CN115410660A - 合成成药性多肽的方法、装置、存储介质和计算机设备 - Google Patents

合成成药性多肽的方法、装置、存储介质和计算机设备 Download PDF

Info

Publication number
CN115410660A
CN115410660A CN202211359009.2A CN202211359009A CN115410660A CN 115410660 A CN115410660 A CN 115410660A CN 202211359009 A CN202211359009 A CN 202211359009A CN 115410660 A CN115410660 A CN 115410660A
Authority
CN
China
Prior art keywords
amino acid
peptides
initial
polypeptides
polypeptide
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
Application number
CN202211359009.2A
Other languages
English (en)
Other versions
CN115410660B (zh
Inventor
魏志强
胡晓桐
于日磊
刘昊
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.)
Ocean University of China
Original Assignee
Ocean University of China
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 Ocean University of China filed Critical Ocean University of China
Priority to CN202211359009.2A priority Critical patent/CN115410660B/zh
Publication of CN115410660A publication Critical patent/CN115410660A/zh
Application granted granted Critical
Publication of CN115410660B publication Critical patent/CN115410660B/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
    • 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
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • 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)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Medicinal Chemistry (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明涉及合成成药性多肽的方法、装置、存储介质和计算机设备，属于药物设计技术领域，所述方法将构成海洋生物蛋白质的氨基酸按照水解反应拆解成单个氨基酸，以构建海洋生物氨基酸库，并根据需求从氨基酸库中筛选出一批初始多肽；对该批初始进行对接筛选，将活性高的多肽转化为独热编码的矩阵进行保存，构成一个先导多肽库；利用强化学习的actor‑critic模型，从氨基酸库经过actor挑选修改初始多肽以生成新的多肽；将生成的多肽利用对接程序进行评估，并将评估结果反馈给奖励机制与生成模型，以便产生具备成药性的多肽。本发明实现了虚拟筛选与奖励机制相结合，极大提高了药物虚拟筛选的效率。

