WO2019134319A1 - 类药有机分子的自动化构象分析方法 - Google Patents
类药有机分子的自动化构象分析方法 Download PDFInfo
- Publication number
- WO2019134319A1 WO2019134319A1 PCT/CN2018/086195 CN2018086195W WO2019134319A1 WO 2019134319 A1 WO2019134319 A1 WO 2019134319A1 CN 2018086195 W CN2018086195 W CN 2018086195W WO 2019134319 A1 WO2019134319 A1 WO 2019134319A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- conformation
- force field
- fragments
- flexible
- molecule
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Abstract
公开了一种类药有机分子的自动化构象分析方法,包括:将输入分子提取成一组片段,片段分为三种类型:柔性键片段、环异构片段和构型异构片段;基于知识的构象推荐;基于力场扫描的构象推荐;利用QM的方法验证产生的构象;如果验证通过,说明推荐的构象是有效的,否则进行力场进行校正;汇集片段的构象列表;使用遗传算法,将各个片段的构象参数进行组合优化,找到最优的一组构象。本发明结合基于知识和计算两种方法的优点,可获得准确的构象推荐;当通用力场描述能力有限时,可以通过QM计算对通用力场进行校正,形成对于该片段描述跟精确的专有力场。
Description
发明名称:类药有机分子的自动化构象分析方法 技术领域
[0001] 本发明属于类药有机小分子模拟计算领域, 具体涉及类药有机分子的自动化构 象分析方法。
背景技术
[0002] 药物分子的构象对其生物活性有非常重要的影响。 药物分子和受体相互作用产 生一些列的构象变化, 形成了一种动态匹配的过程, 从而产生特定的药理反应 。 所以类药有机分子的构象分析以及合理构象产生, 对于计算机辅助药物设计 、 药物晶型预测等研究起到了至关重要的作用。
[0003] 目前常见的构象分析或者构象产生的方法主要两种:
[0004] 1.基于分子力场对柔性键扫描, 构建势能面并分析出所有可能的极值点。
[0005] 2.基于知识的方法进行构象推荐。 通常利用已有的实验构象库, 寻找相似的结 构集团并给出推荐构象。
[0006] 第一种方法主要适用于搜索柔性键数量少于 20个的有机分子, 通过一定策略 对所有的柔性角进行一维扫描。 然后根据柔性角的空间位组信息, 挑选一些会 产生耦合的柔性键对进行二维扫描。 最后根据每个柔性角的局限低能点进行组 合, 找到最有可能的一组构象。 这个方法可以利用分子力场计算量小的特点, 可以高效的遍历大部分构象空间。 但是这个方法的劣势也比较突出, 因为能量 计算主要依赖分子力场, 所以计算的精度非常受制于分子力场的势能面描述能 力。 通常使用的 GAFF、 FF94等通用力场参数对于药物小分子的化学空间覆盖 能力有限, 如果对应体系不能被力场参数精确描述, 那么推荐出的构象往往也 是错误的。
[0007] 第二种方法适用于更大分子结构的构象分析, 比如糖或者蛋白质。 这些分子通 常构象空间非常巨大, 无法通过扫描的方式遍历构象空间, 所以只能基于预先 知识指导构象生成。 所以常见的方式基于已知的构象数据库, 对目标分子的拆 解成片段, 然后在数据库中搜寻相同或相似的片段。 然后将搜索出的片段构象
进行统计分析, 推荐出每个片段的构象, 从而组合成为整体构象。 这种方式可 以有效的处理大分子, 计算的复杂度随着分子的大小线性增长。 不足之处主要 是基于已有的知识, 适合于处理糖和蛋白这类集团种类有限的分子。 而药物小 分子的多样性非常高, 通常已有的数据库可能无法有效的覆盖, 会出现无法在 数据库中匹配到与目标片段相同或相似片段的情况, 也就会导致无法推荐出合 理的构象。
发明概述
技术问题
问题的解决方案
技术解决方案
[0008] 针对上述技术问题, 本发明提供类药有机分子的自动化构象分析方法, 可使用 这个方法对进行分子的手性异构、 环异构、 空间异构进行综合分析, 推荐出所 有合理的构象。 所采用的技术方案为:
[0009] 类药有机分子的自动化构象分析方法, 主要包含以下步骤:
[0010] ( 1) 将输入分子提取成一组片段, 片段主要分为三种类型: 柔性键片段、 环 异构片段和构型异构片段;
[0011] 柔性键片段包含一柔性键或者两个耦合在一起的柔性键, 以及柔性键旁边邻近 的化学集团, 使用基于拓扑的规则来判断两个柔性键是否有耦合关系; 通过对 该柔性键片段的进一步分析, 找到该片段的柔性键上的势能面或者极值点, 从 而代表整个分子在这个柔性键上的势能面;
[0012] 环异构片段包含一个非共轭环或者多个环组成的稠环;
[0013] 构型异构片段是指包括了一个或多个顺反位点或手性中心, 以及周围的化学环 境;
[0014] (2) 基于知识的构象推荐; 从预建立的构象数据库检索出包含步骤 ( 1) 相应 片段的分子构象, 然后对检索出的分子中特定的柔性键或者环异构、 顺反以及 手性中心的构象统计, 并得出推荐的构象以及置信度; 置信度包括经验阈值, 大于阈值会认为知识推荐的可信度较高, 将会直接使用推荐的结果; 如果置信 度较低, 则会通过后续更精确的方式进行构象分析;
