WO2021004021A1 - 一种药物研发过程中的数据管理系统及其使用方法 - Google Patents

一种药物研发过程中的数据管理系统及其使用方法 Download PDF

Info

Publication number
WO2021004021A1
WO2021004021A1 PCT/CN2019/126993 CN2019126993W WO2021004021A1 WO 2021004021 A1 WO2021004021 A1 WO 2021004021A1 CN 2019126993 W CN2019126993 W CN 2019126993W WO 2021004021 A1 WO2021004021 A1 WO 2021004021A1
Authority
WO
WIPO (PCT)
Prior art keywords
module
drug
data
management system
model
Prior art date
Application number
PCT/CN2019/126993
Other languages
English (en)
French (fr)
Inventor
陈勇攀
袁久闯
刘阳
马健
赖力鹏
温书豪
Original Assignee
深圳晶泰科技有限公司
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 深圳晶泰科技有限公司 filed Critical 深圳晶泰科技有限公司
Priority to PCT/CN2019/126993 priority Critical patent/WO2021004021A1/zh
Publication of WO2021004021A1 publication Critical patent/WO2021004021A1/zh

Links

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

Definitions

  • This application belongs to the technical field of drug development systems, and in particular relates to a data management system in the process of drug development.
  • the technical problem to be solved by the present invention is to solve the insufficiency of virtual screening and data management of large quantities of potential drug molecules in the prior art, thereby providing a data management system in the drug development process.
  • a data management system in the drug development process including:
  • User module the user module is used to establish user information and roles, implement user login in the system, and restrict specific function permissions according to different user information
  • R&D pipeline management module which isolates the data of each R&D pipeline, assigns different personnel to different pipelines, and specifies the authority of the personnel in the pipeline;
  • AI model management module integrates an AI drug molecule generation model, and provides training and use functions of the AI model;
  • a virtual screening module where the virtual screening module is used to screen drug molecular models preliminarily generated by the AI model management module;
  • analysis module the analysis module is used to analyze and record the screening results of the virtual screening module
  • a visualization module where the data set of each molecule is represented graphically, and the data sets of each molecule are connected by connecting lines to indicate the association relationship between the data sets; the user module can pass
  • the visualization module interacts with the AI model management module, virtual screening module, and analysis module.
  • the virtual screening module is integrated with a preset virtual screening method and a conformation generator, and the conformation generator is based on a molecular position and can analyze the generated drug molecules
  • the model is transformed into a three-dimensional structure.
  • the preset virtual screening method includes basic property screening, molecular docking, QSAR calculation, GBSA calculation and FEP calculation.
  • the virtual screening module is also provided with a cloud computing interface, and the cloud computing interface is used to implement scheduling calculations for GBSA calculation and FEP calculation.
  • the virtual screening module is further provided with a development component, which is used to realize the docking with the virtual screening method developed by the user.
  • the visualization module represents the data set of each molecule in a circle; the data sets of each molecule are connected by a connecting line, which means This data set has performed certain operations to get another data set.
  • the operation steps and their corresponding conversion rates are marked on the connecting line.
  • the data set of each molecule is represented by a circle, and the additional molecular data set is used as an inner circle.
  • the cube root of the number of molecules is the radius of the circle, which represents the radius of a solid sphere.
  • the analysis module is designed based on a data-driven format, and the calculation results are presented in the form of multiple charts; or, the analysis module runs independently from Extract data from a molecular data set for custom analysis.
  • a method for drug development characterized in that the data management system in the drug development process is used
  • S1 Enter the molecular structure of the drug
  • S2 Use the AI model management module to generate a large number of drug molecular models based on the entered drug molecular structure
  • S3 Use a virtual screening module to screen the drug molecule model preliminarily generated by the AI model management module to obtain some candidate drug molecules, and present the screening result in the visualization module;
  • a mass drug R&D system adapted to the AI drug molecule generation model, capable of screening nearly a million molecules in batches through various model methods, and ensuring R&D efficiency even when the molecular magnitude is greatly improved;
  • the drug molecules generated by different drug design methods can be integrated, which facilitates the formation of a unified drug research and development collaboration and drug molecule calculation and evaluation system, and at the same time allows managers to have an overview of each drug development pipeline as a whole happening; [0031] 3. For a certain pipeline drug research and development process, the molecular and screening decision data will remain in the system, which can unify the data of the research and development process, facilitate overall traceability, and is more conducive to data security protection.
  • FIG. 1 is a schematic diagram of the framework of a data management system according to an embodiment of the present application.
  • FIG. 2 is a schematic diagram of a use process of a data management system according to an embodiment of the present application
  • FIG. 3 is a schematic diagram of a visualization module of an embodiment of the present application.
