像素值进行累加得到第二累加值，将所述第二累加值减去所述第一累加值得到所述轮廓周长。
进一步地，所述药物成分分析系统，还包括：
第一输入模块，用于将所述官能团输入至预设的药物组分分析模型中，得到多个目标药物组分；其中，所述药物组分分析模型根据各种药物组分以及对应的官能团训练而成；
第二输入模块，用于将各所述目标药物组分输入至所述分子结构预测模型中，分别作为所述分子结构预测模型的输出通道。
进一步地，所述预测模块，包括：
截取子模块，用于截取所述突起处的微观图；
输入子模块，用于将所述微观图输入至预设的空间结构预测模型对所述待检测的靶向药物进行空间结构进行预测，得到多个所述预测结构以及所述预测结构的置信分值；其中，所述形状预测结构包括所述预测结构以及对应所述预测结构的置信分值。
本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本发明的有益效果：通过获取靶向蛋白以及靶向药物以及对应的器官轮廓图，实现了将获取到器官轮廓图中靶蛋白的空间结构，再基于靶蛋白的空间结构和靶向药物的色谱图对靶向药物的分子结构进行预测，实现了对药物成分的空间结构进行预测分析，使得到的药物分子结构更精确。
附图说明
图1 是本发明一实施例的一种药物成分分析方法的流程示意图；
图2 是本发明一实施例的一种药物成分分析系统的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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，所描述的实施例仅仅是本发明的一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明，本发明实施例中所有方向性指示（诸如上、下、左、右、前、后等）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变，所述的连接可以是直接连接，也可以是间接连接。
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，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参照图1，本发明提出一种药物成分分析方法，包括：
S1：获取靶向蛋白、待检测的靶向药物以及具有所述靶向蛋白的器官轮廓图；
S2：将所述器官轮廓图中轮廓上的任意一个像素点记为初始轮廓点，并将所述器官轮廓图中轮廓上的像素点用坐标进行表示，根据各轮廓点的坐标求得所述器官轮廓图中轮廓的轮廓周长；
S3：将所述器官轮廓图进行平滑处理，对每个轮廓点
Figure 503969DEST_PATH_IMAGE001
进行所述平滑处理的公式为，
Figure 210762DEST_PATH_IMAGE024
，
Figure 900501DEST_PATH_IMAGE025
，其中
Figure 785280DEST_PATH_IMAGE004
为当前坐标点至所述初始轮廓点的弧长为
Figure 426215DEST_PATH_IMAGE005
的轮廓点，
Figure 438164DEST_PATH_IMAGE006
和
Figure 169360DEST_PATH_IMAGE007
分别表示当前坐标点的横坐标和纵坐标，
Figure 542484DEST_PATH_IMAGE008
为与归一化处理相关的参数，
Figure 109863DEST_PATH_IMAGE009
分别代表平滑后当前坐标点的横坐标和纵坐标，
Figure 486356DEST_PATH_IMAGE010
表示弧长偏移距离为
Figure 72058DEST_PATH_IMAGE011
的横坐标，
Figure 111689DEST_PATH_IMAGE011
为一个距离变量，
Figure 664899DEST_PATH_IMAGE005
表示弧长，且0≤
Figure 80968DEST_PATH_IMAGE005
≤
Figure 521177DEST_PATH_IMAGE012
，L为所述轮廓周长；
S4：通过公式
Figure 495824DEST_PATH_IMAGE013
计算每个轮廓点所对应的曲率，并根据所述曲率识别所述器官轮廓图的突起，其中，
Figure 772215DEST_PATH_IMAGE014
表示
Figure 484651DEST_PATH_IMAGE015
对
Figure 779366DEST_PATH_IMAGE016
的一阶导数，
Figure 426379DEST_PATH_IMAGE017
表示
Figure 688602DEST_PATH_IMAGE015
对
Figure 446474DEST_PATH_IMAGE016
的二阶导数，
Figure 861274DEST_PATH_IMAGE018
表示
Figure 177724DEST_PATH_IMAGE019
对
Figure 428708DEST_PATH_IMAGE016
的一阶导数，
Figure 177221DEST_PATH_IMAGE020
表示
Figure 758113DEST_PATH_IMAGE019
对
Figure 684612DEST_PATH_IMAGE016
的二阶导数,
Figure 989603DEST_PATH_IMAGE021
表示所述曲率；
S5：截取所述突起处的微观图，并将所述微观图输入至预设的空间结构预测模型对所述待检测的靶向药物进行空间结构进行预测，得到多个形状预测结构；其中，所述空间结构预测模型通过不同形状的靶向蛋白以及其对应的目标靶向药物空间结构训练而成；
