基于流生成模型的药物隐藏靶点预测系统及方法技术方案

本发明专利技术公开了基于流生成模型的药物隐藏靶点预测系统及方法，属于蛋白药物靶点分析技术领域。基于流生成模型的药物隐藏靶点预测系统包括图像预处理模块、可逆神经网络模块、隐空间编辑模块和结合位点检测模块；通过本发明专利技术系统及方法进行药物隐藏靶点预测拟合能力强、预测速度快，在药物的发现研究中具有巨大应用前景。前景。前景。

【技术实现步骤摘要】
基于流生成模型的药物隐藏靶点预测系统及方法


[0001]本专利技术属于蛋白药物靶点分析
，具体涉及基于流生成模型的药物隐藏靶点预测系统及方法。

技术介绍

[0002]蛋白质分子在通过冷冻电镜等方法进行构象解析与动态结构分析时，需要对低温状态下的目标分子进行多角度、高频率的电镜成像，再通过基于傅里叶变换的三维重建方法从上万张瞬时成像中还原蛋白质平均结构，其重建结果为时间采样均值，相比真实情况下蛋白质动态结构具有一定信息损失。
[0003]在药物发现领域，通过高精度蛋白质结构分析得到药物作用靶点是设计药物的重要工序之一，考虑到蛋白质结构的动态多变性，部分未被冷冻电镜等重建方法捕获的结构靶点被称为“隐藏靶点”，通过计算方法还原蛋白质的动态表征，揭示蛋白质表面的隐藏靶点，在医药学领域具有重要意义。
[0004]目前对蛋白质动态结构的研究、隐藏靶点的预测需要借助于分子动力学模拟、主成分分析等方法。
[0005]分子动力学模拟为在牛顿力学层面建立分子级别的力场，通过有限差分方法得到在初始构象附近的可能结构。该方法精确度取决于建本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于流生成模型的药物隐藏靶点预测系统，其特征在于，包括图像预处理模块、可逆神经网络模块、隐空间编辑模块和结合位点检测模块；所述图像预处理模块用于对蛋白质二维粒子图进行特征提取与建模；所述可逆神经网络模块包括正向网络编码模块和逆向网络解码模块；所述正向网络编码模块使用流生成模型中可逆神经网络的正向部分将所述图像预处理模块建模获得的结构属性参数编码至高维隐空间；所述隐空间编辑模块用于对高维隐空间进行降维并可视化，获得低维隐空间，并对低维隐空间进行聚类、编辑；所述逆向网络解码模块用于对所述隐空间编辑模块编辑的低维隐空间采样，将采样的低维隐空间还原为高维隐空间，并且使用流生成模型中可逆神经网络的逆向部分解码所述高维隐空间中采样向量，搜索潜在的三维构象；所述结合位点检测模块用于对所述逆向网络解码模块搜索到的三维潜在构象进行解析评估，预测可能成药的结合口袋，并输出预测结果。2.根据权利要求1所述的基于流生成模型的药物隐藏靶点预测系统，其特征在于，所述蛋白质二维粒子图包括非待预测蛋白的二维粒子图和待预测蛋白的二维粒子图；所述非待预测蛋白的二维粒子图用于高维隐空间的规范化；所述待预测蛋白的二维粒子图用于形成待预测蛋白可编辑的高维隐空间；所述待预测蛋白的二维粒子图中包含有待预测蛋白平均结构的二维粒子图，用于为所述隐空间编辑模块的低维隐空间编辑过程和所述逆向网络解码模块的低维隐空间采样过程提供约束。3.基于流生成模型的药物隐藏靶点预测方法，其特征在于，包括如下步骤：S1：对蛋白质二维粒子图进行特征提取与建模；S2：使用流生成模型中可逆神经网络的正向部分将步骤S1建模获得的结构属性参数编码至高维隐空间；S3：对所述高维隐空间进行降维并可视化，获得低维隐空间，并对低维隐空间进行聚类、编辑；S4：对编辑的低维隐空间采样，将采样的低维隐空间还原为高维隐空间，并且使用流生成模型中可逆神经网络的逆向部分解码所述高维隐空间中采样向量，搜索潜在的三维构象；S5：对搜索到的三维潜在构象进行解析评估，预测可能成...

【专利技术属性】
技术研发人员：邓岳，李凤基，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：