  • connection should be understood in a broad sense, for example, it may be a fixed connection or It is a detachable connection or an integral connection; it can be a mechanical connection or an electrical connection; it can be a direct connection or an indirect connection through an intermediate medium, and it can be a connection between two components.
  • connection should be understood in a broad sense, for example, it may be a fixed connection or It is a detachable connection or an integral connection; it can be a mechanical connection or an electrical connection; it can be a direct connection or an indirect connection through an intermediate medium, and it can be a connection between two components.
  • This embodiment provides a data management system in the drug development process, as shown in FIG. 1 to FIG. 3, including: User module, R&D pipeline management module, virtual screening module, AI model management module, visualization module, and analysis module.
  • the user module is used to establish user information and roles, realize user login in the system, and based on different user information
  • the specific functional authority is restricted.
  • the user module is the basic module of the system.
  • the user's information and roles are established to limit the user's login and specific functional authority in the system. It is also used as the data of the entire R&D process.
  • the generated main index The R&D pipeline management module isolates the data of each R&D pipeline, assigns different personnel to different pipelines, and specifies the authority of the personnel in the pipeline.
  • the collaboration of the R&D personnel is also carried out on a pipeline unit.
  • R&D personnel can perform operations or calculations based on molecular data sets, generate new data sets, and specify the authority of the operation and visibility to others.
  • the virtual screening module is integrated with a preset virtual screening method and a conformation generator, and the conformation generator is based on a molecular position to convert the generated molecules into a three-dimensional structure.
  • the AI model management module integrates the AI drug molecule generation model, and provides the training and use functions of the AI model. Specifically, the AI model management module provides the ability to train and use the AI model in the system.
  • the module integrates the AI drug molecule generation model, and optimizes the model through feedback of data results in the development process.
  • the visualization module represents the data set of each molecule in a circle; the data sets of each molecule are connected by a connecting line, which means that another data set is obtained from the data set by a certain operation; the connection The operation steps and their corresponding conversion rates are marked online.
  • the visualization module provides users with an intuitive understanding of the entire drug development process in the system, and is also the user operation portal of the system; this can form a new drug
  • the map of the R&D process records the process and results of each R&D step.
  • the analysis module is used to analyze and record the screening results of the virtual screening module.
  • the analysis module supports the calculation results of the virtual screening module in the system, based on a data-driven format design, and presents the quality of the calculation results in the form of multiple charts. It can also run independently to extract data from a molecular data set for custom analysis. For example: Atomic weight distribution analysis, hydrogen bond acceptor number distribution analysis, LogP numerical distribution analysis, correlation between a certain group and binding energy, etc.
  • the preset virtual screening method includes basic property screening, molecular docking, QSAR calculation, GBSA calculation, and FEP calculation.
  • the system also provides a cloud computing interface for scheduling calculations.
  • the virtual screening module is also provided with a development component, and the development component is used to realize The self-developed virtual screening method is connected.
  • the additionally added molecular data set is used as a circle, and the cube root of the number of molecules is used as the radius of the circle to form a solid spherical radius structure.
  • the analysis module is designed based on a data-driven format, and the calculation results are presented in the form of multiple charts; or, the analysis module runs independently to extract data from a certain molecular data set for custom analysis.
  • the present invention is suitable for virtual screening and data management of large quantities of potential drug molecules generated in the traditional drug development process by combining AI molecule generation models and computer-aided drug design methods.
  • Data analysis of the results of the screening process can be performed to generate models and computer-aided drugs for molecules
  • the designed method provides directions for improvement; through the above functions, the overall efficiency and data traceability of the drug development process under high-tech are improved.
  • a drug R&D department of an organization plans to develop a new drug for a target.
  • the drug design group of the R&D department includes medicinal chemistry, computer-aided drug design and AI drug design teams.
  • the medicinal chemistry team designed dozens of drug molecules based on experience and known drug structures; the computer-aided drug design team designed thousands of drug molecules by replacing side chains based on drug structure methods; AI drug design team More than 100,000 drug molecules have been generated through the AI molecular generation model.
  • Each team introduced the designed molecules into the system, and the personnel who performed the steps of virtual screening performed preliminary screening of this batch of molecules through ligand-based methods, QSAR methods, and molecular docking methods to obtain hundreds of candidate drug molecules After further screening by GBSA and FEP methods, more than a dozen candidate drug molecules were obtained. These molecules are submitted to the drug synthesis team for synthesis and then biological activity experiments.