Description

合成成药性多肽的方法、装置、存储介质和计算机设备
技术领域
本发明属于药物设计技术领域，公开了一种合成成药性多肽的方法、装置、存储介质和计算机设备。
背景技术
基于注意力层的模型 Transformer 已经成为一种很有前途的深度学习模型，它不依赖于循环层或卷积层，但仍然可以在序列转导上取得出色的性能。Transformer 具有堆叠的编码器-解码器架构。每个编码器由一个多头自注意力层和一个按位置的全连接前馈网络（两个线性变换，中间有一个 ReLU 激活）组成，每个子层采用残差连接和层归一化技术。解码器在自注意力层和全连接网络之间多了一个子层，它在自注意力子层之后对编码器堆栈的输出执行多头注意力。此外，每个解码器中的第一个注意子层被屏蔽，因为解码器不应该关注后续位置。位置编码与输入/输出嵌入结合使用，从而结合了有关序列顺序的信息。这样的架构允许更多的并行化，因此需要更少的时间来训练。目前，transformer 模型及其变体在各个领域引起了极大的兴趣，包括生物信息学子域，如蛋白质序列建模、基因本体注释、MHC-肽相互作用预测等。
多肽药物是介于小分子和蛋白质药物之间的一种特殊药物。 胰岛素就是最常见、也是目前市场规模最大的多肽药物。多肽药物的许多性质介于化学药物和蛋白质药物之间，具有活性和安全性高、特异性强、确定性好、成药性好等优点，在临床上应用广泛、前景广阔。由于传统的试错法使实验室工作相关的巨大成本，多肽的开发仍然是一个挑战。因此，计算肽发现和设计方法在预实验阶段作为有前途的技术出现。
发明内容
本发明要解决的技术问题在于提供一种合成具有成药性多肽的方法、装置、存储介质和计算机设备。
本发明是通过如下技术方案来实现的：
一种合成成药性多肽的方法，所述方法包括以下步骤：
步骤一、将构成海洋生物蛋白质的氨基酸按照水解反应拆解成单个氨基酸，以构建海洋氨基酸库，并根据需求从氨基酸库中筛选出一批初始多肽；对该批初始多肽进行对接筛选，将活性高的多肽转化为独热编码的矩阵进行保存，构成一个先导多肽库；
步骤二、利用强化学习的actor-critic模型，从氨基酸库经过actor挑选修改初始多肽以生成新的多肽；
步骤三、将生成的多肽利用对接程序进行评估，并将评估结果反馈给奖励机制与生成模型，以便产生具备成药性的多肽。
进一步的，步骤一、的具体操作是：利用rdkit编写程序模拟蛋白质的水解过程，把蛋白质拆解为多个单独的氨基酸，并对原本连接肽键处的氨基和羧基做特殊标记，构建一个完整的海洋氨基酸库，并将氨基酸使用独热编码进行保存，用以模拟生成并构建多肽；
进一步的，步骤二的具体操作是：对初始合成的多肽进行特征分析，以匹配相应的氨基酸修改模块进行多肽修改；
在进行初始多肽特征分析阶段，使用Transformer Encoder学习多肽的具体特征，使用多头注意力机制与位置编码提取多肽的相关特征；
在对初始多肽修改上，采用了残差网络对注意力层提取到的特征进行整合计算得到操作数，将该操作数整除片段数以商表示需要修改初始多肽的第几个氨基酸并以余数表示氨基酸库中用来替换的氨基酸位置编号，然后将余数位置的氨基酸替换初始多肽中商表示位置的氨基酸，形成一批次修改后新的多肽，将新的多肽输入奖励机制进行评估生成的质量。
进一步的，步骤三的具体操作是：
在步骤二和步骤二的基础上，将一批次新的多肽与初始多肽输入critic进行价值估评，同时在利用环境给出的奖励不断地训练critic，使其对新的多肽与初始多肽评价逐渐趋近准确，在逐轮训练后，最终得到的多肽将具备对特定靶点比较高的活性。
本发明还提供一种合成成药性多肽的装置，所述装置包括数据处理模块、强化学习模块和活性评估模块；
所述的数据处理模块：将构成海洋生物蛋白质的氨基酸按照水解反应拆解成单个氨基酸，以构建海洋氨基酸库，并根据需求从氨基酸库中筛选出一批初始多肽；对该批初始多肽进行对接筛选，将活性高的多肽转化为独热编码的矩阵进行保存，构成一个先导多肽库；
所述的强化学习模块：利用强化学习的actor-critic模型，从氨基酸库经过actor挑选修改初始多肽以生成新的多肽；
所述的活性评估模块：将生成的多肽利用对接程序进行评估，并将评估结果反馈给奖励机制与生成模型，以便产生具备成药性的多肽。
本发明还提供一种计算机设备，所述设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述合成成药性多肽的方法步骤。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序适用于由处理器加载并执行所述合成成药性多肽的方法。
本发明与现有技术相比的有益效果：
