[發明專利]基于人工智能的抗體-抗原分子對接評價方法和系統

有效

• 申請號: 201910506200.7
• 申請日: 2019-06-12
• 公開（公告）號: CN110265092B
• 公開（公告）日: 2021-08-24
• 發明（設計）人: 常珊;陸旭峰;劉明;劉斌;孔韌
• 申請（專利權）人: 江蘇理工學院
• 主分類號: G16C20/50
• 分類號: G16C20/50;G16C20/70;G06N3/04;G06N3/08
• 代理公司: 常州佰業騰飛專利代理事務所(普通合伙) 32231
• 代理人: 孫永智

本發明提供了一種基于人工智能的抗體?抗原分子對接評價方法和系統，其中，所述方法包括：獲取多個抗體?抗原分子對接樣本；計算每個對接樣本的用于表征樣本間差異情況的綜合值；處理多個對接樣本數據并基于卷積神經網絡得到每個對接樣本的打分值；采用自定義的損失函數根據綜合值和打分值計算每兩個對接樣本間的損失值；根據每兩個對接樣本間的損失值計算多個對接樣本的損失均值，并通過優化函數根據損失均值對卷積神經網絡進行參數更新。本發明能夠通過比較輸入樣本間的兩兩差異來選出優異的對接樣本，訓練出一個能夠直接區分出樣本好壞的模型，使其更符合實際抗體?抗原分子對接的實驗要求。

技術領域

本發明涉及人工智能技術領域，具體涉及一種基于人工智能的抗體-抗原分子對接評價方法、一種非臨時性計算機可讀存儲介質和一種基于人工智能的抗體-抗原分子對接評價系統。

背景技術

目前分子對接技術領域主要存在兩大難點，一個是計算效率，一個是打分函數。

隨著GPU通用計算的研究，計算效率問題得到了一定的緩解，但是評判對接的好壞的打分問題仍待解決。傳統的打分策略主要有基于知識的評價函數、基于經驗的評價函數、以及基于分子力場的評價函數，但是這些打分策略都有自身的缺陷。

隨著人工智能的神經網絡的發展，人工智能的神經網絡開始應用于生物信息方面，利用人工智能的神經網絡對分子對接打分也開始得到了發展。但是目前將人工智能的神經網絡應用于分子對接上普遍還是根據大量工程結構特征對候選模型進行排序，并沒有嘗試從樣本間設計特性，訓練出的模型難以直接區分樣本的好壞。

發明內容

本發明旨在至少在一定程度上解決上述技術中的技術問題之一。為此，本發明的一個目的在于提出一種基于人工智能的抗體-抗原分子對接評價方法，能夠通過比較輸入樣本間的兩兩差異來選出優異的對接樣本，訓練出一個能夠直接區分出樣本好壞的模型，使其更符合實際實驗要求。

本發明的第二個目的在于提出一種非臨時性計算機可讀存儲介質。

本發明的第三個目的在于提出一種基于人工智能的抗體-抗原分子對接評價系統。

為達到上述目的，本發明第一方面實施例提出了一種基于人工智能的抗體-抗原分子對接評價方法，包括：獲取多個抗體-抗原分子對接樣本；計算每個對接樣本的用于表征樣本間差異情況的綜合值；處理多個對接樣本數據并基于卷積神經網絡得到每個對接樣本的打分值；采用自定義的損失函數根據所述綜合值和所述打分值計算每兩個對接樣本間的損失值；根據每兩個對接樣本間的損失值計算多個對接樣本的損失均值，并通過優化函數根據所述損失均值對所述卷積神經網絡進行參數更新。

根據本發明實施例的基于人工智能的抗體-抗原分子對接評價方法，首先通過獲取多個抗體-抗原分子對接樣本，然后計算每個對接樣本的表征樣本間差異情況的綜合值，處理多個對接樣本數據并基于卷積神經網絡得到每個對接樣本的打分值，接著采用自定義的損失函數根據綜合值和打分值計算每兩個對接樣本間的損失值，最后根據每兩個對接樣本間的損失值計算多個對接樣本的損失均值并通過優化函數根據損失均值對卷積神經網絡進行參數更新，由此，能夠通過比較輸入樣本間的兩兩差異來選出優異的對接樣本，訓練出一個能夠直接區分出樣本好壞的模型，使其更符合實際抗體-抗原分子對接的實驗要求。

另外，根據本發明上述實施例提出的基于人工智能的抗體-抗原分子對接評價方法還可以具有如下附加的技術特征：

根據本發明的一個實施例，根據每個對接樣本所產生的復合物的各個指標值進行綜合計算以得到每個對接樣本的用于表征樣本間差異情況的綜合值。

進一步地，所述各個指標值包括均方根偏差和天然接觸數。