Landscapes

  • Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种药物研发过程中的数据管理系统及其使用方法，包括：用户模块、研发管线管理模块、虚拟筛选模块、AI模型管理模块、可视化模块和分析模块，所述研发管线管理模块将每条研发管线的数据隔离；所述虚拟筛选模块集成有预设虚拟筛选方法和构象生成器；所述AI模型管理模块内集成有AI药物分子生成模型，并提供有AI模型的训练和使用功能；所述可视化模块将每一个分子的数据集合以圆形进行表示；所述分析模块用于分析和记录虚拟筛选模块的筛选结果。该方法能够通过各类模型方法批量筛选近百万量级的分子，在分子数量级大大提高的情况下依然能够保证研发效率。

Description

一种药物研发过程中的数据管理系统及其使用方法 技术领域
[0001] 本申请属于药物研发系统技术领域， 尤其是涉及一种药物研发过程中的数据管 理系统。
背景技术
[0002] 在传统的药物研发系统中， 通常使用计算机程序来进行药物的设计、 筛选并结 合实际的实验合成出分子并进行验证。 主要是通过多种模块来完成不同的药物 研发步骤， 通常此类系统包含的主要模块为： 基于结构 /配体 /受体等的药物设计 、 分子 /蛋白的 3D可视化、 分子模拟 （分子动力学、 量化方法、 自由能计算等）
、 虚拟筛选。 典型的已有系统为： Schrodinger的 Maestro， Chemical Computing Group的 MOE等。 总体来说， 传统的药物研发系统提供的功能， 满足了药物研发 工作者对于药物设计和筛选的基础需要。
[0003] 但是， 传统的技术存在以下几个缺陷：
[0004] 1） 传统的药物研发方法为： 通过计算机模拟筛选再合成药物进行合成验证， 但是这种方式难以支撑十万到百万药物分子量级的工作， 导致了研发时间周期 将被拉长；
[0005] 2） 随着进入药物研发流程的分子量级的增长， 参与研发流程的研发人员数量 也会增长， 基于药物研发数据的研发协作也会增多， 传统的基于本地化软件药 物研发系统无法高效地进行数据方面的共享协作， 数据的展示不够直观， 数据 流通过程中的安全性也受到挑战；
[0006] 3） 传统的基于本地化软件药物研发系统对于药物研发过程中的数据的记录不 足， 大多依赖研发人员手动操作去记录， 会导致数据不够全面。 这首先不利于 研发过程的追溯。
发明概述
技术问题
问题的解决方案 技术解决方案
[0007] 本发明要解决的技术问题是： 为解决现有技术中无法实现大批量潜在药物分子 的虚拟筛选和数据管理工作的不足， 从而提供一种药物研发过程中的数据管理 系统。
[0008] 本发明解决其技术问题所采用的技术方案是： 一种药物研发过程中的数据管理 系统， 包括：
[0009] 用户模块， 所述用户模块用于建立用户的信息和角色， 实现用户在系统中的登 录， 并根据不同的用户信息对其具体的功能权限进行限制；
[0010] 研发管线管理模块， 所述研发管线管理模块将每条研发管线的数据隔离， 为不 同的管线分配不同的人员， 并规定人员在该管线中的权限；
[0011] AI模型管理模块， 所述 AI模型管理模块内集成有 AI药物分子生成模型， 并提供 有 AI模型的训练和使用功能；
[0012] 虚拟筛选模块， 所述虚拟筛选模块用于对所述 AI模型管理模块初步生成的药物 分子模型进行筛选；
