[發明專利]一種基于集成學習與混合神經網絡的多靶標藥物篩選方法

有效

• 申請號: 202110339575.6
• 申請日: 2021-03-30
• 公開（公告）號: CN113066525B
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 陳觀興;譚曉軍;陳語謙
• 申請（專利權）人: 中山大學
• 主分類號: G16B15/30
• 分類號: G16B15/30;G16B50/00;G16C20/50;G16C20/70;G16C20/90;G06N20/10;G06N20/20
• 代理公司: 深圳市創富知識產權代理有限公司 44367
• 代理人: 高冰

本發明公開了一種基于集成學習與混合神經網絡的多靶標藥物篩選方法，包括：獲取數據；對接處理，并根據對接分數得到候選藥物；確定多靶標蛋白質并將候選藥物與多靶標蛋白質進行對接，得到候選藥物作用的靶標蛋白數量；基于預設的集成學習回歸模型對候選藥物的活性進行預測，得到候選藥物的預測活性值；基于預設的混合神經網絡框架對致病靶標蛋白質與候選藥物進行結合力的預測，得到候選藥物與靶標蛋白的結合力分數；綜合確定最終的候選藥物。本發明從多靶標分析、集成學習和混合神經網絡的角度，實現了低成本高效率高準確性的藥物篩選。本發明作為一種基于集成學習與混合神經網絡的多靶標藥物篩選方法，可廣泛應用于藥物篩選領域。

技術領域

本發明涉及藥物篩選領域，尤其涉及一種基于集成學習與混合神經網絡的多靶標藥物篩選方法。

背景技術

現有的藥物篩選方法主要是基于藥物、基于靶標或者基于藥物靶標相互作用力的某一方面進行，實驗具有片面性，由此篩選出來的藥物不一定具有較好的治療疾病的藥效。

基于靶標蛋白方面，現有的方法一般針對于某一個蛋白質進行虛擬篩選，從而確定后候選藥物，對于某些通路來說，致病機理往往受多個蛋白質的影響，因此只針對于一個靶標蛋白的分析具有片面性?；谒幬锓矫妫F有的方法沒有有效整合藥物的物理化學性質和統計分析方法進行藥物的活性預測，往往存在較多的誤差。基于藥物靶標相互作用力方面，現有的方法一般采用單組神經網絡框架進行相互作用力的預測。神經網絡作為黑匣子，同時由于分子之間存在大量復雜信息，給藥物預測帶來不確定性，因此單組神經網絡框架會出現較大的誤差。綜上所述，現有藥物研發方案存在高成本、低效率和低準確性的缺點。

發明內容

為了解決藥物研發高成本、低效率和低準確性的技術問題，本發明的目的是提供一種基于集成學習與混合神經網絡的多靶標藥物篩選方法。

本發明所采用的第一技術方案是：一種基于集成學習與混合神經網絡的多靶標藥物篩選方法，包括以下步驟：

獲取致病靶標蛋白質、對應已知配體和藥物分子庫數據；

基于藥物分子庫數據與致病靶標蛋白質進行對接處理，并根據對接分數得到候選藥物；

確定致病靶標蛋白質對應的多靶標蛋白質并將候選藥物與多靶標蛋白質進行對接，得到候選藥物作用的靶標蛋白數量；

計算對應已知配體與候選藥物的物理化學屬性，并基于預設的集成學習回歸模型對候選藥物的活性進行預測，得到候選藥物的預測活性值；

基于預設的混合神經網絡框架對致病靶標蛋白質與候選藥物進行結合力的預測，得到候選藥物與靶標蛋白的結合力分數；

綜合候選藥物作用的靶標蛋白數量、候選藥物的預測活性值、候選藥物與靶標蛋白的結合力分數，確定最終的候選藥物。

進一步，所述獲取致病靶標蛋白質、對應已知配體和藥物分子庫數據這一步驟，其具體包括：

從UniProt數據庫中獲取靶標蛋白質的序列和晶體結構，并進行蛋白質的質量評估；

從ChEMBL數據庫中獲取靶標蛋白質的已知配體分子及對應的簡化分子線性輸入規范；

從ZINC15數據庫中獲取藥物分子庫結構及其對應的簡化分子線性輸入規范。

進一步，所述基于藥物分子庫數據與致病靶標蛋白質進行對接處理，并根據對接分數得到候選藥物這一步驟，其具體包括：

對靶標蛋白質和藥物分子庫進行對接前的準備；

以靶標蛋白質為受體、藥物分子為配體，進行對接，得到對接分數；

將對接分數前10的藥物作為候選藥物。