S6：通过太赫兹时域光谱技术获取所述靶向药物的官能团，并将所述官能团作为所述靶向药物的子结构；
S7：将所述子结构和所述多个形状预测结构输入至预设的分子结构预测模型中进行预测，得到所述靶向药物的分子结构，从而得到所述靶向药物的药物成分；其中，所述分子结构预测模型通过多种不同的药物分子的官能团，以及其预测结构作为输入，以对应的药物分子的分子结构作为输出训练而成。
如上述步骤S1所述，获取靶向蛋白、待检测的靶向药物以及具有所述靶向蛋白的器官轮廓图。其中，获取的方式为接收人为输入或者从其他设备传输的靶向蛋白氨基酸组成结构，在检测该药物分子时，研究人员会分析出对应靶向蛋白的的氨基酸组成结构，因此，可以获取到该靶向蛋白的氨基酸组成结构，其组成结构还可以包括分子的空间结构，即氨基酸的空间结构，获取氨基酸的空间结构则可以便于后续检测空间结构是否可以与靶向药物相结合。对于靶向药物的靶向作用，不仅要与靶向蛋白上的靶点进行结合，还需要其空间结构相适配，才可以起到靶向作用，因此，还需要获取到靶向蛋白的器官轮廓图，需要说明的是，该器官轮廓图可以从拍摄仪器中进行获取，直接接收测试得到的图片，也可以是人为上传的图片，另外，需要说明的是，由于拍摄图片中一般具有多个靶向蛋白结构，也包含有正常的器官结构，其上的结节可以认定是否为靶向蛋白，并且机器拍摄的角度不同，其靶向蛋白的拍摄结构也具有一定的差异，即相同的靶向蛋白的轮廓可能完全不同。
如上述步骤S2所述，将所述器官轮廓图中轮廓上的任意一个像素点记为初始轮廓点，并将所述器官轮廓图中轮廓上的像素点用坐标进行表示，根据各轮廓点的坐标求得所述器官轮廓图中轮廓的轮廓周长。其中，计算轮廓周长的方式，可以是通过坐标进行累加得到，也可以是通过其他方式进行获取，本申请中具体的获取方式后续有详细说明，此处不再赘述。初始轮廓点的位置不作限定，可以是任意取轮廓上的点，此处只是为了便于后续进行计算，坐标点的确定也不作限定，例如，可以直接以该初始轮廓点作为坐标原点，也可以另外确定坐标原点。
如上述步骤S3所述，将所述器官轮廓图进行平滑处理。由于器官轮廓图原本就或多或少的具有一些图像噪声，因此需要对器官轮廓图进行平滑处理，使平滑的噪声不失真，先将每个轮廓点写成参数形式
Figure 276228DEST_PATH_IMAGE026
，然后对横坐标和纵坐标分别进行卷积，平滑处理的公式为，
Figure 478670DEST_PATH_IMAGE027
，
Figure 809026DEST_PATH_IMAGE028
，消除归一化和图片本身携带的一些伪凸起，从而减少误差。需要注意的是，平滑后可能会将一些点移动，使闭合的轮廓曲线没有闭合，因此需要通过八邻域的检测方式再次得到闭合的曲线，当然在结节的判断过程中，也不需要用到闭合的曲线，因此也可以不用进行此项操作。
如上述步骤S4所述，通过公式计算每个轮廓点的曲率，如果一个轮廓点的相邻点曲率正好经历了正负值的变换，则说明此点为轮廓上由凹变凸（或由凸变凹）的转折点，这种点在数学上称作过零点。可以将该过零点视为一个形状的突起，当然，有一些过零点对应的轮廓点两端的曲线是很平滑的，这种不能算作形状的突起，因此也可以进行进一步地判断，将这部分的过零点过滤掉。
如上述步骤S5所述，截取所述突起处的微观图，并将所述微观图输入至预设的空间结构预测模型对所述待检测的靶向药物进行空间结构进行预测，得到多个形状预测结构。其中，微观图的截取可以将突起作为中心点进行截取，截取的大小不宜过小，否则无法进行顺利的预测，也不宜过大否则会包含有多个靶向蛋白，从而造成误差，由于靶向蛋白一般是内凹的形状，因此，可以根据过零点，选取三个突起作为一个靶向蛋白，微观图中含有该三个突起即可，将所述微观图输入至预设的空间结构预测模型对所述待检测的靶向药物进行空间结构进行预测，得到多个形状预测结构，具体地，该空间结构预测是二维的形状，由于前述已经说明该器官轮廓图含有靶向蛋白的各种表示，因此，该二维形状的多个形状预测结构均为靶向蛋白的二维结构，此外，空间结构预测模型是一种神经网络模型，其经过不同形状的靶向蛋白以及其对应的目标靶向药物空间结构训练而成。
如上述步骤S6所述，通过太赫兹时域光谱技术获取所述靶向药物的官能团，并将所述官能团作为所述靶向药物的子结构，太赫兹时域光谱技术可以探测材料在太赫兹波段的物理和化学信息，因此得到的色谱图相对于一般的色谱图而言具有更精确的信息，色谱图中含有各种化学键的信号，根据信号的强弱可以判断该化学键的含量，其中，宽谱太赫兹时域光谱技术具体可以是太赫兹时域光谱仪THz-TDS。
如上述步骤S7所述，将所述子结构和所述多个形状预测结构输入至预设的分子结构预测模型中进行预测，得到所述靶向药物的分子结构，从而得到所述靶向药物的药物成分，其中，分子结构预测模型的原理是基于各个分子结构进行拼装，以组成药物分子结构的模型，由于具有多个二维形状的形状预测结构，因此可以根据其获取到预测的药物分子结构，其中，分子结构预测模型通过多种不同的药物分子的官能团，以及其预测结构作为输入，以对应的药物分子的分子结构作为输出训练而成。从而实现了对药物成分的空间结构进行预测分析，使得到的药物分子结构更精确。
在一个实施例中，所述根据所述曲率识别所述形状的突起的步骤S4，包括：
S401：根据每个所述轮廓点的曲率，将曲率为过零点的轮廓点提取出来作为第一轮廓点，其中，第一轮廓点的相邻点的曲率的乘积为负数；
S402：提取所述第一轮廓点的a邻域两侧的离散点，所述离散点分别为Pi-a，Pi-a+1，…Pi-1和Pi+1，…Pi+a；其中Pi表示所述第一轮廓点；
S403：将所述第一轮廓点Pi与离散点Pi-a的连线记为第一线段，将所述第一轮廓点Pi与离散点Pi+a的连线记为第二线段，然后将所述第一线段的中垂线与所述第二线段的中垂线的交点作为所述第一轮廓点的内切圆圆心；