[0013] 分析模块， 所述分析模块用于分析和记录虚拟筛选模块的筛选结果；
[0014] 可视化模块， 所述可视化模块将每一个分子的数据集合以图形进行表示， 各分 子的数据集之间通过连接线进行连接以表示数据集之间的关联关系； 所述用户 模块能够通过所述可视化模块与所述 AI模型管理模块、 虚拟筛选模块、 分析模 块交互。
[0015] 优选地， 本发明的药物研发过程中的数据管理系统， 所述虚拟筛选模块集成有 预设虚拟筛选方法和构象生成器， 所述构象生成器基于分子立场， 能够将生成 的药物分子模型转化为三维结构。
[0016] 优选地， 本发明的药物研发过程中的数据管理系统， 所述预设虚拟筛选方法包 括基础性质筛选、 分子对接、 QSAR计算、 GBSA计算和 FEP计算。
[0017] 优选地， 本发明的药物研发过程中的数据管理系统， 所述虚拟筛选模块还设置 有云计算接口， 该云计算接口用于实现 GBSA计算和 FEP计算的调度计算。
[0018] 优选地， 本发明的药物研发过程中的数据管理系统， 所述虚拟筛选模块还设置 有开发组件， 该开发组件用以实现和用户自行开发的虚拟筛选方法进行对接。 [0019] 优选地， 本发明的药物研发过程中的数据管理系统， 所述可视化模块将每一个 分子的数据集合以圆形进行表示； 各分子的数据集之间通过连接线进行连接， 表示从该数据集进行了一定的操作得到了另一数据集。
[0020] 优选地， 本发明的药物研发过程中的数据管理系统， 所述连接线上标注有操作 步骤及其对应的转化率。
[0021] 优选地， 本发明的药物研发过程中的数据管理系统， 在所述可视化模块中， 每 一个分子的数据集合以圆形进行表示， 将额外添加的分子数据集作为內圆， 并 使用分子数量立方根作为圆的半径， 代表一个实体球形的半径。
[0022] 优选地， 本发明的药物研发过程中的数据管理系统， 所述分析模块基于数据驱 动的形式设计， 通过多图表的形式呈现计算结果的好坏； 或者， 所述分析模块 独立运行从某一分子数据集中提取数据进行自定义分析。
[0023] 一种药物研发方法， 其特征在于， 使用所述的药物研发过程中的数据管理系统
， 包括以下步骤：
[0024] S1： 录入药物分子结构；
[0025] S2： 使用 AI模型管理模块以录入的药物分子结构为基础生成大量的药物分子模 型；
[0026] S3： 使用虚拟筛选模块对所述 AI模型管理模块初步生成的药物分子模型进行筛 选， 得到部分候选药物分子， 并将筛选结果呈现在所述可视化模块中；
[0027] S4： 将候选药物分子提交给药物合成团队进行合成再进行生物活性实验。
发明的有益效果
有益效果
[0028] 本发明的有益效果是：
[0029] 1.适应 AI药物分子生成模型的大批量药物研发系统， 能够通过各类模型方法批 量筛选近百万量级的分子， 在分子数量级大大提高的情况下依然能够保证研发 效率；
[0030] 2.基于本系统， 可以使不同药物设计方法产生的药物分子进行整合， 方便形成 统一的药物研发协作和药物分子计算评价体制， 同时也可以让管理者总览每条 药物研发管线的整体情况； [0031] 3.对于某一条管线药物研发过程中的分子、 筛选决策数据都会留在系统中， 能 够将研发过程的数据统一， 方便整体追溯， 也更利于数据安全的防护。
对附图的简要说明
附图说明
[0032] 下面结合附图和实施例对本申请的技术方案进一步说明。