第一、本发明方法融合了Transformer整合初始多肽的信息，兼顾了多肽生成各个阶段的需求，各出所长，提高多肽生成的整体性能。
第二、本发明融入Actor-critic模型筛选氨基酸的策略，提高生成类药多肽的效率。
第三、本发明实现了虚拟筛选与奖励机制相结合，极大提高了药物虚拟筛选的效率。
附图说明
图1为本发明的处理流程示意图；
图2为本发明的预测模型示意图；
图3为Transformer Encoder的结构模型图。
具体实施方式
下面通过实施例来对本发明的技术方案做进一步解释，但本发明的保护范围不受实施例任何形式上的限制。
实施例1
一种合成成药性多肽的方法，如图1所示，所述方法包括以下步骤：
步骤一、获取到的海洋生物蛋白质根据水解反应的原理，利用rdkit编写程序模拟蛋白质的水解过程，将构成海洋生物蛋白质的氨基酸按照水解反应拆解成单个氨基酸，并对原本连接肽键处的氨基和羧基做特殊标记，以构建一个完整的海洋氨基酸库，并根据需求从氨基酸库中筛选出一批初始多肽，将氨基酸使用独热编码进行保存，用以模拟生成并构建多肽；对该批初始多肽进行对接筛选，将活性高的多肽转化为独热编码的矩阵进行保存，构成一个先导多肽库；所述需求为待筛药物分子的 4 种物理属性进行优化，即亲脂性clogP、极性表面积 PSA、分子量 MW 和生物活性。
步骤二、上一步骤实现了氨基酸库的构建与先导多肽库的构建，在此基础上，针对合成类药性多肽的需求，需要对初始合成的多肽进行特征分析，以匹配相应的氨基酸修改模块进行多肽修改。
在进行初始多肽特征分析阶段，传统的深度学习模型如RNN因为从输入初始多肽的不同位置学到的同一特征无法共享，所以引入了Transformer Encoder（如图3所示）以便能够学习到多肽的具体特征，从特征提取能力上：Transformer显着超过RNN和CNN，RNN和CNN两者能力差不太多。且RNN本身无法进行并行计算是其固有的缺陷，Transformer则能很好的进行并行计算，使用多头注意力机制与位置编码提取多肽的相关特征。
在对初始多肽修改上，采用了残差网络对注意力层提取到的特征进行整合计算得到操作数，将该操作数整除片段数以商表示需要修改初始多肽的第几个氨基酸并以余数表示氨基酸库中用来替换的氨基酸位置编号，然后将余数位置的氨基酸替换初始多肽中商表示位置的氨基酸，形成一批次修改后新的多肽，将新的多肽输入奖励机制进行评估生成的质量。
利用强化学习的actor-critic模型（如图2所示），从氨基酸库经过actor挑选修改初始多肽以生成新的多肽；
步骤三、在步骤一和步骤二的基础上，将一批次新的多肽与初始多肽输入critic利用对接程序进行价值评估，同时在利用环境给出的奖励不断地训练critic，将生成的多肽并将评估结果反馈给奖励机制与生成模型，使其对最终生成的多肽与初始多肽的评价逐渐趋近准确，在逐轮训练后，最终得到的多肽将具备对特定靶点比较高的活性，以便产生具备成药性的多肽。
实施例2
基于实施例1的的方法，拟选择药物分子的 4 种物理属性进行优化，即亲脂性clogP、极性表面积 PSA、分子量 MW 和生物活性。亲脂性(ClogP)是药物发现中的一个基本属性，通常被描述为最重要的。PSA 是优化化合物渗透细胞能力的药物化学指标，分子量(MW)也经常被认为是重要的分子属性。而生物活性是药物发现中一个最重要的属性，强化学习的奖励机制部分通过构建回归模型实现对于分子的活性预测，同时在活性预测过程中采用超大规模的分子对接方法来快速并精确地计算出小分子与特定靶点的亲和力打分值，预测生成分子是否确实具有真实活性，从而进一步优化了生成分子的活性。
基于强化学习的多目标分子迭代生成框架可借助国产神威异构众核超算平台的计算资源，在主核上完成分子生成与强化学习微调模型的过程，主从核高并发运行联级筛选方法的活性预测模块，高效计算活性属性值，然后将活性信息返回给主核进行模型微调。引入迭代策略，将每一次生成的符合多属性约束的有效分子作为下一次生成任务的输入，直到生成分子有效数目占比同上一次生成分子有效数目占比相近，此时模型精度已趋于最大值，模型能够生成大量的多属性分子。
评估标准：
这里我们用的是深度学习领域的通用评测标准： hit@10。根据排名大小来作为评估标准。具体的评估流程：
从最后一轮生成的多肽数据集中，随机选择200个多肽作为该化合物的候选配体集。对化合物生成过程中所用的候选靶点（已知潜在活性靶点靶点）打分。通过表1显示，本实施例的方法的准确率高于传统的模型。对于本实施例的基于强化深度学习的方法拥有良好的性能。
Figure 876747DEST_PATH_IMAGE001
上述实施例仅是对本发明技术方案的说明，而非限制，在本发明技术方案的基础上，任何技术特征的等同替换均在本发明专利的技术范围之内。

