[發明專利]一種基于無監督域適應的小分子藥物虛擬篩選方法和裝置

有效

• 申請號: 202010855167.1
• 申請日: 2020-08-24
• 公開（公告）號: CN112086143B
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 吳建盛;梅德進;胡海峰
• 申請（專利權）人: 南京郵電大學
• 主分類號: G16C20/50
• 分類號: G16C20/50;G16C20/64;G16C20/70;G06K9/62
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于無監督域適應的小分子藥物虛擬篩選方法，其特征在于，根據已知的藥物靶標信息，預測新的藥物靶標信息，進行虛擬篩選；該方法包括：

(1)構建目標域和源域藥物靶標數據集生成模型；

(2)構建訓練無監督域適應的藥物虛擬篩選模型，所述的無監督域適應模型，包括：將源域數據輸入進網絡，通過源域的特征得到預測的活性值，域分類網絡判別輸入的特征是來自源域還是目標域，訓練好網絡之后，再輸入進目標域的特征數據，得到預測的活性值，進行虛擬篩選；在網絡的訓練和網絡參數的更新時，只用到源域數據集的信息和目標域的特征信息，而不用目標域數據集的活性值信息，在測試網絡時，需要目標域數據集的活性值信息E,首先根據如下式I、II所示更新網絡參數：

然后如下式III所示，隨機梯度下降進行優化；

其中，預測其活性值y和域標簽d∈{0,1}，將這種映射分解為兩部分，特征向量f是由一個映射G_y預測活性值y，用θ_y表示這種映射的參數；然后用參數θ_d表示域標簽映射G_d；L_y(·,·)為預測活性值的損失，L_d(·,·)為域分類的損失，y_i為真實的活性值；

(3)構建靶向目標域藥物靶標的小分子藥物虛擬篩選模型。

2.根據權利要求1所述的方法，其特征在于，步驟(1)所述的目標域和源域藥物靶標數據集的生成，包括：

獲取所需要的初始數據集，其中，所述的初始數據集包括新藥物靶標及其同源藥物靶標的信息，所述信息包括所需要的配體分子smiles和與配體作用的活性值；

根據初始數據集，將藥物靶標所結合的配體的smiles利用分子指紋的方法生成對應的f維分子特征，用0/1來表示；新藥物靶標所結合的配體的分子特征為目標域，其同源的藥物靶標的配體分子特征為源域；

將f維特征作為網絡的輸入，訓練網絡并更新網絡參數。

3.根據權利要求1所述的方法，其特征在于，所述的域分類網絡包括：在輸入進源域和目標域的特征信息時，當所述域分類網絡無法判定所輸入的特征來自源域還是目標域，此時域分類網絡已訓練好。

4.根據權利要求1所述的方法，其特征在于，步驟(3)所述的目標域藥物靶標的小分子虛擬篩選為將所述目標域的分子特征信息輸入進訓練好的無監督域分類網絡，即得到預測的活性值信息。

5.根據權利要求4所述的方法，其特征在于，將源數據輸入進所述域分類網絡并訓練網絡，將所述目標域數據輸入進域分類網絡用于虛擬篩選。