[0033] 图 1是本申请实施例的数据管理系统的框架示意图；
[0034] 图 2是本申请实施例的数据管理系统的使用流程示意图
[0035] 图 3是本申请实施例的可视化模块的示意图。
发明实施例
本发明的实施方式
[0036] 需要说明的是， 在不冲突的情况下， 本申请中的实施例及实施例中的特征可以 相互组合。
[0037] 在本申请的描述中， 需要理解的是， 术语“中心”、 “纵向”、 “横向”、 “上”、 “下 ”、 “前”、 “后”、 “左”、 “右”、 “竖直”、 “水平”、 “顶”、 “底”、 “内”、 “外”等指示 的方位或位置关系为基于附图所示的方位或位置关系， 仅是为了便于描述本申 请和简化描述， 而不是指示或暗示所指的装置或元件必须具有特定的方位、 以 特定的方位构造和操作， 因此不能理解为对本申请保护范围的限制。 此外， 术 语“第一”、 “第二”等仅用于描述目的， 而不能理解为指示或暗示相对重要性或者 隐含指明所指示的技术特征的数量。 由此， 限定有“第一”、 “第二”等的特征可以 明示或者隐含地包括一个或者更多个该特征。 在本发明创造的描述中， 除非另 有说明， “多个”的含义是两个或两个以上。
[0038] 在本申请的描述中， 需要说明的是， 除非另有明确的规定和限定， 术语“安装” 、 “相连”、 “连接”应做广义理解， 例如， 可以是固定连接， 也可以是可拆卸连接 ， 或一体地连接； 可以是机械连接， 也可以是电连接； 可以是直接相连， 也可 以通过中间媒介间接相连， 可以是两个元件内部的连通。 对于本领域的普通技 术人员而言， 可以通过具体情况理解上述术语在本申请中的具体含义。
[0039] 下面将参考附图并结合实施例来详细说明本申请的技术方案。 实施例
[0040] 本实施例提供一种药物研发过程中的数据管理系统， 如图 1至图 3所示， 包括： 用户模块、 研发管线管理模块、 虚拟筛选模块、 AI模型管理模块、 可视化模块 和分析模块， 所述用户模块用于建立用户的信息和角色， 实现用户在系统中的 登录， 并根据不同的用户信息对其具体的功能权限进行限制， 具体地， 用户模 块为本系统的基础模块， 通过建立用户的信息和角色， 来限定用户在系统中的 登录和具体的功能权限， 也是作为整个研发流程数据的产生的主索引。 所述研 发管线管理模块将每条研发管线的数据隔离， 为不同的管线分配不同的人员， 并规定人员在该管线中的权限， 具体地， 研发人员的协作也是以管线为单位进 行的。 在研发管线内， 研发人员可以基于分子的数据集进行操作或计算， 生成 新的数据集， 并规定该操作的权限和对其他人的可见性。 所述虚拟筛选模块集 成有预设虚拟筛选方法和构象生成器， 所述构象生成器基于分子立场， 以将生 成的分子转化为三维结构。 所述 AI模型管理模块内集成有 AI药物分子生成模型 ， 并提供有 AI模型的训练和使用功能， 具体地， AI模型管理模块在本系统中提 供了对 AI模型的训练和使用的能力， 该模块集成了 AI药物分子生成模型， 并通 过在研发流程中的数据结果进行反馈对模型进行优化。 所述可视化模块将每一 个分子的数据集合以圆形进行表示； 各分子的数据集之间通过连接线进行连接 ， 表示从该数据集进行了某一操作得到了另一数据集； 所述连接线上标注有操 作步骤及其对应的转化率， 具体地， 可视化模块在本系统中为用户提供了直观 的了解整个药物研发流程的情况， 同时也是本系统的用户操作入口； 如此可以 形成一个新药研发过程的地图， 记录每一个研发步骤的过程和结果。 