本發(fā)明屬于人工智能藥物，具體涉及一種基于孿生神經(jīng)網(wǎng)絡(luò)的多視圖分子對(duì)活性預(yù)測(cè)方法及裝置。

背景技術(shù)：

1、新藥研發(fā)是一項(xiàng)專業(yè)性高、周期漫長(zhǎng)、耗資巨大且失敗風(fēng)險(xiǎn)極高的工程，其流程包含了藥物作用靶點(diǎn)的確定、苗頭化合物的發(fā)現(xiàn)、先導(dǎo)化合物的優(yōu)化、臨床前候選化合物的確定以及臨床研究、審批上市和上市后監(jiān)測(cè)等各個(gè)階段。作為整個(gè)新藥研發(fā)流程的起點(diǎn)，苗頭化合物只具備了初步活性，需要使用先導(dǎo)化合物優(yōu)化的方法來(lái)將其改造為生物活性更高、成藥性更好的先導(dǎo)化合物。在先導(dǎo)化合物優(yōu)化的過(guò)程中，藥物分子自身的性質(zhì)和其與靶標(biāo)相互作用的方式尤為重要，需要被不斷測(cè)定和驗(yàn)證。

2、深度學(xué)習(xí)技術(shù)的迅猛發(fā)展為先導(dǎo)化合物的優(yōu)化帶來(lái)了新的可能。通過(guò)構(gòu)建模型學(xué)習(xí)海量的分子活性數(shù)據(jù)，模型能夠精準(zhǔn)地預(yù)測(cè)未知分子的活性，高效地探索化學(xué)結(jié)構(gòu)空間，篩選到具有更高活性的改造后的先導(dǎo)化合物分子。如公布號(hào)為cn115331750a的專利申請(qǐng)公開(kāi)了一種基于深度學(xué)習(xí)的新靶點(diǎn)化合物活性預(yù)測(cè)方法，通過(guò)構(gòu)建cnn、bilstm等模型學(xué)習(xí)分子的表征，實(shí)現(xiàn)了對(duì)分子活性的預(yù)測(cè)。但此類方法由于沒(méi)有考慮蛋白質(zhì)靶標(biāo)和分子間的相互作用關(guān)系，預(yù)測(cè)準(zhǔn)確性不足。再如公布號(hào)為cn114822717a的專利申請(qǐng)公開(kāi)了一種基于人工智能的藥物分子處理方法，通過(guò)對(duì)多個(gè)候選藥物分子以及目標(biāo)蛋白進(jìn)行活性預(yù)測(cè)處理，得到了每個(gè)候選藥物分子的活性信息，但此類方法只是將蛋白質(zhì)特征和分子特征通過(guò)拼接或加和的方式簡(jiǎn)單融合，沒(méi)有利用到候選分子間的活性差異，損失了一部分信息和訓(xùn)練效率。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述，本發(fā)明的目的是提供一種基于孿生神經(jīng)網(wǎng)絡(luò)的多視圖分子對(duì)活性預(yù)測(cè)方法及裝置，實(shí)現(xiàn)對(duì)分子的活性預(yù)測(cè)。

2、為實(shí)現(xiàn)上述發(fā)明目的，實(shí)施例提供的一種基于孿生神經(jīng)網(wǎng)絡(luò)的多視圖分子對(duì)活性預(yù)測(cè)方法，包括以下步驟：

3、構(gòu)建包含蛋白質(zhì)靶標(biāo)的分子對(duì)活性數(shù)據(jù)集，每對(duì)分子對(duì)活性數(shù)據(jù)包括一分子活性數(shù)據(jù)、另一分子活性數(shù)據(jù)、以及蛋白質(zhì)靶標(biāo)；

4、分別提取兩個(gè)分子的初始嵌入表示和蛋白質(zhì)靶標(biāo)的初始嵌入表示；

5、構(gòu)建具有孿生神經(jīng)網(wǎng)絡(luò)架構(gòu)的多視圖分子對(duì)活性預(yù)測(cè)模型，包括多視圖特征增強(qiáng)提取模塊，活性預(yù)測(cè)模塊，其中，多視圖特征增強(qiáng)提取模塊用于基于每個(gè)分子的初始嵌入表示和蛋白質(zhì)靶標(biāo)的初始嵌入表示進(jìn)行局部視圖和全局視圖的特征增強(qiáng)提取得到每個(gè)分子對(duì)應(yīng)的局部特征和全局特征，活性預(yù)測(cè)模塊用于基于兩個(gè)分子對(duì)應(yīng)的局部特征和全局特征預(yù)測(cè)兩個(gè)分子的活性差值，或者在已知一分子活性時(shí)預(yù)測(cè)另一分子活性；

