[發(fā)明專利]藥物與靶蛋白反應的效果識別方法及相關裝置、設備

在審

• 申請?zhí)枺?/td>: 202110679021.0
• 申請日: 2021-06-18
• 公開（公告）號: CN113436676A
• 公開（公告）日: 2021-09-24
• 發(fā)明（設計）人: 畢研廣;胡志強
• 申請（專利權）人: 上海商湯智能科技有限公司
• 主分類號: G16B15/30
• 分類號: G16B15/30;G16B25/00;G16B30/00
• 代理公司: 深圳市威世博知識產(chǎn)權代理事務所(普通合伙) 44280
• 代理人: 何倚雯

本申請公開了一種藥物與靶蛋白反應的效果識別方法及相關裝置、設備，其中，藥物與靶蛋白反應的效果識別方法包括：獲取藥物的分子結構圖與靶蛋白的氨基酸序列；分別對分子結構圖與氨基酸序列進行特征提取，以獲得藥物的特征表示與靶蛋白的特征表示；將藥物的特征表示和靶蛋白的特征表示進行拼接，得到藥物和靶蛋白的拼接特征表示；基于拼接特征表示，確定藥物與靶蛋白的反應效果類型。上述方案，能夠自適應地學習藥物分子和蛋白質(zhì)更深層的特征，優(yōu)化藥物與靶蛋白的反應預測效果。

技術領域

本申請涉及深度學習技術領域，特別是涉及一種藥物與靶蛋白反應的效果識別方法及相關裝置、設備。

背景技術

目前，市場上種類繁多的藥物給人們的健康提供了一定保障。人們通常通過口服和/或注射藥物來實現(xiàn)藥效。具體地，當藥物進入人體后會與特定蛋白進行相互作用，從而達到一定的治療效果。因此，在新藥研發(fā)階段，對藥物與靶蛋白進行反應預測是首要工作，其在一定程度上節(jié)省了實驗成本與大量的人力物力，并在一定程度上保證了藥物研發(fā)的可靠性。

目前的反應預測手段通常利用專家設計的特征工程，例如分子指紋等對藥物與靶蛋白之間的反應進行預測，但該種方式表達能力有限，無法自適應地學習藥物分子和蛋白質(zhì)更深層的特征。

在實際應用中，藥物分子與構成蛋白質(zhì)的氨基酸序列不完全等價于自然語言，因此限制了藥物靶蛋白的反應預測效果。如何將這些抽象的序列建模成可學習的數(shù)學模型依舊是當前研究的難點。

發(fā)明內(nèi)容

本申請至少提供一種藥物與靶蛋白反應的效果識別方法及相關裝置、設備。

本申請第一方面提供了一種藥物與靶蛋白反應的效果識別方法，包括：獲取到藥物的分子結構圖與靶蛋白的氨基酸序列；分別對分子結構圖與氨基酸序列進行特征提取，以獲得藥物的特征表示與靶蛋白的特征表示；將藥物的特征表示和靶蛋白的特征表示進行拼接，得到藥物和靶蛋白的拼接特征表示；基于拼接特征表示，確定藥物與靶蛋白的反應效果類型。

因此，本申請獲取到藥物的分子結構圖與靶蛋白的氨基酸序列，再分別對分子結構圖與氨基酸序列進行特征提取，以獲得藥物的特征表示與靶蛋白的特征表示；將藥物的特征表示和靶蛋白的特征表示進行拼接，得到藥物和靶蛋白的拼接特征表示；基于拼接特征表示，確定藥物與靶蛋白的反應效果類型，不僅能夠實現(xiàn)具有二維空間結構的藥物分子與一維氨基酸序列的特征拼接，還能分別學習藥物分子和蛋白質(zhì)更深層的特征從而得到更好的預測效果。

其中，分別對分子結構圖與氨基酸序列進行特征提取，以獲得藥物的特征表示與靶蛋白的特征表示的步驟包括：利用深度學習網(wǎng)絡提取分子結構的多個原子節(jié)點的特征表示；對多個原子節(jié)點的特征表示進行最大池化處理，得到藥物的特征表示。

因此，具體利用深度學習網(wǎng)絡提取分子結構的多個原子節(jié)點的特征表示，以實現(xiàn)具有二維空間結構的分子結構的特征表示一維化，利于后續(xù)的特征拼接，提高反應預測的效率。將多個原子節(jié)點的特征表示進行最大池化處理，得到藥物的特征表示，以減少了特征表示中的參數(shù)數(shù)量，并保留重要信息。

其中，利用深度學習網(wǎng)絡提取分子結構的多個原子節(jié)點的特征表示的步驟包括：利用深度學習網(wǎng)絡的多層圖卷積結構分別提取分子結構中每個原子節(jié)點的初始特征表示以及原子節(jié)點與相鄰原子節(jié)點的鄰接關系特征表示；將原子節(jié)點的初始特征表示以及鄰接關系特征表示進行融合，并將融合結果確定為原子節(jié)點的特征表示。

因此，基于每個原子節(jié)點的初始特征表示以及原子節(jié)點與相鄰原子節(jié)點的鄰接關系特征表示來進行多層圖卷積結構提取，以提高特征提取的準確性。將原子節(jié)點的初始特征表示以及鄰接關系特征表示進行融合得到原子節(jié)點的特征表示，使得原子節(jié)點的特征表示能夠更好地反應藥物分子整體的特征值。