[0015] (3) 基于力场扫描的构象推荐; 扫描策略主要包括以下几个策略: 一维或二 维的柔性键等间距旋转扫描; 柔性环的构象扫描; 顺反、 旋光性的构型扫描;
[0016] 利用分子力场, 快速对策略产生的构象进行优化和能量计算, 然后根据能量筛 选出合理的构象;
[0017] (4) 利用 QM的方法验证步骤 (3) 产生的构象, 验证方法主要有两种:
[0018] 极值点位置分析, 通过对极值点以及附近进行采样计算, 比较 QM和分子力场 的极值点的位置是否吻合;
[0019] 或者, 对推荐出的构象的相对能量进行分析, 验证 QM与分子力场计算的相关 性, 从而验证力场的精度;
[0020] 如果验证通过, 说明步骤 (3) 推荐的构象是有效的, 否则问题可能出在力场 精度上, 需要下一步对力场进行校正。
[0021] (5) 力场修正; 如果通用力场无法准确的描述这个分子的化学环境, 就需要 针对这个分子, 对力场参数针对性的提升; 通过对相应片段的分析, 会根据柔 性键、 环异构、 构型异构这几个类型加入 QM采样计算作为力场参数修正的训练 集, 然后进行力场参数的修正; 修正完之后, 重新进行力场扫描;
[0022] (6) 汇集片段的构象列表; 将每个片段分开推荐的构象列表进行汇集, 将构 象表达的数值进行提取, 包括柔性键的二面角值, 或者环异构的异构空间参数 , 以及顺反或手性的标识, 用于后续参数进行组合优化;
[0023] (7) 使用遗传算法, 将各个片段的构象参数进行组合优化, 全局搜索的方式 找到最优的一组构象。
发明的有益效果
有益效果
[0024] 本发明提供的类药有机分子的自动化构象分析方法, 具有的技术效果有:
[0025] ( 1) 结合基于知识和计算两种方法的优点, 对于常见的片段可以快速的基于 知识推荐; 对于非常见片段可以通过扫描计算的方式获得准确的构象推荐。 并 且计算后的结果会保存在知识数据库中, 随着计算的不断积累, 知识推荐的能 力也会不断提升。
[0026] (2) 当通用力场描述能力有限时, 可以通过 QM计算对通用力场进行校正, 形
成对于该片段描述跟精确的专有力场。 避免了因为力场局限性导致的构象推荐 不准确的问题。
[0027] (3) 使用遗传算法对片段的推荐构象进行组合。 因为直接将片段推荐的构象 进行组合空间过大, 所以本专利使用遗传算法解决这一问题。
对附图的简要说明
附图说明
[0028] 图 1是本发明的方法流程图;
[0029] 图 2是本发明的遗传算法的流程图;
[0030] 图 3是实施例的架构图。
发明实施例
本发明的实施方式
[0031] 结合实施例说明本发明的具体技术方案。
[0032] 实施例采用如图 1所示的流程, 主要包含以下几个步骤:
[0033] ( 1) 将输入分子提取成一组片段, 片段主要分为三种类型: 柔性键片段、 环 异构片段和构型异构片段。 柔性键片段会包含一柔性键或者两个耦合在一起的 柔性键, 以及柔性键旁边邻近的化学集团。 通常可以使用基于拓扑的规则来判 断两个柔性键是否有耦合关系。 通过对该片段的进一步分析, 就可以找到该片 段的柔性键上的势能面或者极值点, 从而代表整个分子在这个柔性键上的势能 面; 环异构片段通常包含一个非共轭环或者多个环组成的稠环; 构型异构片段 是指包括了一个或多个顺反位点或手性中心, 以及周围的化学环境。 这三种类 型的片段代表了这个分子的三类异构类型, 拆分成片段后更方便下一步的分析
[0034] (2) 基于知识的构象推荐。 从步骤 ( 1) 提取的每一个片段, 都首先经过这一 步骤处理。 在实际的系统实现中, 该步骤包含一个预建立的构象数据库, 预建 立的构象数据库来自实验构象或者历史计算结果。 通过数据库可以检索出包含 相应片段的分子构象, 然后对检索出的分子中特定的柔性键或者环异构、 顺反 以及手性中心的构象统计, 并得出推荐的构象以及置信度。 通常置信度会有个 经验阈值, 大于阈值会认为知识推荐的可信度较高, 将会直接使用推荐的结果
; 如果置信度较低, 则会通过后续更精确的方式进行构象分析。
[0035] (3) 基于力场扫描的构象推荐。 扫描策略主要包括几个策略: 一维或二维的 柔性键等间距旋转扫描; 柔性环的构象扫描; 顺反、 旋光性的构型扫描。 利用 分子力场, 可以将快速对策略产生的构象进行优化和能量计算。 然后根据能量 筛选出合理的构象。
[0036] (4) 利用 QM的方法验证步骤 (3) 产生的构象, 验证方法主要有两种: 极值 点位置分析, 通过对极值点以及附近进行采样计算, 比较 QM和分子力场的极值 点的位置是否吻合; 另外就是对推荐出的构象的相对能量进行分析, 验证 QM与 分子力场计算的相关性, 从而验证力场的精度。 如果验证通过, 说明步骤 (3) 推荐的构象是有效的, 否则问题可能出在力场精度上, 就需要下一步对力场进 行校正。
[0037] (5) 力场修正。 如果通用力场无法准确的描述这个分子的化学环境, 就需要 针对这个分子, 对力场参数针对性的提升。 通过对相应片段的分析, 会根据柔 性键、 环异构、 构型异构这几个类型加入 QM采样计算作为力场参数修正的训练 集, 然后进行力场参数的修正。 修正完之后, 重新进行力场扫描。