6、利用每對(duì)分子對(duì)活性數(shù)據(jù)對(duì)多視圖分子對(duì)活性預(yù)測(cè)模型進(jìn)行預(yù)訓(xùn)練任務(wù)和微調(diào)任務(wù)的參數(shù)優(yōu)化，其中，預(yù)訓(xùn)練任務(wù)為預(yù)測(cè)兩個(gè)分子的活性差值，微調(diào)任務(wù)包括基于已知一分子活性預(yù)測(cè)另一分子活性；

7、使用參數(shù)優(yōu)化后的多視圖分子對(duì)活性預(yù)測(cè)模型進(jìn)行分子對(duì)活性預(yù)測(cè)。

8、優(yōu)選地，所述多視圖特征增強(qiáng)提取模塊包括局部視圖模塊和全局視圖模塊，其中，局部視圖模塊用于基于每個(gè)分子的初始嵌入表示提取分子內(nèi)相互作用的局部特征，全局視圖模塊用于基于每個(gè)分子的初始嵌入表示和蛋白質(zhì)靶標(biāo)的初始嵌入表示提取分子與蛋白質(zhì)間相互作用的全局特征。

9、優(yōu)選地，局部視圖模塊包括多個(gè)局部特征提取層，每個(gè)局部特征提取層包括自注意力層和第一非線性層，每個(gè)分子的初始嵌入表示依次經(jīng)過(guò)自注意力層和第一非線性層來(lái)提取內(nèi)部相互作用的局部特征；

10、全局視圖模塊包括與局部特征提取層相同層數(shù)的全局特征提取層，每個(gè)全局特征提取層包括交叉注意力層和第二非線性層，還共用局部特征提取層中的自注意力層，每個(gè)分子的初始嵌入表示經(jīng)過(guò)自注意力層提取特征后在交叉注意力層中與蛋白質(zhì)靶標(biāo)的初始嵌入表示進(jìn)行交叉關(guān)注來(lái)提取分子特征與蛋白質(zhì)相互作用的全局上下文信息，再經(jīng)過(guò)第二非線性層映射得到全局特征。

11、優(yōu)選地，所述還包括；多視圖特征提取模塊提取的局部特征和全局特征進(jìn)行各自的歸一化加權(quán)處理后輸入至活性預(yù)測(cè)模塊進(jìn)行活性預(yù)測(cè)。

12、優(yōu)選地，活性預(yù)測(cè)模塊中，基于兩分子對(duì)應(yīng)的局部特征和全局預(yù)測(cè)兩個(gè)分子的活性差值，包括：

13、兩個(gè)分子的局部特征之差輸入至多層感知機(jī)，兩個(gè)分子的全局特征之差同樣輸入至多層感知機(jī)，多層感知機(jī)計(jì)算輸出兩個(gè)分子的活性差值。

14、優(yōu)選地，活性預(yù)測(cè)模塊中，在已知一分子活性時(shí)預(yù)測(cè)另一分子活性，包括：

15、基于獲得的兩分子活性差值，已知一分子活性，則另一分子活性為已知一分子活性與兩分子活性差值之和。

16、優(yōu)選地，對(duì)多視圖分子對(duì)活性預(yù)測(cè)模型進(jìn)行參數(shù)優(yōu)化時(shí)采用監(jiān)督學(xué)習(xí)方式，針對(duì)預(yù)訓(xùn)練任務(wù)，基于預(yù)測(cè)的活性差值與真實(shí)活性差值之間的差值來(lái)構(gòu)建損失函數(shù)進(jìn)行參數(shù)優(yōu)化，針對(duì)微調(diào)任務(wù)，基于預(yù)測(cè)的另一分子活性與另一分子的真實(shí)活性之差來(lái)構(gòu)建損失函數(shù)進(jìn)行參數(shù)優(yōu)化。

17、為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明實(shí)施例還提供了一種基于孿生神經(jīng)網(wǎng)絡(luò)的多視圖分子對(duì)活性預(yù)測(cè)裝置，包括：

18、數(shù)據(jù)構(gòu)建單元，其用于構(gòu)建包含蛋白質(zhì)靶標(biāo)的分子對(duì)活性數(shù)據(jù)集，每對(duì)分子對(duì)活性數(shù)據(jù)包括第一分子活性數(shù)據(jù)、第二分子活性數(shù)據(jù)、以及蛋白質(zhì)靶標(biāo)；