Claims (7)

1.一种合成成药性多肽的方法，其特征在于，所述方法包括以下步骤：
步骤一、将构成海洋生物蛋白质的氨基酸按照水解反应拆解成单个氨基酸，以构建海洋氨基酸库，并根据需求从氨基酸库中筛选出一批初始多肽；对该批初始多肽进行对接筛选，将活性高的多肽转化为独热编码的矩阵进行保存，构成一个先导多肽库；
步骤二、利用强化学习的actor-critic模型，从氨基酸库经过actor挑选修改初始多肽以生成新的多肽；
步骤三、将生成的多肽利用对接程序进行评估，并将评估结果反馈给奖励机制与生成模型，以便产生具备成药性的多肽。
2.根据权利要求1所述的方法，其特征在于，所述步骤一的具体操作是：对原本连接肽键处的氨基和羧基做特殊标记，构建一个完整的海洋氨基酸库。
3.根据权利要求1所述的方法，其特征在于，所述步骤二的具体操作是：对初始合成的多肽进行特征分析，以匹配相应的氨基酸修改模块进行多肽修改；
在进行初始多肽特征分析阶段，使用Transformer Encoder学习多肽的具体特征，使用多头注意力机制与位置编码提取多肽的相关特征；
在对初始多肽修改上，采用了残差网络对注意力层提取到的特征进行整合计算得到操作数，将该操作数整除片段数以商表示需要修改初始多肽的第几个氨基酸并以余数表示氨基酸库中用来替换的氨基酸位置编号，然后将余数位置的氨基酸替换初始多肽中商表示位置的氨基酸，形成一批次修改后新的多肽，将新的多肽输入奖励机制进行评估生成的质量。
4.根据权利要求1所述的方法，其特征在于，所述步骤三的具体操作：
在步骤一和步骤二的基础上，将一批次新的多肽与初始多肽输入critic进行价值估评，同时再利用环境给出的奖励不断地训练critic，使其对新的多肽与初始多肽评价逐渐趋近准确，在逐轮训练后，最终得到的多肽将具备对特定靶点比较高的活性。
5.一种合成成药性多肽的装置，其特征在于，所述装置包括数据处理模块、强化学习模块和活性评估模块；
所述的数据处理模块：将构成海洋生物蛋白质的氨基酸按照水解反应拆解成单个氨基酸，以构建海洋氨基酸库，并根据需求从氨基酸库中筛选出一批初始多肽；对该批初始多肽进行对接筛选，将活性高的多肽转化为独热编码的矩阵进行保存，构成一个先导多肽库；
所述的强化学习模块：利用强化学习的actor-critic模型，从氨基酸库经过actor挑选修改初始多肽以生成新的多肽；
所述的活性评估模块：将生成的多肽利用对接程序进行评估，并将评估结果反馈给奖励机制与生成模型，以便产生具备成药性的多肽。
6.一种计算机设备，其特征在于，所述设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1-4任何一项所述合成成药性多肽的方法步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序适用于由处理器加载并执行权利要求1-4任何一项所述合成成药性多肽的方法。
CN202211359009.2A 2022-11-02 2022-11-02 合成成药性多肽的方法、装置、存储介质和计算机设备 Active CN115410660B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211359009.2A CN115410660B (zh) 2022-11-02 2022-11-02 合成成药性多肽的方法、装置、存储介质和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211359009.2A CN115410660B (zh) 2022-11-02 2022-11-02 合成成药性多肽的方法、装置、存储介质和计算机设备

Publications (2)

Publication Number Publication Date
CN115410660A true CN115410660A (zh) 2022-11-29
CN115410660B CN115410660B (zh) 2023-01-24

Family

ID=84169418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211359009.2A Active CN115410660B (zh) 2022-11-02 2022-11-02 合成成药性多肽的方法、装置、存储介质和计算机设备

Country Status (1)

Country Link
CN (1) CN115410660B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118982999A (zh) * 2024-10-17 2024-11-19 北京悦康科创医药科技股份有限公司 多肽生成方法、装置及计算机设备

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003006614A2 (en) * 2001-07-12 2003-01-23 Exelixis, Inc. UBE2s AS MODIFIERS OF THE p21 PATHWAY AND METHODS OF USE
US20030109691A1 (en) * 2000-07-31 2003-06-12 Arnaout M. Amin Variant integrin polypeptides and uses thereof
US20100070200A1 (en) * 2008-09-17 2010-03-18 Mehmet Sarikaya Method and system for designing polypeptides and polypeptide-like polymers with specific chemical and physical characteristics
US20130095553A1 (en) * 2010-06-29 2013-04-18 Dsm Ip Assets B.V. Polypeptide having or assisting in carbohydrate material degrading activity and uses thereof
CN111951891A (zh) * 2019-05-16 2020-11-17 清华大学 确定优化的核苷酸序列的方法和系统
CN113593631A (zh) * 2021-08-09 2021-11-02 山东大学 一种预测蛋白质-多肽结合位点的方法及系统
CN113764042A (zh) * 2021-09-01 2021-12-07 深圳信息职业技术学院 14-3-3蛋白质与磷酸化配体相对亲和力的估计和预测方法
CN114724643A (zh) * 2021-01-06 2022-07-08 腾讯科技（深圳）有限公司 一种多肽化合物的筛选方法以及相关装置
CN114743600A (zh) * 2022-04-15 2022-07-12 大连理工大学 基于门控注意力机制的靶标-配体结合亲和力的深度学习预测方法
CN115101142A (zh) * 2022-06-07 2022-09-23 鹏城实验室 一种药物-靶点交互作用预测方法、系统及终端设备
CN115188412A (zh) * 2022-07-27 2022-10-14 上海数因信科智能科技有限公司 基于Transformer和图神经网络的药物预测算法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030109691A1 (en) * 2000-07-31 2003-06-12 Arnaout M. Amin Variant integrin polypeptides and uses thereof
WO2003006614A2 (en) * 2001-07-12 2003-01-23 Exelixis, Inc. UBE2s AS MODIFIERS OF THE p21 PATHWAY AND METHODS OF USE
US20100070200A1 (en) * 2008-09-17 2010-03-18 Mehmet Sarikaya Method and system for designing polypeptides and polypeptide-like polymers with specific chemical and physical characteristics
US20130095553A1 (en) * 2010-06-29 2013-04-18 Dsm Ip Assets B.V. Polypeptide having or assisting in carbohydrate material degrading activity and uses thereof
CN111951891A (zh) * 2019-05-16 2020-11-17 清华大学 确定优化的核苷酸序列的方法和系统
CN114724643A (zh) * 2021-01-06 2022-07-08 腾讯科技（深圳）有限公司 一种多肽化合物的筛选方法以及相关装置
CN113593631A (zh) * 2021-08-09 2021-11-02 山东大学 一种预测蛋白质-多肽结合位点的方法及系统
CN113764042A (zh) * 2021-09-01 2021-12-07 深圳信息职业技术学院 14-3-3蛋白质与磷酸化配体相对亲和力的估计和预测方法
CN114743600A (zh) * 2022-04-15 2022-07-12 大连理工大学 基于门控注意力机制的靶标-配体结合亲和力的深度学习预测方法
CN115101142A (zh) * 2022-06-07 2022-09-23 鹏城实验室 一种药物-靶点交互作用预测方法、系统及终端设备
CN115188412A (zh) * 2022-07-27 2022-10-14 上海数因信科智能科技有限公司 基于Transformer和图神经网络的药物预测算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHAN-SHAN YANG: "Electrically Tunable Plasmonic Biosensors Based on Cavity-Coupled Structure With Graphene", 《IEEE JOURNAL OF SELECTED TOPICS IN QUANTUM ELECTRONICS ( VOLUME: 27, ISSUE: 4, JULY-AUG. 2021)》 *
唐鹤云: "基于多肽片段中央氨基酸装配的蛋白质结构预测", 《CNKI博士学位论文全文库》 *
张娅等: "多肽定量构效关系建模方法", 《重庆理工大学学报(自然科学)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118982999A (zh) * 2024-10-17 2024-11-19 北京悦康科创医药科技股份有限公司 多肽生成方法、装置及计算机设备