[0038] (6) 汇集片段的构象列表。 将每个片段分开推荐的构象列表进行汇集, 将构 象表达的数值进行提取, 包括柔性键的二面角值, 或者环异构的异构空间参数 , 以及顺反或手性的标识, 方便后续将这些参数进行组合优化。
[0039] (7) 使用遗传算法, 将各个片段的构象参数进行组合优化, 找到最优的一组 构象。 如果考虑一个较大的分子, 包含 8个柔性角 (每个柔性角 4个极值点) , 两个异构换 (每个异构环两种构型、 两种取代位点) , 两个手性碳。 这样构象 组合可能多达百万 (4A8*2*2*2*2=1,048,576) , 无法进行遍历, 所以需要全局 搜索的方式找到最优的一组构象。 本专利使用了遗传算法处理该步骤, 因为遗 传算法具有过程简单, 收敛速度快的特点。 具体的遗传算法的过程见图 2。
[0040] 本算法的实现主要 B/S架构, 如图 3所示, 用户可以通过浏览器访问自动化构象 分析服务, 可以通过 SMILES的形式上传需要自动化构象分析的 2D分子结构。 自 动化构象分析服务是使用 Python 2.7作为编程语言编写, 部署在 Kubernetes平台上
[0041] 用户可以通过点击开始整个构象分析流程。 当分子上传后, 自动化构象分析服 务会向构象数据库发起查询请求。 构象数据库是由 PostgreSQL 9.6搭建而成, 数 据库中主要有两张表: Compound和 Conformation。 Compound主要保存了构象库 包含的化合物信息, Conformation表中保存了每个化合物对应的一组 3D构象信息
[0042] 当构象数据库返回的信息不足时, 自动化构象分析服务就会向计算集群提交计 算作业, 以完成后续的计算任务。 主要包括四个计算模块: 力场扫描分析模块 、 QM验证模块、 力场修正模块和遗传算法模块。 这三个均使用 Python 2.7编写, 其中力场部分使用 OpenMM做为能量计算工具, QM部分使用 Psi4作为计算工具 这三个计算模块使用 Docker作为构建和分发工具, 方便分布式的任务调度。
[0043] 自动化构象分析服务会每隔十秒钟检查仍在运行的计算任务, 如果发现计算失 败, 就会进行三次重试, 如果仍然失败, 就终止本次计算, 并将错误信息返回 给用户; 如果发现计算完成, 就会回收计算结果, 并返回给用户。
Claims
[权利要求 1] 类药有机分子的自动化构象分析方法, 其特征在于, 主要包含以下步 骤:
(D 将输入分子提取成一组片段, 片段主要分为三种类型: 柔性键 片段、 环异构片段和构型异构片段;
柔性键片段包含一柔性键或者两个耦合在一起的柔性键, 以及柔性键 旁边邻近的化学集团, 使用基于拓扑的规则来判断两个柔性键是否有 耦合关系; 通过对该柔性键片段的进一步分析, 找到该片段的柔性键 上的势能面或者极值点, 从而代表整个分子在这个柔性键上的势能面
环异构片段包含一个非共轭环或者多个环组成的稠环;
构型异构片段是指包括了一个或多个顺反位点或手性中心, 以及周围 的化学环境;
(2) 基于知识的构象推荐; 从预建立的构象数据库检索出包含步骤 ( 1) 相应片段的分子构象, 然后对检索出的分子中特定的柔性键或 者环异构、 顺反以及手性中心的构象统计, 并得出推荐的构象以及置 信度; 置信度包括经验阈值, 大于阈值会认为知识推荐的可信度较高 , 将会直接使用推荐的结果; 如果置信度较低, 则会通过后续更精确 的方式进行构象分析;
(3) 基于力场扫描的构象推荐; 扫描策略主要包括以下几个策略: 一维或二维的柔性键等间距旋转扫描, 柔性环的构象扫描, 顺反、 旋 光性的构型扫描;
利用分子力场, 快速对策略产生的构象进行优化和能量计算, 然后根 据能量筛选出合理的构象;
(4) 利用 QM的方法验证步骤 (3) 产生的构象, 如果验证通过, 说 明步骤 (3) 推荐的构象是有效的, 否则需要下一步对力场进行校正
(5) 力场修正; 如果通用力场无法准确的描述这个分子的化学环境
, 就需要针对这个分子, 对力场参数针对性的提升; 通过对相应片段 的分析, 会根据柔性键、 环异构、 构型异构这几个类型加入 QM采样 计算作为力场参数修正的训练集, 然后进行力场参数的修正; 修正完 之后, 重新进行力场扫描;
(6) 汇集片段的构象列表; 将每个片段分开推荐的构象列表进行汇 集, 将构象表达的数值进行提取, 包括柔性键的二面角值, 或者环异 构的异构空间参数, 以及顺反或手性的标识, 用于后续参数进行组合 优化;
(7) 使用遗传算法, 将各个片段的构象参数进行组合优化, 全局搜 索的方式找到最优的一组构象。
[权利要求 2] 根据权利要求 1所述的类药有机分子的自动化构象分析方法, 其特征 在于, 步骤 (4) 所述的验证方法主要有两种:
极值点位置分析, 通过对极值点以及附近进行采样计算, 比较 QM和 分子力场的极值点的位置是否吻合;
或者, 对推荐出的构象的相对能量进行分析, 验证 QM与分子力场计 算的相关性, 从而验证力场的精度。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/466,645 US11443834B2 (en) | 2018-05-09 | 2018-05-09 | Automatic conformation analysis method for quasi-drug organic molecules |