19、嵌入表示單元，其用于分別提取兩個(gè)分子的初始嵌入表示和蛋白質(zhì)靶標(biāo)的初始嵌入表示；

20、模型構(gòu)建單元，其用于構(gòu)建具有孿生神經(jīng)網(wǎng)絡(luò)架構(gòu)的多視圖分子對(duì)活性預(yù)測(cè)模型，包括多視圖特征增強(qiáng)提取模塊，活性預(yù)測(cè)模塊，其中，多視圖特征增強(qiáng)提取模塊用于基于每個(gè)分子的初始嵌入表示和蛋白質(zhì)靶標(biāo)的初始嵌入表示進(jìn)行局部視圖和全局視圖的特征增強(qiáng)提取得到每個(gè)分子對(duì)應(yīng)的局部特征和全局特征，活性預(yù)測(cè)模塊用于基于兩個(gè)分子對(duì)應(yīng)的局部特征和全局特征預(yù)測(cè)兩個(gè)分子的活性差值，或者在已知一分子活性時(shí)預(yù)測(cè)另一分子活性；

21、參數(shù)優(yōu)化單元，其用于利用每對(duì)分子對(duì)活性數(shù)據(jù)對(duì)多視圖分子對(duì)活性預(yù)測(cè)模型進(jìn)行預(yù)訓(xùn)練任務(wù)和微調(diào)任務(wù)的參數(shù)優(yōu)化，其中，預(yù)訓(xùn)練任務(wù)為預(yù)測(cè)兩個(gè)分子的活性差值，微調(diào)任務(wù)包括基于已知一分子活性預(yù)測(cè)另一分子活性；

22、推理應(yīng)用單元，其用于使用參數(shù)優(yōu)化后的多視圖分子對(duì)活性預(yù)測(cè)模型進(jìn)行分子對(duì)活性預(yù)測(cè)。

23、為實(shí)現(xiàn)上述發(fā)明目的，實(shí)施例還提供了一種計(jì)算設(shè)備，包括存儲(chǔ)器和一個(gè)或多個(gè)處理器，所述存儲(chǔ)器中存儲(chǔ)有可執(zhí)行代碼，所述一個(gè)或多個(gè)處理器執(zhí)行所述可執(zhí)行代碼時(shí)，用于實(shí)現(xiàn)上述基于孿生神經(jīng)網(wǎng)絡(luò)的多視圖分子對(duì)活性預(yù)測(cè)方法。

24、為實(shí)現(xiàn)上述發(fā)明目的，實(shí)施例還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有程序，該程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)上述基于孿生神經(jīng)網(wǎng)絡(luò)的多視圖分子對(duì)活性預(yù)測(cè)方法。

25、與現(xiàn)有技術(shù)相比，本發(fā)明具有的有益效果至少包括：

26、通過(guò)多視圖分子對(duì)活性預(yù)測(cè)模型獲取分子內(nèi)相互作用表征和蛋白質(zhì)-配體分子間的相互作用表征，并利用孿生神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)分子對(duì)間的活性差異，最終實(shí)現(xiàn)對(duì)分子活性的高效、精準(zhǔn)預(yù)測(cè)，以用于更好地指導(dǎo)先導(dǎo)化合物優(yōu)化。

技術(shù)特征：

1.一種基于孿生神經(jīng)網(wǎng)絡(luò)的多視圖分子對(duì)活性預(yù)測(cè)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于孿生神經(jīng)網(wǎng)絡(luò)的多視圖分子對(duì)活性預(yù)測(cè)方法，其特征在于，所述多視圖特征增強(qiáng)提取模塊包括局部視圖模塊和全局視圖模塊，其中，局部視圖模塊用于基于每個(gè)分子的初始嵌入表示提取分子內(nèi)相互作用的局部特征，全局視圖模塊用于基于每個(gè)分子的初始嵌入表示和蛋白質(zhì)靶標(biāo)的初始嵌入表示提取分子與蛋白質(zhì)間相互作用的全局特征。

3.根據(jù)權(quán)利要求2所述的基于孿生神經(jīng)網(wǎng)絡(luò)的多視圖分子對(duì)活性預(yù)測(cè)方法，其特征在于，局部視圖模塊包括多個(gè)局部特征提取層，每個(gè)局部特征提取層包括自注意力層和第一非線性層，每個(gè)分子的初始嵌入表示依次經(jīng)過(guò)自注意力層和第一非線性層來(lái)提取內(nèi)部相互作用的局部特征；

