[發明專利]一種基于評分器和動態圖網絡的分子對接方法

在審

• 申請號: 202210226317.1
• 申請日: 2022-03-09
• 公開（公告）號: CN114758725A
• 公開（公告）日: 2022-07-15
• 發明（設計）人: 鄧岳;郭弢
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G16B40/00
• 分類號: G16B40/00;G16B15/30;G06N3/04;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: 姜海榮;肖莎

本發明公開了一種基于評分器和動態圖網絡的分子對接方法，包括以下步驟：構建預測器的圖神經網絡，即定義節點特征及邊特征；對上述構建的預測器的圖神經網絡進行更新；基于預測器對親和力進行預測；構建及訓練預測器的損失函數；構建生成器，對數似然函數進行定義；基于生成器對數似然函數的梯度進行預測；對生成器進行訓練，基于朗之萬采樣進行構象優化；基于預測器及生成器，完成分子對接。利用圖神經網絡實現小分子與蛋白質的對接，利用動態構建圖神經網絡進行蛋白質和小分子的表征學習，利用圖神經網絡訓練好一個判別器，能夠捕獲蛋白質和小分子的相互作用，并對親和力進行預測，有利于發現親和力更高的對接構象。

技術領域

本發明涉及分子對接技術領域，更具體的說是涉及一種基于評分器和動態圖網絡的分子對接方法。

背景技術

目前，已有的機器學習多集中于預測式模型的研究上，對生成式模型的研究相對不足。在實際問題中，往往需要利用機器學習去生成新的樣本。如何能夠有效地對數據集數據分布進行建模并生成出可靠的樣本，需要對生成式模型有更多的研究。最常用的生成式模型(生成對抗網絡和變分自編碼器)都有各自的不足。生成對抗網絡的度量是靠數據驅動學習而得，類似黑箱系統可解釋性不高，且具有訓練難度大的特點；變分自編碼器只能近似似然函數的下界，不能準確估計似然函數和下界之間的間隙，所以生成的質量欠佳。

當下主流的分子對接軟件應用的是非深度學習方法，應用源自經驗的分子力場對分子構象進行親和力計算，可靠性不高；應用蒙特卡羅方法對分子構象進行搜索，對計算機算力要求較高，搜索速度較慢。當對大量分子數據集進行虛擬篩選時，速度成為了此方法的最大限制。

目前的蛋白質和小分子表征學習，主要是對對接區域進行三維網格構建，對網格賦予不同的特征，再用三維卷積網絡對三維網格進行表征學習。如此操作，計算量會十分巨大，而且三維網格的冗余也會導致很多無謂的計算。

因此，有效縮短分子對接構象生成的時間，充分考慮有效距離內的原子相互作用，發現親和力更高的對接構象是本領域技術人員亟需解決的問題。

發明內容

有鑒于此，本發明提供了一種基于評分器和動態圖網絡的分子對接方法，利用圖神經網絡實現小分子與蛋白質的對接，利用動態構建圖神經網絡進行蛋白質和小分子的表征學習，在節省算力的情況下有效地對數據集中的對接構象進行學習，充分考慮有效距離內的原子相互作用，利用圖神經網絡訓練好一個判別器，能夠捕獲蛋白質和小分子的相互作用，并對親和力進行預測，有利于發現親和力更高的對接構象。

為了實現上述目的，本發明采用如下技術方案：

一種基于評分器和動態圖網絡的分子對接方法，包括以下步驟：

S1、構建預測器的圖神經網絡，即定義節點特征及邊特征；

S2、對上述構建的預測器的圖神經網絡進行更新；

S3、基于預測器對親和力進行預測；

S4、構建及訓練預測器的損失函數；

S5、構建生成器，對數似然函數進行定義；

S6、基于生成器對數似然函數的梯度進行預測；

S7、對生成器進行訓練，基于朗之萬采用進行構象優化；

S8、基于預測器及生成器，完成分子對接。

優選的，所述步驟S1具體包括：

S11、對配體原子和口袋原子的特征進行編碼，編碼形式為：

v_i＝(a_i,c_i,h_i)