一种基于分子对接的虚拟药物筛选方法和装置制造方法及图纸

本发明专利技术提供了一种基于分子对接的虚拟药物筛选方法和装置，该方法包括：输入药物分子信息；将药物分子信息转化为n维度的浮点型数据信息；采用LSTM网络根据n维度的浮点型数据信息输出药物分子的每个原子的信息，从每个原子的信息中汇总得到表示药物分子特征的矢量；通过注意力网络为表示药物分子特征的矢量赋予权重，得到药物分子的矢量模型；根据矢量模型对药物分子的活性进行筛选。本发明专利技术的方案可以实现AUC值提升2％，并且有更强的鲁棒性。

A virtual drug screening method and device based on molecular docking

【技术实现步骤摘要】
一种基于分子对接的虚拟药物筛选方法和装置
本专利技术涉及一种基于分子对接的虚拟药物筛选方法和装置。
技术介绍
新药研发是一项非常耗时费力，成本巨大的工程。近年来，计算机辅助的虚拟药物筛选技术得到广泛得发展，其中一种被广泛应用的技术就是基于分子对接原理的虚拟药物筛选。分子对接技术的基本原理就是选取潜在的药物分子模拟结合病原靶点蛋白，但是每一种药物分子结合方式就可能有数千种，能够准确评价不同结合方式的数学函数更加难以获得。这是目前分子对接技术的核心问题。随着近年来基于机器学习的算法在解决这方面问题获得较大的成功，如支持向量机，随机森林等，使得传统的机器学习技术能够一定程度上提高分子对接模型的性能，但是依靠人为去提取分子特征，明显限制了该类方法的广泛应用。此外，在一些实际的复杂问题上用该类方法获取的特征并不具备可解释性，模型的泛化性较差。另一方面，机器学习的另一分支深度学习，逐渐被应用于该领域。该方法可以自动的直接从分子表达式中提取特征，用该方法建好的模型更容易迁移。在2014年，出现通过建立多任务神经网络，然后根据分子结构预测其生物本文档来自技高网...

【技术保护点】
1.一种基于分子对接的虚拟药物筛选方法，其特征在于，包括：/n输入药物分子信息；/n将所述药物分子信息转化为n维度的浮点型数据信息；/n采用长短期记忆LSTM网络根据所述n维度的浮点型数据信息输出所述药物分子的每个原子的信息，从所述每个原子的信息中汇总得到表示所述药物分子特征的矢量；/n通过注意力网络为表示所述药物分子特征的矢量赋予权重，得到所述药物分子的矢量模型；/n根据所述矢量模型对所述药物分子的活性进行筛选。/n

【技术特征摘要】
1.一种基于分子对接的虚拟药物筛选方法，其特征在于，包括：
输入药物分子信息；
将所述药物分子信息转化为n维度的浮点型数据信息；
采用长短期记忆LSTM网络根据所述n维度的浮点型数据信息输出所述药物分子的每个原子的信息，从所述每个原子的信息中汇总得到表示所述药物分子特征的矢量；
通过注意力网络为表示所述药物分子特征的矢量赋予权重，得到所述药物分子的矢量模型；
根据所述矢量模型对所述药物分子的活性进行筛选。


2.根据权利要求1所述的基于分子对接的虚拟药物筛选方法，其特征在于，所述药物分子信息包括：原子类型、化学键能大小、原子间距和结合氨基酸类型。


3.根据权利要求1所述的基于分子对接的虚拟药物筛选方法，其特征在于，包括：在输入LSTM网络前对所述药物分子信息的数据序列进行填充，以保证批次数据序列长度一致。


4.根据权利要求3所述的基于分子对接的虚拟药物筛选方法，其特征在于，包括：对于任意药物分子x，由m个原子组成，输入LSTM的矩阵表示为{z1，z2，·····，zm}，其中zi为第i个原子的信息矢量，Wi、bi为LSTM网络的权重和偏重，则每个原子的经过网络的输出为：
ui＝f(Wizi+bi)，
其中，f()为所述LSTM网络的输出函数。


5.根据权利要求4所述的基于分子对接的虚拟药物筛选方法，其特征在于，从所述每个原子的信息中汇总得到表示所述药物分子特征的矢量包括：采用最大值池化的方法，产生最终特征，具体公式为：





6.根据权利要求1所述的基于分子对接的虚拟药物筛选方法，其特征在于，包括：所述权重的计算通过...

【专利技术属性】
技术研发人员：刘玉海，尚嵩，任晓伟，宋怀明，蒋丹东，郭庆，
申请(专利权)人：中科曙光国际信息产业有限公司，
类型：发明
国别省市：山东;37