[發明專利]基于流生成模型的藥物隱藏靶點預測系統及方法

在審

• 申請號: 202210001817.5
• 申請日: 2022-01-04
• 公開（公告）號: CN114360635A
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 鄧岳;李鳳基
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G16B5/00
• 分類號: G16B5/00;G16B20/30;G16B40/00;G16B15/30;G06K9/62;G06N3/08
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 崔自京

1.基于流生成模型的藥物隱藏靶點預測系統，其特征在于，包括圖像預處理模塊、可逆神經網絡模塊、隱空間編輯模塊和結合位點檢測模塊；

所述圖像預處理模塊用于對蛋白質二維粒子圖進行特征提取與建模；

所述可逆神經網絡模塊包括正向網絡編碼模塊和逆向網絡解碼模塊；

所述正向網絡編碼模塊使用流生成模型中可逆神經網絡的正向部分將所述圖像預處理模塊建模獲得的結構屬性參數編碼至高維隱空間；

所述隱空間編輯模塊用于對高維隱空間進行降維并可視化，獲得低維隱空間，并對低維隱空間進行聚類、編輯；

所述逆向網絡解碼模塊用于對所述隱空間編輯模塊編輯的低維隱空間采樣，將采樣的低維隱空間還原為高維隱空間，并且使用流生成模型中可逆神經網絡的逆向部分解碼所述高維隱空間中采樣向量，搜索潛在的三維構象；

所述結合位點檢測模塊用于對所述逆向網絡解碼模塊搜索到的三維潛在構象進行解析評估，預測可能成藥的結合口袋，并輸出預測結果。

2.根據權利要求1所述的基于流生成模型的藥物隱藏靶點預測系統，其特征在于，

所述蛋白質二維粒子圖包括非待預測蛋白的二維粒子圖和待預測蛋白的二維粒子圖；

所述非待預測蛋白的二維粒子圖用于高維隱空間的規范化；

所述待預測蛋白的二維粒子圖用于形成待預測蛋白可編輯的高維隱空間；所述待預測蛋白的二維粒子圖中包含有待預測蛋白平均結構的二維粒子圖，用于為所述隱空間編輯模塊的低維隱空間編輯過程和所述逆向網絡解碼模塊的低維隱空間采樣過程提供約束。

3.基于流生成模型的藥物隱藏靶點預測方法，其特征在于，包括如下步驟：

S1：對蛋白質二維粒子圖進行特征提取與建模；

S2：使用流生成模型中可逆神經網絡的正向部分將步驟S1建模獲得的結構屬性參數編碼至高維隱空間；

S3：對所述高維隱空間進行降維并可視化，獲得低維隱空間，并對低維隱空間進行聚類、編輯；

S4：對編輯的低維隱空間采樣，將采樣的低維隱空間還原為高維隱空間，并且使用流生成模型中可逆神經網絡的逆向部分解碼所述高維隱空間中采樣向量，搜索潛在的三維構象；

S5：對搜索到的三維潛在構象進行解析評估，預測可能成藥的結合口袋，并輸出預測結果。

4.根據權利要求3所述的基于流生成模型的藥物隱藏靶點預測方法，其特征在于，

步驟S1中所述蛋白質二維粒子圖包括非待預測蛋白的二維粒子圖和待預測蛋白的二維粒子圖；

所述非待預測蛋白的二維粒子圖用于高維隱空間的規范化；

所述待預測蛋白的二維粒子圖用于形成待預測蛋白可編輯的高維隱空間；所述待預測蛋白的二維粒子圖中包含有待預測蛋白平均結構的二維粒子圖，用于為低維隱空間的編輯過程和低維隱空間的采樣過程提供約束。

5.根據權利要求4所述的基于流生成模型的藥物隱藏靶點預測方法，其特征在于，

步驟S1中所述建模采用高斯混合模型建模。

6.根據權利要求5所述的于流生成模型的藥物隱藏靶點預測方法，其特征在于，

步驟S2中，將步驟S1建模獲得的結構屬性參數編碼至高維隱空間的過程以重建程度的負對數似然作為訓練指標，通過損失函數公式進行梯度下降算法優化，損失函數公式如下：

式中，logq(x)為損失函數，x為高斯混合模型參數，D為高維隱空間標準高斯分布的維度，f(x)為高斯混合模型參數到高位隱空間的映射，為f(x)雅克比行列式的絕對值。

7.根據權利要求4所述的于流生成模型的藥物隱藏靶點預測方法，其特征在于，

待預測蛋白平均結構的二維粒子圖經步驟S2、S3可視化至低維隱空間后形成一編碼點，作為步驟S3中對待預測蛋白低維隱空間編輯的約束，以及作為步驟S4中對待預測蛋白低維隱空間采樣的約束。