S404：计算所述第一轮廓点以及各离散点至所述内切圆圆心的距离，并取各计算得到的距离的平均值作为所述内切圆的半径；
S405：判断所述内切圆的半径是否小于预设值；
S406：若是，则判定所述第一轮廓点为所述形状的突起。
如上述步骤S401-S406所述，如果一个轮廓点的相邻点曲率正好经历了正负值的变换，则说明此点为轮廓上由凹变凸（/由凸变凹）的转折点，这种点在数学上称作过零点。可以将该过零点视为一个形状的突起，当然，有一些过零点对应的轮廓点两端的曲线是很平滑的，这种不能算作形状的突起，因此也可以进行进一步地判断，将这部分的过零点过滤掉。过滤的方法可以是通过计算每个过零点对应的内切圆半径，计算的方式为通过周围的离散点，该离散点也是形状的轮廓点，然后将第一线段和第二线段的中垂线交点作为圆心，然后以每个离散点到该圆心的距离的平均值作为内切圆的半径，从而求得内切圆的半径。再根据内切圆的半径筛选出符合要求的过零点作为形状的突起，然后统计个数，得到最终的形状的突起数目。
在一个实施例中，所述将所述根据各轮廓点的坐标求得所述器官轮廓图中轮廓的轮廓周长的步骤S2，包括：
S201：获取所述器官轮廓图中的所有像素点；
S202：获取所述所有像素点对应的像素值；
S203：检测每个所述像素点的像素值是否与相邻像素点的像素值都相同；
S204：将与相邻像素点的像素值都相同的所述像素点的像素值进行累加作为第一累加值；
S205：将所述器官轮廓图中所有像素点的像素值进行累加得到第二累加值，将所述第二累加值减去所述第一累加值得到所述轮廓周长。
如上述步骤S201-S205所述，计算轮廓周长的一种计算方式可以是，先获取到器官轮廓图中所有的像素点，然后获取对应的像素值，由于不是轮廓边缘的点，其相邻像素点的像素值都是相同的，故而可以相邻像素值都相同的像素点对应的像素值进行累加得到第一累加值，再将器官轮廓图中所有的像素值进行累加得到第二累加值，将第二累加值减去第一累加值得到轮廓周长，从而实现了对轮廓周长的计算，需要说明的是，本申请中获取到的器官轮廓图其轮廓周长无法直接得出，获取到的轮廓周长仅仅是器官轮廓图上的周长，其不一定为器官的轮廓周长。
在一个实施例中，所述将所述子结构和所述多个形状预测结构输入至预设的分子结构预测模型中进行预测，得到所述靶向药物的分子结构的步骤S7之前，还包括：
S601：将所述官能团输入至预设的药物组分分析模型中，得到多个目标药物组分；其中，所述药物组分分析模型根据各种药物组分以及对应的官能团训练而成；
S602：将各所述目标药物组分输入至所述分子结构预测模型中，分别作为所述分子结构预测模型的输出通道。
如上述步骤S601-S602所述，实现了对分子结构预测模型的输出通道的设定，即根据官能团数据可以获取到一些可能包含的药物组分，但是需要进一步的确定，而对于一些完全不可能包含的药物组分则可以省去，从而可以降低分子结构预测模型的计算量，避免计算各个输出通道的输出概率，只需要计算该设定的输出通道的概率即可，从而提高了分子结构预测模型的效率，减少了其运算量。
在一个实施例中，所述截取所述突起处的微观图，并将所述微观图输入至预设的空间结构预测模型对所述待检测的靶向药物进行空间结构进行预测，得到多个形状预测结构的步骤S5，包括：
S501：截取所述突起处的微观图；
S502：将所述微观图输入至预设的空间结构预测模型对所述待检测的靶向药物进行空间结构进行预测，得到多个所述预测结构以及所述预测结构的置信分值；其中，所述形状预测结构包括所述预测结构以及对应所述预测结构的置信分值。
如上述步骤S501-S502所述，将微观图输入至预设的空间结构预测模型对所述待检测的靶向药物进行空间结构进行预测时，可以从空间预测模型的输出层获取到对于的置信分值，此处将获取到的置信分值和预测结构直接输入至分子结构预测模型中进行预测，从而将置信分值作为一个因子，对最终的分子结构进行预测，从而使预测的结果更佳，提高了预测的精度，使预测效果更好。
参照图2，本发明还提供了一种药物成分分析系统，包括：
第一获取模块10，用于获取靶向蛋白、待检测的靶向药物以及具有所述靶向蛋白的器官轮廓图；
标记模块20，用于将所述器官轮廓图中轮廓上的任意一个像素点记为初始轮廓点，并将所述器官轮廓图中轮廓上的像素点用坐标进行表示，根据各轮廓点的坐标求得所述器官轮廓图中轮廓的轮廓周长；
平滑模块30，用于将所述器官轮廓图进行平滑处理，对每个轮廓点
Figure 96919DEST_PATH_IMAGE001
进行所述平滑处理的公式为，
Figure 498820DEST_PATH_IMAGE029
，
Figure 742719DEST_PATH_IMAGE030
，其中
Figure 73337DEST_PATH_IMAGE004
为当前坐标点至所述初始轮廓点的弧长为
Figure 19166DEST_PATH_IMAGE005
的轮廓点，
Figure 647593DEST_PATH_IMAGE006
和
Figure 824628DEST_PATH_IMAGE007
分别表示当前坐标点的横坐标和纵坐标，
Figure 779944DEST_PATH_IMAGE008
为与归一化处理相关的参数，
Figure 776850DEST_PATH_IMAGE009
分别代表平滑后当前坐标点的横坐标和纵坐标，
Figure 208968DEST_PATH_IMAGE010
表示弧长偏移距离为
Figure 739044DEST_PATH_IMAGE011
的横坐标，
Figure 349148DEST_PATH_IMAGE011
为一个距离变量，
