基于图卷积神经网络的药物口服利用度及毒性预测方法技术

本发明专利技术公开了一种基于图卷积神经网络的药物口服利用度及毒性预测方法，包括：S1，准备初始训练集；S2，建立药物的图模型，获取训练集；S3，利用训练集训练图卷积神经网络和全连接神经网络，拟合药物的分子描述符及图模型与药物的口服利用度及毒性的映射关系；S4，分别对训练数据中的每个分子描述符特征进行数值修改，利用神经网络对修改后的训练数据进行预测，确定对应的预测值误差；S5，对药物的所有分子描述符特征进行排序，标定位于前序的分子描述符特征，删除未被标定的药物的分子描述符特征，对训练数据进行更新；S6，重新训练步骤S3构建的图卷积神经网络和全连接神经网络。本发明专利技术能够得到具有高预测精度的药物口服利用度及毒性预测模型。毒性预测模型。毒性预测模型。

【技术实现步骤摘要】
基于图卷积神经网络的药物口服利用度及毒性预测方法


[0001]本专利技术涉及计算机辅助药物设计
，具体涉及一种基于图卷积神经网络的药物口服利用度及毒性预测方法。

技术介绍

[0002]在药物筛选阶段，获得具有特定药理性质的药物后，需要对其有效性和安全性做出评价。传统方法通过临床药理学的手段，开展新药的动物试验以及Ⅰ、II、Ⅲ期临床试验，评价其安全性和有效性，并在药物上市后的应用阶段开展Ⅳ期临床试验，考察药物疗效和不良反应。由于参与临床试验的患者数量有限，而每年却有大量的新药投入临床试验中，使得一款新药从研发到问世需要耗费大量的人力物力以及时间成本。此外，虽然对先导化合物的有效筛选可以获得治疗作用很好的药物，但药物的人体口服利用度以及药物对心脏和遗传的毒性却是未知的，即便通过动物试验，也不能保证后续投入临床试验时不会产生任何风险。
[0003]随着计算机技术和机器学习技术的发展，使用深度学习网络进行药物的药代动力学性质和毒性预测为药物研发提供了一种新策略。然而，现有的使用深度学习网络的预测方法中，仅考虑了药物的分子描述符或者分子指纹本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图卷积神经网络的药物口服利用度及毒性预测方法，其特征在于，包括以下步骤：S1，准备初始训练集，其中，初始训练集包括多个初始训练数据，初始训练数据包括药物的分子描述符和SMILES表达式、以及药物的口服利用度和毒性；S2，根据药物的SMILES表达式，建立药物的图模型，获取训练集，其中，训练集包括多个训练数据，训练数据包括药物的分子描述符和药物的图模型、以及药物的口服利用度和毒性；S3，构建图卷积神经网络和全连接神经网络，利用训练集训练图卷积神经网络和全连接神经网络，以拟合药物的分子描述符及图模型与药物的口服利用度及毒性的映射关系，其中，图卷积神经网络的输入为药物的图模型，全连接神经网络的输入为药物的分子描述符和图卷积神经网络的输出，输出为药物的口服利用度及毒性的预测值；S4，针对药物的每一个分子描述符特征，对每个训练数据中对应的分子描述符特征进行数值修改，利用当前训练后的图卷积神经网络和全连接神经网络对修改后的训练数据进行预测，确定当前修改的分子描述符特征所对应的预测值误差；S5，按照预测值误差从小到大的顺序依次对药物的所有分子描述符特征进行排序，标定位于前序的预设数量的药物的分子描述符特征，删除每个训练数据中未被标定的药物的分子描述符特征，对训练数据进行更新；S6，利用更新后的训练数据重新训练步骤S3构建的图卷积神经网络和全连接神经网络，利用训练后的图卷积神经网络和全连接神经网络进行药物口服利用度及毒性预测。2.根据权利要求1所述的基于图卷积神经网络的药物口服利用度及毒性预测方法，其特征在于，所述药物的毒性包括：心脏毒性和遗传毒性。3.根据权利要求1所述的基于图卷积神经网络的药物口服利用度及毒性预测方法，其特征在于，所述根据药物的SMILES表达式，建立药物的图模型，包括：根据药物的SMILES表达式，采用节点表示原子或离子，采用边表示原子和/或离子之间的化学键，采用边的权重表示化学键类型，建立药物的SMILES表达式对应的药物的图模型。4.根据权利要...

【专利技术属性】
技术研发人员：李星辰，李桥，王宇涛，姚雯，周炜恩，
申请(专利权)人：中国人民解放军军事科学院国防科技创新研究院，
类型：发明
国别省市：