Also Published As

Publication number Publication date
CN115410660B (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
CN110444250A (zh) 基于分子指纹和深度学习的高通量药物虚拟筛选系统
Zhang et al. IChrom-deep: an attention-based deep learning model for identifying chromatin interactions
Huang et al. Integrating AI and Deep Learning for Efficient Drug Discovery and Target Identification
Wekesa et al. A hybrid prediction method for plant lncRNA-protein interaction
Ye et al. Machine learning advances in predicting peptide/protein‐protein interactions based on sequence information for lead peptides discovery
Diaz-Flores et al. Evolution of artificial intelligence-powered technologies in biomedical research and healthcare
CN115410660B (zh) 合成成药性多肽的方法、装置、存储介质和计算机设备
Liu et al. Bioimage-based prediction of protein subcellular location in human tissue with ensemble features and deep networks
CN116013428A (zh) 基于自监督学习的药物靶标通用预测方法、设备及介质
CN116453617A (zh) 一种结合主动学习的多目标优化分子生成方法和系统
Lu et al. Multimodal fused deep learning for drug property prediction: Integrating chemical language and molecular graph
Wang et al. DaDL-SChlo: protein subchloroplast localization prediction based on generative adversarial networks and pre-trained protein language model
Gong et al. Hs-dti: Drug-target interaction prediction based on hierarchical networks and multi-order sequence effect
Lei et al. StackCPA: A stacking model for compound-protein binding affinity prediction based on pocket multi-scale features
Hu et al. Structure enhanced protein-drug interaction prediction using transformer and graph embedding
Luo et al. A Caps-UBI model for protein ubiquitination site prediction
CN110176279B (zh) 基于小样本的先导化合物虚拟筛选方法和装置
Zhang et al. By hybrid neural networks for prediction and interpretation of transcription factor binding sites based on multi-omics
Lavecchia Transform drug discovery and development with generative artificial intelligence
CN114842924B (zh) 一种优化的从头药物设计方法
WO2022082740A1 (zh) 基于虚拟现实的药物设计云计算流程控制系统及其方法
Liu et al. A multi-feature and dual-attribute interaction aggregation model for predicting drug-target interactions
Qian et al. MMCL-CPI: A multi-modal compound-protein interaction prediction model incorporating contrastive learning pre-training
He et al. A KAN-based hybrid deep neural networks for accurate identification of transcription factor binding sites
Li et al. MHAN-DTA: a multiscale hybrid attention network for drug-target affinity prediction

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