Figure 331885DEST_PATH_IMAGE005
表示弧长，且0≤
Figure 302115DEST_PATH_IMAGE005
≤
Figure 188163DEST_PATH_IMAGE012
，L为所述轮廓周长；
计算模块40，用于通过公式
Figure 467703DEST_PATH_IMAGE013
计算每个轮廓点所对应的曲率，并根据所述曲率识别所述器官轮廓图的突起，其中，
Figure 439202DEST_PATH_IMAGE014
表示
Figure 213123DEST_PATH_IMAGE015
对
Figure 395754DEST_PATH_IMAGE016
的一阶导数，
Figure 409978DEST_PATH_IMAGE017
表示
Figure 55723DEST_PATH_IMAGE015
对
Figure 944919DEST_PATH_IMAGE016
的二阶导数，
Figure 477663DEST_PATH_IMAGE018
表示
Figure 161323DEST_PATH_IMAGE019
对
Figure 294364DEST_PATH_IMAGE016
的一阶导数，
Figure 160820DEST_PATH_IMAGE020
表示
Figure 374501DEST_PATH_IMAGE019
对
Figure 730527DEST_PATH_IMAGE016
的二阶导数,
Figure 350864DEST_PATH_IMAGE021
表示所述曲率；
截取模块50，用于截取所述突起处的微观图，并将所述微观图输入至预设的空间结构预测模型对所述待检测的靶向药物进行空间结构进行预测，得到多个形状预测结构；其中，所述空间结构预测模型通过不同形状的靶向蛋白以及其对应的目标靶向药物空间结构训练而成；
第二获取模块60，用于通过太赫兹时域光谱技术获取所述靶向药物的官能团，并将所述官能团作为所述靶向药物的子结构；
预测模块70，用于将所述子结构和所述多个形状预测结构输入至预设的分子结构预测模型中进行预测，得到所述靶向药物的分子结构，从而得到所述靶向药物的药物成分；其中，所述分子结构预测模型通过多种不同的药物分子的官能团，以及其预测结构作为输入，以对应的药物分子的分子结构作为输出训练而成。
在一个实施例中，所述计算模块40，包括：
轮廓点提取子模块，用于根据每个所述轮廓点的曲率，将曲率为过零点的轮廓点提取出来作为第一轮廓点，其中，第一轮廓点的相邻点的曲率的乘积为负数；
离散点提取子模块，用于提取所述第一轮廓点的a邻域两侧的离散点，所述离散点分别为Pi-a，Pi-a+1，…Pi-1和Pi+1，…Pi+a；其中Pi表示所述第一轮廓点；
记为子模块，用于将所述第一轮廓点Pi与离散点Pi-a的连线记为第一线段，将所述第一轮廓点Pi与离散点Pi+a的连线记为第二线段，然后将所述第一线段的中垂线与所述第二线段的中垂线的交点作为所述第一轮廓点的内切圆圆心；
计算子模块，用于计算所述第一轮廓点以及各离散点至所述内切圆圆心的距离，并取各计算得到的距离的平均值作为所述内切圆的半径；
判断子模块，用于判断所述内切圆的半径是否小于预设值；
判定子模块，用于若是，则判定所述第一轮廓点为所述形状的突起。
在一个实施例中，所述标记模块20，包括：
像素点获取子模块，用于获取所述器官轮廓图中的所有像素点；
像素值获取子模块，用于获取所述所有像素点对应的像素值；
像素值检测子模块，用于检测每个所述像素点的像素值是否与相邻像素点的像素值都相同；
累加子模块，用于将与相邻像素点的像素值都相同的所述像素点的像素值进行累加作为第一累加值；
轮廓周长计算子模块，用于将所述器官轮廓图中所有像素点的像素值进行累加得到第二累加值，将所述第二累加值减去所述第一累加值得到所述轮廓周长。
在一个实施例中，所述药物成分分析系统，还包括：
第一输入模块，用于将所述官能团输入至预设的药物组分分析模型中，得到多个目标药物组分；其中，所述药物组分分析模型根据各种药物组分以及对应的官能团训练而成；
第二输入模块，用于将各所述目标药物组分输入至所述分子结构预测模型中，分别作为所述分子结构预测模型的输出通道。
在一个实施例中，所述预测模块70，包括：
截取子模块，用于截取所述突起处的微观图；
输入子模块，用于将所述微观图输入至预设的空间结构预测模型对所述待检测的靶向药物进行空间结构进行预测，得到多个所述预测结构以及所述预测结构的置信分值；其中，所述形状预测结构包括所述预测结构以及对应所述预测结构的置信分值。
本发明的有益效果：通过获取靶向蛋白以及靶向药物以及对应的器官轮廓图，实现了将获取到器官轮廓图中靶蛋白的空间结构，再基于靶蛋白的空间结构和靶向药物的色谱图对靶向药物的分子结构进行预测，实现了对药物成分的空间结构进行预测分析，使得到的药物分子结构更精确。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种药物成分分析方法，其特征在于，包括：
获取靶向蛋白、待检测的靶向药物以及具有所述靶向蛋白的器官轮廓图；
将所述器官轮廓图中轮廓上的任意一个像素点记为初始轮廓点，并将所述器官轮廓图中轮廓上的像素点用坐标进行表示，根据各轮廓点的坐标求得所述器官轮廓图中轮廓的轮廓周长；
将所述器官轮廓图进行平滑处理，对每个轮廓点
Figure 750732DEST_PATH_IMAGE001
进行所述平滑处理的公式为，
Figure 818920DEST_PATH_IMAGE002
，
Figure 549110DEST_PATH_IMAGE003
，其中
Figure 708608DEST_PATH_IMAGE004