所述分析 模块用于分析和记录虚拟筛选模块的筛选结果。 具体地， 分析模块在本系统中 支撑虚拟筛选模块的计算结果， 基于数据驱动的形式设计， 通过多图表的形式 呈现计算结果的好坏。 也可以独立运行从某一分子数据集中提取数据进行自定 义分析。 例如进行： 原子量数量分布分析、 氢键受体数量分布分析、 LogP数值 分布分析、 某基团与结合能的相关性等等。
[0041] 作为优化， 所述预设虚拟筛选方法包括础性质筛选、 分子对接、 QSAR计算、 GBSA计算和 FEP计算。 由于 GBSA和 FEP方法消耗计算量较大， 而其余方法要处 理的分子量级较多， 本系统也提供了云计算接口进行调度计算。
[0042] 作为优化， 所述虚拟筛选模块还设置有开发组件， 该开发组件用以实现和用户 自行开发的虚拟筛选方法进行对接。
[0043] 作为优化， 在所述可视化模块中， 将额外添加的分子数据集作为 圆， 并使用 分子数量立方根作为圆的半径， 以形成实体球形的半径结构。
[0044] 作为优化， 所述分析模块基于数据驱动的形式设计， 通过多图表的形式呈现计 算结果的好坏； 或者， 所述分析模块独立运行从某一分子数据集中提取数据进 行自定义分析。
[0045] 综上， 本发明适用于结合 AI分子生成模型和计算机辅助药物设计的方法进行的 传统药物研发流程中产生的大批量潜在药物分子的虚拟筛选和数据管理工作。 能够以可视化的方式展现大批量分子在虚拟筛选过程中的数量变化； 通过数据 持久化技术， 使筛选过程的数据可追溯； 能够对筛选过程的结果进行数据分析 ， 为分子生成模型和计算机辅助药物设计的方法提供改进方向； 通过以上功能 来整体提高新技术下的药物研发流程效率和数据可追溯性。
[0046] 具体实施如下： 某组织药物研发部门计划针对一个靶点开发一款新药。 该研发 部门的药物设计组有药物化学、 计算机辅助药物设计和 AI药物设计的团队。
[0047] 其中药物化学团队根据经验和已知药物结构设计出了几十个药物分子； 计算机 辅助药物设计团队通过基于药物结构的方法替换侧链设计出了数千个药物分子 ; AI药物设计团队通过 AI分子生成模型生成了十万多个药物分子。
[0048] 各团队分别将设计的分子导入系统， 执行虚拟筛选的步骤的人员通过基于配体 的方法、 QSAR的方法、 分子对接等方法对这一批分子进行初步筛选得到几百个 候选药物分子， 再通过 GBSA和 FEP的方法进一步筛选得到十几个候选药物分子 。 这部分分子提交给药物合成团队进行合成再进行生物活性实验。
[0049] 过程中， 所有团队产生的分子都记录在系统中， 可清晰地了解到研发过程中的 每一步骤通过筛选的药物分子数量， 如附图 3 随着每一步的筛选， 分子都会被 打上结果标签， 返回到分子设计来源的团队， 让他们根据结果优化设计思路， 尤其对于 AI生成模型， 可以作为新的训练集对生成模型进行优化。 而在过程中 ， 药物分子在系统按操作人员和来源进行了隔离， 在实现基于系统进行协作的 情况下也保证了信息的安全性。
[0050] 以上述依据本申请的理想实施例为启示， 通过上述的说明内容， 相关工作人员 完全可以在不偏离本项申请技术思想的范围内， 进行多样的变更以及修改。 本 项申请的技术性范围并不局限于说明书上的内容， 必须要根据权利要求范围来 确定其技术性范围。