PCT/CN2018/086195 WO2019134319A1 (zh) | 2018-05-09 | 2018-05-09 | 类药有机分子的自动化构象分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2018/086195 WO2019134319A1 (zh) | 2018-05-09 | 2018-05-09 | 类药有机分子的自动化构象分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2019134319A1 true WO2019134319A1 (zh) | 2019-07-11 |
Family
ID=67143559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2018/086195 WO2019134319A1 (zh) | 2018-05-09 | 2018-05-09 | 类药有机分子的自动化构象分析方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11443834B2 (zh) |
WO (1) | WO2019134319A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113764054A (zh) * | 2021-08-30 | 2021-12-07 | 深圳晶泰科技有限公司 | 一种功能有机晶体材料设计方法 |
CN114171126A (zh) * | 2021-10-26 | 2022-03-11 | 深圳晶泰科技有限公司 | 分子训练集的构建方法、训练方法及相关装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1886659A (zh) * | 2003-10-14 | 2006-12-27 | 维颂公司 | 分子构像及组合的分析方法及仪器 |
US20090248321A1 (en) * | 2007-03-23 | 2009-10-01 | Hiroshi Izumi | Conformation analysis device, analysis method, conformational notation device and notation method |
CN103984878A (zh) * | 2014-04-08 | 2014-08-13 | 浙江工业大学 | 一种基于树搜索和片段组装的蛋白质结构预测方法 |
CN108763852A (zh) * | 2018-05-09 | 2018-11-06 | 深圳晶泰科技有限公司 | 类药有机分子的自动化构象分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020025535A1 (en) * | 2000-06-15 | 2002-02-28 | Diller David J. | Prioritization of combinatorial library screening |
-
2018
- 2018-05-09 US US16/466,645 patent/US11443834B2/en active Active
- 2018-05-09 WO PCT/CN2018/086195 patent/WO2019134319A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1886659A (zh) * | 2003-10-14 | 2006-12-27 | 维颂公司 | 分子构像及组合的分析方法及仪器 |
US20090248321A1 (en) * | 2007-03-23 | 2009-10-01 | Hiroshi Izumi | Conformation analysis device, analysis method, conformational notation device and notation method |
CN103984878A (zh) * | 2014-04-08 | 2014-08-13 | 浙江工业大学 | 一种基于树搜索和片段组装的蛋白质结构预测方法 |
CN108763852A (zh) * | 2018-05-09 | 2018-11-06 | 深圳晶泰科技有限公司 | 类药有机分子的自动化构象分析方法 |
Also Published As
Publication number | Publication date |
---|---|
US20210265019A1 (en) | 2021-08-26 |
US11443834B2 (en) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108763852B (zh) | 类药有机分子的自动化构象分析方法 | |
Ruffolo et al. | Antibody structure prediction using interpretable deep learning | |
Kaltenecker et al. | Distance-based sampling of software configuration spaces | |
Fernandez-Fuentes et al. | Comparative protein structure modeling by combining multiple templates and optimizing sequence-to-structure alignments | |