为当前坐标点至所述初始轮廓点的弧长为
Figure 166134DEST_PATH_IMAGE005
的轮廓点，
Figure 793556DEST_PATH_IMAGE006
和
Figure 724340DEST_PATH_IMAGE007
分别表示当前坐标点的横坐标和纵坐标，
Figure 866740DEST_PATH_IMAGE008
为与归一化处理相关的参数，
Figure 439541DEST_PATH_IMAGE009
分别代表平滑后当前坐标点的横坐标和纵坐标，
Figure 170737DEST_PATH_IMAGE010
表示弧长偏移距离为
Figure 39467DEST_PATH_IMAGE011
的横坐标，
Figure 167698DEST_PATH_IMAGE011
为一个距离变量，
Figure 717759DEST_PATH_IMAGE005
表示弧长，且0≤
Figure 303461DEST_PATH_IMAGE005
≤
Figure 124785DEST_PATH_IMAGE012
，L为所述轮廓周长；
通过公式
Figure 241777DEST_PATH_IMAGE013
计算每个轮廓点所对应的曲率，并根据所述曲率识别所述器官轮廓图的突起；其中，
Figure 828485DEST_PATH_IMAGE014
表示
Figure 534272DEST_PATH_IMAGE015
对
Figure 744805DEST_PATH_IMAGE016
的一阶导数，
Figure 785311DEST_PATH_IMAGE017
表示
Figure 739492DEST_PATH_IMAGE015
对
Figure 299786DEST_PATH_IMAGE016
的二阶导数，
Figure 445334DEST_PATH_IMAGE018
表示
Figure 209022DEST_PATH_IMAGE019
对
Figure 471288DEST_PATH_IMAGE016
的一阶导数，
Figure 886089DEST_PATH_IMAGE020
表示
Figure 704003DEST_PATH_IMAGE019
对
Figure 453523DEST_PATH_IMAGE016
的二阶导数,
Figure 749506DEST_PATH_IMAGE021
表示所述曲率；
截取所述突起处的微观图，并将所述微观图输入至预设的空间结构预测模型对所述待检测的靶向药物进行空间结构进行预测，得到多个形状预测结构；其中，所述空间结构预测模型通过不同形状的靶向蛋白以及其对应的目标靶向药物空间结构训练而成；
通过太赫兹时域光谱技术获取所述靶向药物的官能团，并将所述官能团作为所述靶向药物的子结构；
将所述子结构和所述多个形状预测结构输入至预设的分子结构预测模型中进行预测，得到所述靶向药物的分子结构，从而得到所述靶向药物的药物成分；其中，所述分子结构预测模型通过多种不同的药物分子的官能团，以及其预测结构作为输入，以对应的药物分子的分子结构作为输出训练而成。
2.如权利要求1所述的药物成分分析方法，其特征在于，所述根据所述曲率识别所述形状的突起的步骤，包括：
根据每个所述轮廓点的曲率，将曲率为过零点的轮廓点提取出来作为第一轮廓点，其中，第一轮廓点的相邻点的曲率的乘积为负数；
提取所述第一轮廓点的a邻域两侧的离散点，所述离散点分别为Pi-a，Pi-a+1，…Pi-1和Pi+1，…Pi+a；其中Pi表示所述第一轮廓点；
将所述第一轮廓点Pi与离散点Pi-a的连线记为第一线段，将所述第一轮廓点Pi与离散点Pi+a的连线记为第二线段，然后将所述第一线段的中垂线与所述第二线段的中垂线的交点作为所述第一轮廓点的内切圆圆心；
计算所述第一轮廓点以及各离散点至所述内切圆圆心的距离，并取各计算得到的距离的平均值作为所述内切圆的半径；
判断所述内切圆的半径是否小于预设值；
若是，则判定所述第一轮廓点为所述形状的突起。
3.如权利要求1所述的药物成分分析方法，其特征在于，所述将所述根据各轮廓点的坐标求得所述器官轮廓图中轮廓的轮廓周长的步骤，包括：
获取所述器官轮廓图中的所有像素点；
获取所述所有像素点对应的像素值；
检测每个所述像素点的像素值是否与相邻像素点的像素值都相同；
将与相邻像素点的像素值都相同的所述像素点的像素值进行累加作为第一累加值；
将所述器官轮廓图中所有像素点的像素值进行累加得到第二累加值，将所述第二累加值减去所述第一累加值得到所述轮廓周长。
4.如权利要求1所述的药物成分分析方法，其特征在于，所述将所述子结构和所述多个形状预测结构输入至预设的分子结构预测模型中进行预测，得到所述靶向药物的分子结构的步骤之前，还包括：
将所述官能团输入至预设的药物组分分析模型中，得到多个目标药物组分；其中，所述药物组分分析模型根据各种药物组分以及对应的官能团训练而成；
将各所述目标药物组分输入至所述分子结构预测模型中，分别作为所述分子结构预测模型的输出通道。
5.如权利要求1所述的药物成分分析方法，其特征在于，所述截取所述突起处的微观图，并将所述微观图输入至预设的空间结构预测模型对所述待检测的靶向药物进行空间结构进行预测，得到多个形状预测结构的步骤，包括：
截取所述突起处的微观图；
将所述微观图输入至预设的空间结构预测模型对所述待检测的靶向药物进行空间结构进行预测，得到多个所述预测结构以及所述预测结构的置信分值；其中，所述形状预测结构包括所述预测结构以及对应所述预测结构的置信分值。
6.一种药物成分分析系统，其特征在于，包括：
第一获取模块，用于获取靶向蛋白、待检测的靶向药物以及具有所述靶向蛋白的器官轮廓图；
