基于机器学习的抗体筛选方法及装置制造方法及图纸

本发明专利技术涉及人工智能技术领域，揭露一种基于机器学习的抗体筛选方法，包括：获取抗原及抗体的拓扑结构信息，以及抗原抗体相互作用的知识图谱信息，并基于所述拓扑结构信息以及所述知识图谱信息构建样本集；利用包含拓扑结构信息以及知识图谱信息的样本集以有向传递方式训练网络模型，构建可感知分子结构与知识图谱特征的抗体预测模型；响应于针对目标抗原进行目标抗体筛选的指令，将待预测目标抗原的氨基酸序列和拓扑结构信息输入至抗体预测模型，得到对目标抗原具有中和活性的目标抗体的氨基酸序列信息。本发明专利技术能够学习和挖掘抗原、抗体的拓扑结构以及抗原抗体相互作用的知识图谱特征，并作为中和抗体的预测发现，提高抗体的筛选效果。的筛选效果。的筛选效果。

【技术实现步骤摘要】
基于机器学习的抗体筛选方法及装置


[0001]本专利技术涉及人工智能
，尤其是涉及到基于机器学习的抗体筛选方法、装置、计算机设备及计算机存储介质。

技术介绍

[0002]单克隆抗体是病毒治疗、癌症治疗、疾病监测、实验研究中时分重要的生物制品，需求量巨大。传统的单克隆抗体在筛选过程中，需要向免疫动物连续注射抗原，从小白鼠脾脏中取出效应B淋巴细胞，经HAT培养液筛选杂交瘤细胞，再从杂交瘤细胞群中筛选出能够产生针对某一预定抗原决定簇的特异性杂交瘤细胞，由一个细胞培养形成一个细胞群并且收集其所分泌的抗体，即使这样得到的单克隆抗体，让人绝大部分不具有广谱中和活性，需要继续投入大量人工成本进一步筛选，使得单克隆广谱中和抗体的研发成本高。
[0003]相关技术中，基于深度学习的单克隆广谱中和抗体的设计方式可大大降低筛选成本，缩短单克隆抗体的筛选时间，提高筛选成功率。然而，考虑到抗体对抗原的中和效力是由抗原、抗原的拓扑结构决定，且抗原抗体相互作用积累有大量知识图谱信息等待挖掘，而基于深度学习所构建的抗体库仅能针对抗体序列信息或抗体的编码基因序列进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的抗体筛选方法，其特征在于，所述方法包括：获取抗原及抗体的拓扑结构信息，以及抗原抗体相互作用的知识图谱信息，并基于所述拓扑结构信息以及所述知识图谱信息构建样本集；利用包含所述拓扑结构信息以及所述知识图谱信息的样本集以有向传递方式训练网络模型，构建可感知分子结构与知识图谱特征的抗体预测模型，所述抗体预测模型用于感知抗体抗原的氨基酸结合位点，并根据所述氨基酸结合位点输出抗体的氨基酸序列信息；响应于针对目标抗原进行目标抗体筛选的指令，将待预测目标抗原的氨基酸序列和拓扑结构信息输入至所述抗体预测模型，得到对目标抗原具有中和活性的目标抗体的氨基酸序列信息。2.根据权利要求1所述的方法，其特征在于，所述获取抗原及抗体的拓扑结构信息，以及抗原抗体相互作用的知识图谱信息，并基于所述拓扑结构信息以及所述知识图谱信息构建样本集，具体包括：预先通过不同渠道发布的蛋白质数据库获取抗原及抗体的拓扑结构信息，以及抗原抗体相互作用的知识图谱信息；基于所述拓扑结构信息和所述知识图谱信息，将存在中和作用的抗原和抗体作为正样本，将不存在中和作用的抗原和抗体作为负样本，根据所述正样本和所述负样本构建样本集。3.根据权利要求1所述的方法，其特征在于，所述网络模型为基于图神经网络方法改进后的基于结构和知识的多重生成图神经网络模型，包括基于结构和知识图神经网络的第一子模型和基于结构生成图神经网络的第二子模型，所述利用包含所述拓扑结构信息以及所述知识图谱信息的样本集以有向传递方式训练网络模型，构建可感知分子结构与知识图谱特征的抗体预测模型，具体包括：利用包含所述拓扑结构信息以及所述知识图谱信息的样本集训练第一子模型，提取得到对任一抗原具有高效中和活性的中和抗体拓扑结构；根据所述中和抗体拓扑结构以及针对所述中和抗体拓扑结构配置的氨基酸序列标签训练第二子模型，输出中和抗体的氨基酸序列；将所述中和抗体的氨基酸序列作为预测结果，构建可感知分子结构与知识图谱特征的抗体预测模型。4.根据权利要求3所述的方法，其特征在于，所述第一子模型包括结构特征编码模块和抗原抗体结合关系预测模块，所述利用包含所述拓扑结构信息以及所述知识图谱信息的样本集训练第一子模型，提取得到对任一抗原具有高效中和活性的中和抗体拓扑结构，具体包括：利用所述结构特征编码模块对所述拓扑结构信息进行编码，分别得到抗原和抗体拓扑结构的第一低维特征向量；利用所述抗原抗体结合关系预测模块对所述知识图谱信息进行预测，得到反映抗原与抗体之间的相互作用的第二低维特征向量；根据所述第一低维特征向量和所述第二低维...

【专利技术属性】
技术研发人员：郭建影，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：