[發(fā)明專利]一種基于多目標優(yōu)化的抗乳腺癌藥物成分智能量化方法

在審

• 申請?zhí)枺?/td>: 202210069880.2
• 申請日: 2022-01-21
• 公開（公告）號: CN114496112A
• 公開（公告）日: 2022-05-13
• 發(fā)明（設(shè)計）人: 許志偉;陳宙;劉利民;劉廣文
• 申請（專利權(quán)）人: 內(nèi)蒙古工業(yè)大學
• 主分類號: G16C20/50
• 分類號: G16C20/50;G16C20/64;G16C20/70;G06F17/11
• 代理公司: 西安智大知識產(chǎn)權(quán)代理事務(wù)所 61215
• 代理人: 段俊濤

本發(fā)明公開了一種基于多目標優(yōu)化的抗乳腺癌藥物成分智能量化方法。首先，在已有的化合物數(shù)據(jù)集上篩選影響ERα生物活性的主要分子描述符。然后，基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)構(gòu)建化合物對ERα生物活性的定量預(yù)測模型。接著，以藥物的吸收、分配、代謝、排泄和毒性(ADMET)的度量為目標，基于決策樹構(gòu)建化合物的ADMET特征的特性預(yù)測模型。最后，綜合定量預(yù)測模型和特性預(yù)測模型，以帕累托(Pareto)優(yōu)化理論為指導(dǎo)，構(gòu)建基于多目標優(yōu)化的遺傳算法模型，找到滿足最優(yōu)目標的化合物(分子描述符的組合)，再利用蒙特卡羅假設(shè)檢驗，對得到的最優(yōu)化目標的化合物進行抽樣統(tǒng)計，并以特定的置信度來確定化合物中不同分子描述符的最佳取值范圍。

技術(shù)領(lǐng)域

本發(fā)明屬于人工智能技術(shù)領(lǐng)域，特別涉及一種基于多目標優(yōu)化的抗乳腺癌藥物成分智能量化方法。

背景技術(shù)

目前為止，科學家還未找到乳腺癌的確切致癌原因。經(jīng)相關(guān)研究發(fā)現(xiàn)，乳腺癌的發(fā)生和發(fā)展與雌激素的作用密切相關(guān)，雌激素由其受體(estrogen receptor，ER)導(dǎo)引起ER結(jié)構(gòu)發(fā)生改變，刺激各種與細胞生長有關(guān)的基因表達增高，誘導(dǎo)腫瘤細胞生長、增殖增速，并減弱對其基因的抑制作用，引起乳腺癌等惡性腫瘤。在基因水平上，ER受其相關(guān)基因調(diào)控，并且ER基因及其基因多態(tài)性與乳腺癌的發(fā)生、發(fā)展密切相關(guān)。而且雌激素受體型在不超過10％的正常乳腺上皮細胞中表達，但大約在50％-80％的乳腺腫瘤細胞中表達；而對ERα基因缺失小鼠的實驗結(jié)果表明，ERα確實在乳腺發(fā)育過程中扮演十分重要的角色。

目前，抗激素治療常用于Erα基因表達的乳腺癌患者，其通過調(diào)節(jié)雌激素受體活性來控制體內(nèi)雌激素水平。因此，ERα被認為是治療乳腺癌的重要靶標，能夠拮抗ERα活性的化合物可能是治療乳腺癌的候選藥物。影響ERα活性的化合物種類繁多。因此找到不同化合物對ERα活性的影響作用至關(guān)重要。

發(fā)明內(nèi)容

為了克服上述現(xiàn)有技術(shù)的缺點，本發(fā)明的目的在于提供一種基于多目標優(yōu)化的抗乳腺癌藥物成分智能量化方法，以期找到不同化合物對ERα活性的影響程度，從而構(gòu)建化合物的定量結(jié)構(gòu)-活性關(guān)系對藥物研發(fā)的影響，篩選出對乳腺癌的治療產(chǎn)生積極作用的藥物成分。

為了實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：

一種基于多目標優(yōu)化的抗乳腺癌藥物成分智能量化方法，包括如下步驟：

步驟1，在已有的化合物數(shù)據(jù)集上篩選影響ERα生物活性的主要分子描述符，步驟如下：

步驟1.1，采用隨機森林模型分析分子描述符對ERα生物活性的影響，即分子描述符的重要程度，得出分子描述符的重要性排序；

步驟1.2，將分子描述符采用斯皮爾曼相關(guān)系數(shù)進行相關(guān)性分析，篩選出對ERα生物活性具有顯著影響的分子描述符；

步驟2，基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)構(gòu)建化合物對ERα生物活性的定量預(yù)測模型；

步驟3，基于決策樹構(gòu)建化合物的ADMET特征的特性預(yù)測模型；

步驟4，分子描述符最佳取值范圍計算，步驟如下：

步驟4.1，綜合定量預(yù)測模型和特性預(yù)測模型構(gòu)建基于多目標優(yōu)化的遺傳算法模型；

步驟4.2，利用蒙特卡羅假設(shè)檢驗方法估計出分子描述符的最佳取值范圍。

在一個實施例中，所述步驟1.1，采用隨機森林算法在分類的基礎(chǔ)上進行回歸分析，通過將化合物及其分子描述符分類的結(jié)果進行運算，獲得每個分子描述符的重要性程度，某一分子描述符重要性越大，表明該分子描述符對預(yù)測結(jié)果的影響越大，從而得到各個分子描述符對ERα生物活性的影響程度排名。