Claims

权利要求书
[权利要求 1] 一种药物研发过程中的数据管理系统， 其特征在于， 包括：
用户模块， 所述用户模块用于建立用户的信息和角色， 实现用户在系 统中的登录， 并根据不同的用户信息对其具体的功能权限进行限制； 研发管线管理模块， 所述研发管线管理模块将每条研发管线的数据隔 离， 为不同的管线分配不同的人员， 并规定人员在该管线中的权限； AI模型管理模块， 所述 AI模型管理模块内集成有 AI药物分子生成模 型， 并提供有 AI模型的训练和使用功能；
虚拟筛选模块， 所述虚拟筛选模块用于对所述 AI模型管理模块初步生 成的药物分子模型进行筛选；
分析模块， 所述分析模块用于分析和记录虚拟筛选模块的筛选结果； 可视化模块， 所述可视化模块将每一个分子的数据集合以图形进行表 示， 各分子的数据集之间通过连接线进行连接以表示数据集之间的关 联关系； 所述用户模块能够通过所述可视化模块与所述 AI模型管理模 块、 虚拟筛选模块、 分析模块交互。
[权利要求 2] 根据权利要求 1所述的药物研发过程中的数据管理系统， 其特征在于 ， 所述虚拟筛选模块集成有预设虚拟筛选方法和构象生成器， 所述构 象生成器基于分子立场， 能够将生成的药物分子模型转化为三维结构
[权利要求 3] 根据权利要求 1所述的药物研发过程中的数据管理系统， 其特征在于 ， 所述预设虚拟筛选方法包括基础性质筛选、 分子对接、 QSAR计算 、 GBSA计算和 FEP计算。
[权利要求 4] 根据权利要求 3所述的药物研发过程中的数据管理系统， 其特征在于 ， 所述虚拟筛选模块还设置有云计算接口， 该云计算接口用于实现 G BSA计算和 FEP计算的调度计算。
[权利要求 5] 根据权利要求 3所述的药物研发过程中的数据管理系统， 其特征在于 ， 所述虚拟筛选模块还设置有开发组件， 该开发组件用以实现和用户 自行开发的虚拟筛选方法进行对接。
[权利要求 6] 根据权利要求 1所述的药物研发过程中的数据管理系统， 其特征在于 ， 所述可视化模块将每一个分子的数据集合以圆形进行表示； 各分子 的数据集之间通过连接线进行连接， 表示从该数据集进行了一定的操 作得到了另一数据集。
[权利要求 7] 根据权利要求 6所述的药物研发过程中的数据管理系统， 其特征在于 ， 所述连接线上标注有操作步骤及其对应的转化率。
[权利要求 8] 根据权利要求 7所述的药物研发过程中的数据管理系统， 其特征在于 ， 在所述可视化模块中， 每一个分子的数据集合以圆形进行表示， 将 额外添加的分子数据集作为內圆， 并使用分子数量立方根作为圆的半 径， 代表一个实体球形的半径。
[权利要求 9] 根据权利要求 1-8任一项所述的药物研发过程中的数据管理系统， 其 特征在于， 所述分析模块基于数据驱动的形式设计， 通过多图表的形 式呈现计算结果的好坏； 或者， 所述分析模块独立运行从某一分子数 据集中提取数据进行自定义分析。
[权利要求 10] 一种药物研发方法， 其特征在于， 使用如权利要求 1-9任一项所述的 药物研发过程中的数据管理系统， 包括以下步骤：
S1： 录入药物分子结构；
S2： 使用 AI模型管理模块以录入的药物分子结构为基础生成大量的 药物分子模型；
S3： 使用虚拟筛选模块对所述 AI模型管理模块初步生成的药物分子 模型进行筛选， 得到部分候选药物分子， 并将筛选结果呈现在所述可 视化模块中；
S4： 将候选药物分子提交给药物合成团队进行合成再进行生物活性实 验。
PCT/CN2019/126993 2019-12-20 2019-12-20 一种药物研发过程中的数据管理系统及其使用方法 WO2021004021A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/CN2019/126993 WO2021004021A1 (zh) 2019-12-20 2019-12-20 一种药物研发过程中的数据管理系统及其使用方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2019/126993 WO2021004021A1 (zh) 2019-12-20 2019-12-20 一种药物研发过程中的数据管理系统及其使用方法

Publications (1)

Publication Number Publication Date
WO2021004021A1 true WO2021004021A1 (zh) 2021-01-14

Family

ID=74114075

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/126993 WO2021004021A1 (zh) 2019-12-20 2019-12-20 一种药物研发过程中的数据管理系统及其使用方法

Country Status (1)