4.根據(jù)權(quán)利要求1-3任一項(xiàng)所述的基于孿生神經(jīng)網(wǎng)絡(luò)的多視圖分子對(duì)活性預(yù)測(cè)方法，其特征在于，所述方法還包括；多視圖特征提取模塊提取的局部特征和全局特征進(jìn)行各自的歸一化加權(quán)處理后輸入至活性預(yù)測(cè)模塊進(jìn)行活性預(yù)測(cè)。

5.根據(jù)權(quán)利要求1所述的基于孿生神經(jīng)網(wǎng)絡(luò)的多視圖分子對(duì)活性預(yù)測(cè)方法，其特征在于，活性預(yù)測(cè)模塊中，基于兩分子對(duì)應(yīng)的局部特征和全局預(yù)測(cè)兩個(gè)分子的活性差值，包括：

6.根據(jù)權(quán)利要求5所述的基于孿生神經(jīng)網(wǎng)絡(luò)的多視圖分子對(duì)活性預(yù)測(cè)方法，其特征在于，活性預(yù)測(cè)模塊中，在已知一分子活性時(shí)預(yù)測(cè)另一分子活性，包括：

7.根據(jù)權(quán)利要求1所述的基于孿生神經(jīng)網(wǎng)絡(luò)的多視圖分子對(duì)活性預(yù)測(cè)方法，其特征在于，對(duì)多視圖分子對(duì)活性預(yù)測(cè)模型進(jìn)行參數(shù)優(yōu)化時(shí)采用監(jiān)督學(xué)習(xí)方式，針對(duì)預(yù)訓(xùn)練任務(wù)，基于預(yù)測(cè)的活性差值與真實(shí)活性差值之間的差值來(lái)構(gòu)建損失函數(shù)進(jìn)行參數(shù)優(yōu)化，針對(duì)微調(diào)任務(wù)，基于預(yù)測(cè)的另一分子活性與另一分子的真實(shí)活性之差來(lái)構(gòu)建損失函數(shù)進(jìn)行參數(shù)優(yōu)化。

8.一種基于孿生神經(jīng)網(wǎng)絡(luò)的多視圖分子對(duì)活性預(yù)測(cè)裝置，其特征在于，包括：

9.一種計(jì)算設(shè)備，包括存儲(chǔ)器和一個(gè)或多個(gè)處理器，所述存儲(chǔ)器中存儲(chǔ)有可執(zhí)行代碼，其特征在于，所述一個(gè)或多個(gè)處理器執(zhí)行所述可執(zhí)行代碼時(shí)，用于實(shí)現(xiàn)權(quán)利要求1-7中任一項(xiàng)所述的基于孿生神經(jīng)網(wǎng)絡(luò)的多視圖分子對(duì)活性預(yù)測(cè)方法。

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，其上存儲(chǔ)有程序，該程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)權(quán)利要求1-7中任一項(xiàng)所述的基于孿生神經(jīng)網(wǎng)絡(luò)的多視圖分子對(duì)活性預(yù)測(cè)方法。

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種基于孿生神經(jīng)網(wǎng)絡(luò)的多視圖分子對(duì)活性預(yù)測(cè)方法和裝置，包括：構(gòu)建包含蛋白質(zhì)靶標(biāo)的分子對(duì)活性數(shù)據(jù)集；分別提取兩個(gè)分子的初始嵌入表示和蛋白質(zhì)靶標(biāo)的初始嵌入表示；構(gòu)建具有孿生神經(jīng)網(wǎng)絡(luò)架構(gòu)的多視圖分子對(duì)活性預(yù)測(cè)模型；利用每對(duì)分子對(duì)活性數(shù)據(jù)對(duì)多視圖分子對(duì)活性預(yù)測(cè)模型進(jìn)行預(yù)訓(xùn)練任務(wù)和微調(diào)任務(wù)的參數(shù)優(yōu)化；使用參數(shù)優(yōu)化后的多視圖分子對(duì)活性預(yù)測(cè)模型進(jìn)行分子對(duì)活性預(yù)測(cè)。該方法和裝置通過(guò)多視圖分子對(duì)活性預(yù)測(cè)模型獲取分子內(nèi)相互作用表征和蛋白質(zhì)?配體分子間的相互作用表征，并利用孿生神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)分子對(duì)間的活性差異，最終實(shí)現(xiàn)對(duì)分子活性的高效、精準(zhǔn)預(yù)測(cè)，以用于更好地指導(dǎo)先導(dǎo)化合物優(yōu)化。

技術(shù)研發(fā)人員：曹戟,張豪,蔣莉,楊波,何俏軍,郭越
受保護(hù)的技術(shù)使用者：浙江大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19