Bates et al. | Enhancement of protein modeling by human intervention in applying the automatic programs 3D‐JIGSAW and 3D‐PSSM | |
Shen et al. | Homology modeling of larger proteins guided by chemical shifts | |
Ma et al. | Algorithms, applications, and challenges of protein structure alignment | |
Shen et al. | When homologous sequences meet structural decoys: Accurate contact prediction by tFold in CASP14—(tFold for CASP14 contact prediction) | |
Gao et al. | Alphadesign: A graph protein design method and benchmark on alphafolddb | |
Li et al. | Sequence clustering strategies improve remote homology recognitions while reducing search times | |
Robles et al. | Bayesian network multi-classifiers for protein secondary structure prediction | |
WO2019134319A1 (zh) | 类药有机分子的自动化构象分析方法 | |
CN113066525B (zh) | 一种基于集成学习与混合神经网络的多靶标药物筛选方法 | |
Zheng et al. | Protein structure prediction constrained by solution X-ray scattering data and structural homology identification | |
CN115132270A (zh) | 药物筛选方法及系统 | |
Liu et al. | PSP: million-level protein sequence dataset for protein structure prediction | |
Ashtawy et al. | Boosted neural networks scoring functions for accurate ligand docking and ranking | |
CN117198408A (zh) | 一种多模型综合集成药物重定位系统及方法 | |
CN1129081C (zh) | 匹配引擎 | |
Gu et al. | CurrMG: A curriculum learning approach for graph based molecular property prediction | |
US8024127B2 (en) | Local-global alignment for finding 3D similarities in protein structures | |
Konopka et al. | Quality assessment of protein model-structures based on structural and functional similarities | |
Glick et al. | Panoramic: A package for constructing eukaryotic pan‐genomes | |
Rahman et al. | Exploring Chromatin Interaction Between Two Human Cell Types and Different Normalization Techniques for HI-C Data | |
Sammeth et al. | Global multiple‐sequence alignment with repeats |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 18898025 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
32PN | Ep: public notification in the ep bulletin as address of the adressee cannot be established |
Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 12/04/2021) |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 18898025 Country of ref document: EP Kind code of ref document: A1 |