Country Link
WO (1) WO2021004021A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643826A (zh) * 2021-08-31 2021-11-12 重庆电子工程职业学院 病理药物作用监测系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090306902A1 (en) * 2005-12-20 2009-12-10 Biosolveit Gmbh Screening Method
CN102279903A (zh) * 2010-06-12 2011-12-14 信东生技股份有限公司 集成式药品研发相关数据分析与报告生成服务服务器
CN102663214A (zh) * 2012-05-09 2012-09-12 四川大学 一种集成药物靶标预测系统的构建和预测方法
CN107862173A (zh) * 2017-11-15 2018-03-30 南京邮电大学 一种先导化合物虚拟筛选方法和装置
CN110459275A (zh) * 2019-08-13 2019-11-15 广东工业大学 一种基于强化学习的图模型药物生成方法、装置和介质
CN110459274A (zh) * 2019-08-01 2019-11-15 南京邮电大学 一种基于深度迁移学习的小分子药物虚拟筛选方法及其应用
CN110534164A (zh) * 2019-09-26 2019-12-03 广州费米子科技有限责任公司 基于深度学习的药物分子生成方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090306902A1 (en) * 2005-12-20 2009-12-10 Biosolveit Gmbh Screening Method
CN102279903A (zh) * 2010-06-12 2011-12-14 信东生技股份有限公司 集成式药品研发相关数据分析与报告生成服务服务器
CN102663214A (zh) * 2012-05-09 2012-09-12 四川大学 一种集成药物靶标预测系统的构建和预测方法
CN107862173A (zh) * 2017-11-15 2018-03-30 南京邮电大学 一种先导化合物虚拟筛选方法和装置
CN110459274A (zh) * 2019-08-01 2019-11-15 南京邮电大学 一种基于深度迁移学习的小分子药物虚拟筛选方法及其应用
CN110459275A (zh) * 2019-08-13 2019-11-15 广东工业大学 一种基于强化学习的图模型药物生成方法、装置和介质
CN110534164A (zh) * 2019-09-26 2019-12-03 广州费米子科技有限责任公司 基于深度学习的药物分子生成方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643826A (zh) * 2021-08-31 2021-11-12 重庆电子工程职业学院 病理药物作用监测系统及方法

Similar Documents

Publication Publication Date Title
Getuli et al. BIM-based immersive Virtual Reality for construction workspace planning: A safety-oriented approach
US7860810B2 (en) Discrete event system and method for simulating global product development
Suryantara et al. Development of Medical Record With Extreme Programming SDLC
CN107424101A (zh) 一种住院医师培训管理系统
CN111180020B (zh) 一种药物研发过程中的数据管理系统及其使用方法
CN104504175A (zh) 航天器装配仿真系统及仿真方法
WO2021004021A1 (zh) 一种药物研发过程中的数据管理系统及其使用方法
Jiang et al. Petabyte-scale multi-morphometry of single neurons for whole brains
Romero et al. Pharmacometrics as a discipline is entering the “industrialization” phase: standards, automation, knowledge sharing, and training are critical for future success
Pérez-Sánchez et al. Developing science gateways for drug discovery in a grid environment
Mingshi et al. Structural design of digital twin laboratory model based on instruments sharing platform
Riedel et al. Exploring the potential of using multiple e-science infrastructures with emerging open standards-based e-health research tools
Viceconti et al. From the digital twins in healthcare to the Virtual Human Twin: a moon-shot project for digital health research
Cui et al. Parallel workflow tools to facilitate human brain MRI post-processing
Six et al. Using software product lines to create blockchain products: application to supply chain traceability
Bettoni et al. Application of HL7 FHIR in a microservice architecture for patient navigation on registration and appointments
Sudiarsa et al. Information System for Monitoring Production Process of Dried Kelor Leaf Dried Using the FAST Method
Chen et al. An Internet-based computing framework for the simulation of multi-scale response of structural systems
Li et al. The concept, structure and mechanism of industrial digital twin systems
CN117766120A (zh) 基于医院高通量测序管理信息系统的医疗综合管理系统
Boring et al. Deployment of a Full-Scope Commercial Nuclear Power Plant Control Room Simulator at the Idaho National Laboratory
Sarker JMVC: A Java Framework for Rapidly Developing Desktop Application Software Based on MVC
Yindi et al. Research on students' physical health evaluation method based on data mining
Roberto et al. Cylindrical Bending in Composite Structures by Means of Analytical and Numerical 2D/3D Shell Models
CN116071023A (zh) 一种项目履约管理方法和系统

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: 19936773

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 1205 DATED 10/11/2022)

122 Ep: pct application non-entry in european phase

Ref document number: 19936773

Country of ref document: EP

Kind code of ref document: A1