标记模块，用于将所述器官轮廓图中轮廓上的任意一个像素点记为初始轮廓点，并将所述器官轮廓图中轮廓上的像素点用坐标进行表示，根据各轮廓点的坐标求得所述器官轮廓图中轮廓的轮廓周长；
平滑模块，用于将所述器官轮廓图进行平滑处理，对每个轮廓点
Figure 284392DEST_PATH_IMAGE001
进行所述平滑处理的公式为，
Figure 771743DEST_PATH_IMAGE022
，
Figure 510023DEST_PATH_IMAGE023
，其中
Figure 108232DEST_PATH_IMAGE004
为当前坐标点至所述初始轮廓点的弧长为
Figure 232046DEST_PATH_IMAGE005
的轮廓点，
Figure 391763DEST_PATH_IMAGE006
和
Figure 110015DEST_PATH_IMAGE007
分别表示当前坐标点的横坐标和纵坐标，
Figure 200331DEST_PATH_IMAGE008
为与归一化处理相关的参数，
Figure 257280DEST_PATH_IMAGE009
分别代表平滑后当前坐标点的横坐标和纵坐标，
Figure 820854DEST_PATH_IMAGE010
表示弧长偏移距离为
Figure 533726DEST_PATH_IMAGE011
的横坐标，
Figure 473738DEST_PATH_IMAGE011
为一个距离变量，
Figure 837723DEST_PATH_IMAGE005
表示弧长，且0≤
Figure 11347DEST_PATH_IMAGE005
≤
Figure 772367DEST_PATH_IMAGE012
，L为所述轮廓周长；
计算模块，用于通过公式
Figure 204486DEST_PATH_IMAGE013
计算每个轮廓点所对应的曲率，并根据所述曲率识别所述器官轮廓图的突起，其中，
Figure 970447DEST_PATH_IMAGE014
表示
Figure 84946DEST_PATH_IMAGE015
对
Figure 569148DEST_PATH_IMAGE016
的一阶导数，
Figure 804957DEST_PATH_IMAGE017
表示
Figure 189540DEST_PATH_IMAGE015
对
Figure 32862DEST_PATH_IMAGE016
的二阶导数，
Figure 440579DEST_PATH_IMAGE018
表示
Figure 214500DEST_PATH_IMAGE019
对
Figure 955054DEST_PATH_IMAGE016
的一阶导数，
Figure 467812DEST_PATH_IMAGE020
表示
Figure 864290DEST_PATH_IMAGE019
对
Figure 505485DEST_PATH_IMAGE016
的二阶导数,
Figure 553075DEST_PATH_IMAGE021
表示所述曲率；
截取模块，用于截取所述突起处的微观图，并将所述微观图输入至预设的空间结构预测模型对所述待检测的靶向药物进行空间结构进行预测，得到多个形状预测结构；其中，所述空间结构预测模型通过不同形状的靶向蛋白以及其对应的目标靶向药物空间结构训练而成；
第二获取模块，用于通过太赫兹时域光谱技术获取所述靶向药物的官能团，并将所述官能团作为所述靶向药物的子结构；
预测模块，用于将所述子结构和所述多个形状预测结构输入至预设的分子结构预测模型中进行预测，得到所述靶向药物的分子结构，从而得到所述靶向药物的药物成分；其中，所述分子结构预测模型通过多种不同的药物分子的官能团，以及其预测结构作为输入，以对应的药物分子的分子结构作为输出训练而成。
7.如权利要求6所述的药物成分分析系统，其特征在于，所述计算模块，包括：
轮廓点提取子模块，用于根据每个所述轮廓点的曲率，将曲率为过零点的轮廓点提取出来作为第一轮廓点，其中，第一轮廓点的相邻点的曲率的乘积为负数；
离散点提取子模块，用于提取所述第一轮廓点的a邻域两侧的离散点，所述离散点分别为Pi-a，Pi-a+1，…Pi-1和Pi+1，…Pi+a；其中Pi表示所述第一轮廓点；
记为子模块，用于将所述第一轮廓点Pi与离散点Pi-a的连线记为第一线段，将所述第一轮廓点Pi与离散点Pi+a的连线记为第二线段，然后将所述第一线段的中垂线与所述第二线段的中垂线的交点作为所述第一轮廓点的内切圆圆心；
计算子模块，用于计算所述第一轮廓点以及各离散点至所述内切圆圆心的距离，并取各计算得到的距离的平均值作为所述内切圆的半径；
判断子模块，用于判断所述内切圆的半径是否小于预设值；
判定子模块，用于若是，则判定所述第一轮廓点为所述形状的突起。
8.如权利要求6所述的药物成分分析系统，其特征在于，所述标记模块，包括：
像素点获取子模块，用于获取所述器官轮廓图中的所有像素点；
像素值获取子模块，用于获取所述所有像素点对应的像素值；
像素值检测子模块，用于检测每个所述像素点的像素值是否与相邻像素点的像素值都相同；
累加子模块，用于将与相邻像素点的像素值都相同的所述像素点的像素值进行累加作为第一累加值；
轮廓周长计算子模块，用于将所述器官轮廓图中所有像素点的像素值进行累加得到第二累加值，将所述第二累加值减去所述第一累加值得到所述轮廓周长。
9.如权利要求6所述的药物成分分析系统，其特征在于，所述药物成分分析系统，还包括：
第一输入模块，用于将所述官能团输入至预设的药物组分分析模型中，得到多个目标药物组分；其中，所述药物组分分析模型根据各种药物组分以及对应的官能团训练而成；
第二输入模块，用于将各所述目标药物组分输入至所述分子结构预测模型中，分别作为所述分子结构预测模型的输出通道。
