【技术实现步骤摘要】
【国外来华专利技术】用于空间图卷积的系统和方法及其在药物发现和分子模拟中的应用相关申请的交叉引用本申请要求于2018年3月5日提交的标题为“SpatialGraphConvolutionswithApplicationstoDragDiscovery”的美国临时专利申请No.62/638,803的优先权权益。美国临时专利申请序列No.62/638,803的公开内容通过引用整体并入本文。
本专利技术一般而言涉及预测分子特点，并且更具体地涉及利用空间图卷积来预测分子特点。
技术介绍
大多数FDA批准的药物是有机小分子，其通过与目标生物大分子键合而引起治疗响应。一旦键合，小分子配体就或者抑制其它配体的键合，或者变构地调整目标的构象整体。因此，键合对于治疗性配体的任何行为都是至关重要的。为了最大化分子的治疗效果，必须最大化其对期望目标的亲和力或结合自由能(ΔG)，同时最小化其对其它大分子的亲和力。从历史上看，科学家已经使用化学信息学和基于结构的方法来建模配体及其目标，并且大多数机器学习(ML)方法都使用领域专业知识驱动的特征。<...
【技术保护点】
1.一种用于预测分子的特点的方法，其中该方法包括：/n执行与分子集合的空间图表示的图卷积的第一集合，其中图卷积的第一集合基于分子集合之间的键；/n执行与该空间图表示的图卷积的第二集合，其中图卷积的第二集合至少基于分子集合中每个原子与其它原子之间的距离；/n用空间图表示执行图聚集以产生特征向量；以及/n基于该特征向量来预测用于分子集合的一个或多个特点的集合。/n
【技术特征摘要】
【国外来华专利技术】20180305 US 62/638,8031.一种用于预测分子的特点的方法，其中该方法包括：
执行与分子集合的空间图表示的图卷积的第一集合，其中图卷积的第一集合基于分子集合之间的键；
执行与该空间图表示的图卷积的第二集合，其中图卷积的第二集合至少基于分子集合中每个原子与其它原子之间的距离；
用空间图表示执行图聚集以产生特征向量；以及
基于该特征向量来预测用于分子集合的一个或多个特点的集合。
2.如权利要求1所述的方法，还包括接收用于一个或多个分子的集合的原子信息。
3.如权利要求1所述的方法，还包括构建分子集合的空间图表示。
4.如权利要求3所述的方法，其中构建空间图表示包括生成距离矩阵和邻接张量，其中距离矩阵表示分子集合的原子之间的距离，并且邻接张量指示原子之间的多个不同边类型。
5.如权利要求4所述的方法，其中分子集合包括配体分子和目标分子，其中距离矩阵的行通过配体和目标分子中的成员关系来排序。
6.如权利要求1所述的方法，其中分子集合之间的键包括共价键。
7.如权利要求1所述的方法，其中分子集合之间的键包括π-π堆叠、氢键和疏水性接触中的至少一个。
8.如权利要求1所述的方法，其中图卷积的第二集合还基于分子集合之间的键。
9.如权利要求8所述的方法，其中图卷积的第一集合基于分子集合之间的键的第一集合，并且图卷积的第二集合基于分子集合之间的键的第二集合。
10.如权利要求9所述的方法，其中键的第一集合是键的第二集合的子集。
11.如权利要求1所述的方法，其中执行图卷积的第一集合包括在图卷积的每一层执行门控循环单元(GRU)操作。
12.如权利要求1所述的方法，其中执行图卷积的第一集合包括利用第一多个神经网络，其中第一多个神经网络中的每个神经网络用于不同的键类型。
13.如权利要求12所述的方法，其中执行图卷积的第二集合包括利用第二多个神经网络，其中第一多个神经网络的权重与第二多个神经网络共享。
14.如权利要求12所述的方法，其中执行图卷积的第二集合包括利用第二多个神经网络，其中第二多个神经网络的神经网络利用关于分子集合的原子之间的距离的距离信息。
15.如权利要求1所述的方法，其中分子集合包括配体分子和目标分子，其中图聚集仅对配体分子执行。
16.如权利要求1所述的方法，其中特点集合包括分子集合中的第一分子是否与分子集合中的第二分子键合。
17.一种用于训练空间卷积图模型的方法，该方法包括：
执行与分子集合的空间卷积图模型的图卷积的第一集合，其中图卷积的第一集合基于分子集合之间的键；
与该空间卷积图模型执行图卷积的第二集合，其中图卷积的第二集合至少基于分子集合中每个原子与其它原子之间的距离；
用空间卷积图模型执行图聚集；
基于图聚集计算分子集合的损失；以及
基于计算出的损失来更新空间卷积图模型。
18.如权利要求17所述的方法，还包括使用空间卷积图模型的层来训练一个或多个神经网络的集合以预测力场的一个或多个参数的集合。
19.如权利要求18所述的方法，其中参数集合与一个或多个特点的集合相关联，其中该特点集合包括电荷、键、角度和二面角中的至少一个。
20.如权利要求18所述的方法，其中空间卷积图模型是第一空间卷积图模型，其中该方法还包括训练第二空间卷积图模型以预测势能；以及
基于第一和第二空间卷积图模型来预测分子系统的势能。
21.如权利要求20所述的方法，其中训练第二空间卷积图模型包括在第一和第二空间卷积图模型之间共享一个或多个层的集合。
22.如权利要求18所述的方法，其中力场是具有能量精炼的辅助模型构建(AMBER)函数形式。
23.如权利要求17所述的方法，还包括使用空间卷积图模型的层来训练一个或多个神经网络的集合以预测输入分子系统的势能。
24.如权利要求23所述的方法，还包括通过最小化由空间图卷积模型预测的势能来识别分子集合的构象集合。
25.如权利要求17所述的方法，还包括预测分子集合的运动。
26.一种用于预测分子的特点的系统，包括：
一个或多个处理器，被单独或共同地配置为：
执行与分子集合的空间图表示的图卷积的第一集合，其中图卷积的第一集合基于分子集合之间的键；
执行与该空间图表示的图卷积的第二集合，其中图卷积的第二集合至少基于分子集合中每个原子与其它原子之间的距离；
用空间图表示执行图聚集；以及
预测用于分子集合的一个或多个特点的集合。
27.如权利要求26所述的系统，其中所述一个或多个处理器被单独或共同地配置为接收用于一个或多个分子的集合的原子信息。
28.如权利要求26所述的系统，其中所述一个或多个处理器被单独或共同地配置为构建分子集合的空间图表示。
29.如权利要求28所述的系统，其中空间图表示包括距离矩阵和邻接张量，其中距离矩阵表示分子集合的原子之间的距离，并且邻接张量指示原子之间的多个不同边类型。
30.如权利要求29所述的系统，其中分子集合包括配体分子和目标分子，其中距离矩阵的行通过配体和目标分子中的成员关系来排序。
31.如权利要求26所述的系统，其中分子集合之间的键包括共价键。
32.如权利要求26所述的系统，其中分子集合之间的键包括π-π堆叠、氢键和疏水性接触中的至少一个。
33.如权利要求26所述的系统，其中...
【专利技术属性】
技术研发人员：E·N·范伯格，V·S·潘德，B·拉姆桑达尔，
申请(专利权)人：斯坦福大学托管董事会，
类型：发明
国别省市：美国;US
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。