10.如权利要求6所述的药物成分分析系统，其特征在于，所述预测模块，包括：
截取子模块，用于截取所述突起处的微观图；
输入子模块，用于将所述微观图输入至预设的空间结构预测模型对所述待检测的靶向药物进行空间结构进行预测，得到多个所述预测结构以及所述预测结构的置信分值；其中，所述形状预测结构包括所述预测结构以及对应所述预测结构的置信分值。
CN202210146868.7A 2022-02-17 2022-02-17 一种药物成分分析方法及系统 Active CN114220480B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210146868.7A CN114220480B (zh) 2022-02-17 2022-02-17 一种药物成分分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210146868.7A CN114220480B (zh) 2022-02-17 2022-02-17 一种药物成分分析方法及系统

Publications (2)

Publication Number Publication Date
CN114220480A CN114220480A (zh) 2022-03-22
CN114220480B true CN114220480B (zh) 2022-05-10

Family

ID=80709130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210146868.7A Active CN114220480B (zh) 2022-02-17 2022-02-17 一种药物成分分析方法及系统

Country Status (1)

Country Link
CN (1) CN114220480B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117116384B (zh) * 2023-10-20 2024-01-09 聊城高新生物技术有限公司 一种靶向诱导的医药分子结构生成方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005053835A2 (en) * 2003-12-02 2005-06-16 Receptors Llc Artificial receptors including gradients
CN107567312A (zh) * 2015-05-06 2018-01-09 卡尔蒂希尔(2009)公司 优化的固体基质、与其一起使用的工具及其用于促进细胞和组织生长的用途
CN110006863A (zh) * 2019-04-08 2019-07-12 中南大学湘雅三医院 基于人血清蛋白功能化纳米二氧化硅的临床药物分析方法
CN111742059A (zh) * 2017-11-28 2020-10-02 格瑞尔公司 用于靶向测序的模型
EP3745404A1 (en) * 2019-05-29 2020-12-02 Inoue, Asuka Method and system for predicting coupling probabilities of g-protein coupled receptors with g-proteins
CN112382411A (zh) * 2020-11-13 2021-02-19 大连理工大学 一种基于异质图的药物-蛋白质靶向作用预测方法
WO2021152538A1 (en) * 2020-01-29 2021-08-05 Waters Technologies Ireland Limited Techniques for sample analysis using product ion collision-cross section information
CN113255769A (zh) * 2021-05-26 2021-08-13 北京百度网讯科技有限公司 化合物属性预测模型训练方法和化合物属性预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150051090A1 (en) * 2013-08-19 2015-02-19 D.E. Shaw Research, Llc Methods for in silico screening

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005053835A2 (en) * 2003-12-02 2005-06-16 Receptors Llc Artificial receptors including gradients
CN107567312A (zh) * 2015-05-06 2018-01-09 卡尔蒂希尔(2009)公司 优化的固体基质、与其一起使用的工具及其用于促进细胞和组织生长的用途
CN111742059A (zh) * 2017-11-28 2020-10-02 格瑞尔公司 用于靶向测序的模型
CN110006863A (zh) * 2019-04-08 2019-07-12 中南大学湘雅三医院 基于人血清蛋白功能化纳米二氧化硅的临床药物分析方法
EP3745404A1 (en) * 2019-05-29 2020-12-02 Inoue, Asuka Method and system for predicting coupling probabilities of g-protein coupled receptors with g-proteins
WO2021152538A1 (en) * 2020-01-29 2021-08-05 Waters Technologies Ireland Limited Techniques for sample analysis using product ion collision-cross section information
CN112382411A (zh) * 2020-11-13 2021-02-19 大连理工大学 一种基于异质图的药物-蛋白质靶向作用预测方法
CN113255769A (zh) * 2021-05-26 2021-08-13 北京百度网讯科技有限公司 化合物属性预测模型训练方法和化合物属性预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A deep learning-based method for drug-target interaction prediction based on long short-term memory neural network;Yan-Bin Wang 等;《BMC Medical Informatics and Decision Making》;20200318;第20卷;1-9 *

Also Published As

Publication number Publication date
CN114220480A (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
US20200279125A1 (en) Systems and methods for finding regions of interest in hematoxylin and eosin (h&e) stained tissue images and quantifying intratumor cellular spatial heterogeneity in multiplexed/hyperplexed fluorescence tissue images
EP3091479B1 (en) Method and apparatus for fingerprint identification
CN111476827B (zh) 目标跟踪方法、系统、电子装置及存储介质
KR101157073B1 (ko) 근전도 센서와 자이로 센서를 이용한 지화 인식 방법 및 장치
US20220189579A1 (en) Protein complex structure prediction from cryo-electron microscopy (cryo-em) density maps
CN114220480B (zh) 一种药物成分分析方法及系统
CN109840524A (zh) 文字的类型识别方法、装置、设备及存储介质
Chen et al. Deep learning for the detection and recognition of rail defects in ultrasound B-scan images
CN104392455A (zh) 基于方向检测的在线掌纹有效区域快速分割方法
CN111968160A (zh) 图像匹配方法和存储介质
US11915823B1 (en) Systems and methods for frame-based validation
CN115691793A (zh) 一种舌象数据处理方法、装置及相关设备
CN113469019B (zh) 一种景观图像特征值计算方法、装置、设备及存储介质
CN109726679A (zh) 一种遥感分类误差空间分布制图方法
CN115424000A (zh) 一种指针式仪表识别方法、系统、设备及存储介质
CN109829440B (zh) 一种检测道路差异的方法、装置、电子设备及存储介质
CN113506266A (zh) 舌头腻苔的检测方法、装置、设备及存储介质
EP3803686A1 (en) Predicting cancer recurrence from spatial multi-parameter cellular and subcellular imaging data
CN116630867B (zh) 一种基于Mask R-CNN的白带滴虫检测与跟踪方法
CN113192622B (zh) 基于云边缘的ar巡检校验医疗数据的方法、装置及设备
KR102548863B1 (ko) 나선그리기 오차거리 계산을 통한 이상운동증 진단 방법 및 시스템
CN109726646B (zh) 一种手势识别方法和系统、显示方法和系统
US20230401691A1 (en) Image defect detection method, electronic device and readable storage medium
CN107368780B (zh) 一种基于中心奇异点的指纹配准点提取方法
Heuschkel et al. Reconsideration of Bertillonage in the age of digitalisation: Digital anthropometric patterns as a promising method for establishing identity

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