一种基于评分器和动态图网络的分子对接方法技术

本发明专利技术公开了一种基于评分器和动态图网络的分子对接方法，包括以下步骤：构建预测器的图神经网络，即定义节点特征及边特征；对上述构建的预测器的图神经网络进行更新；基于预测器对亲和力进行预测；构建及训练预测器的损失函数；构建生成器，对数似然函数进行定义；基于生成器对数似然函数的梯度进行预测；对生成器进行训练，基于朗之万采样进行构象优化；基于预测器及生成器，完成分子对接。利用图神经网络实现小分子与蛋白质的对接，利用动态构建图神经网络进行蛋白质和小分子的表征学习，利用图神经网络训练好一个判别器，能够捕获蛋白质和小分子的相互作用，并对亲和力进行预测，有利于发现亲和力更高的对接构象。有利于发现亲和力更高的对接构象。有利于发现亲和力更高的对接构象。

A molecular docking method based on grader and dynamic graph network

【技术实现步骤摘要】
一种基于评分器和动态图网络的分子对接方法


[0001]本专利技术涉及分子对接
，更具体的说是涉及一种基于评分器和动态图网络的分子对接方法。

技术介绍

[0002]目前，已有的机器学习多集中于预测式模型的研究上，对生成式模型的研究相对不足。在实际问题中，往往需要利用机器学习去生成新的样本。如何能够有效地对数据集数据分布进行建模并生成出可靠的样本，需要对生成式模型有更多的研究。最常用的生成式模型(生成对抗网络和变分自编码器)都有各自的不足。生成对抗网络的度量是靠数据驱动学习而得，类似黑箱系统可解释性不高，且具有训练难度大的特点；变分自编码器只能近似似然函数的下界，不能准确估计似然函数和下界之间的间隙，所以生成的质量欠佳。
[0003]当下主流的分子对接软件应用的是非深度学习方法，应用源自经验的分子力场对分子构象进行亲和力计算，可靠性不高；应用蒙特卡罗方法对分子构象进行搜索，对计算机算力要求较高，搜索速度较慢。当对大量分子数据集进行虚拟筛选时，速度成为了此方法的最大限制。
[0004]目前的蛋白质和小分子表征学习，主要是对对接区本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于评分器和动态图网络的分子对接方法，其特征在于，包括以下步骤：S1、构建预测器的图神经网络，即定义节点特征及边特征；S2、对上述构建的预测器的图神经网络进行更新；S3、基于预测器对亲和力进行预测；S4、构建及训练预测器的损失函数；S5、构建生成器，对数似然函数进行定义；S6、基于生成器对数似然函数的梯度进行预测；S7、对生成器进行训练，基于朗之万采用进行构象优化；S8、基于预测器及生成器，完成分子对接。2.根据权利要求1所述的一种基于评分器和动态图网络的分子对接方法，其特征在于，所述步骤S1具体包括：S11、对配体原子和口袋原子的特征进行编码，编码形式为：v
i
＝(a
i
，c
i
，h
i
)其中，i为原子对应的序号，a
i
为原子在元素周期表中对应的序号，c
i
表征次原子是否属于配体原子，若是，则c
i
＝1，若否，则c
i
＝0，h
i
表征远在是否为氢键供体，若是，则h
i
＝1，若否，则h
i
＝0；S12、判断两原子之间距离是否小于若是，则将二者用边连接，表示其间存在相互作用，对上述定义的边特征进行编码，编码形式为：e
ij
＝(b
ij
，d
ij
)其中，i，j为此边连接的两个原子，b
ij
为边的类型，大π键、单键、双键、三键、认为连接的情况分别对应b
ij
＝0，1，2，3，d
ij
＝||x
i
‑
x
j
||为边的长度，x
i
，x
j
为两原子对应的三维坐标，由此得到图结构其中代表上述每一个节点v
i
的集合；ε代表上述每一条边e
ij
的集合。3.根据权利要求1所述的一种基于评分器和动态图网络的分子对接方法，其特征在于，所述步骤S2具体包括：S21、基于步骤S1、对预测器的图神经网络进行更新，更新公式为：其中，j为与节点i相邻的节点的序号，为上一次更新的节点的隐藏状态，e
ij
为边的特征，FNN(
·
)为两层全连接网络；S22、上述图神经网络的更新，得到每一个节点的最终隐藏状态，将完整的更新过程记为：其中，N为所有的节点数，为原子的隐藏状态，为图结构，MPN(
·
)为图神经网络的更新方式。4.根据权利要求1所述的一种基于评分器和动态图网络的分子对接方法，其特征在于，所述步骤S3具体包括：
S31、对所有的原子状态取平均，得到整张图的隐藏状态：S32、基于图隐藏状态h，将其通过三个全连接层得到预测的亲和力K
pred
：K
pred
＝FFN(h)。5.根据权利要求1所述的一种基于评分器和动态图网络的分子对接方法，其特征在于，所述步骤S4具体包括：选取数据集，获取对接构象及对应的亲和力分数，即解离常数K
d
，将预测的亲和力与真实的亲和力分数的方差作为损失函数loss：loss＝(K
d
‑
K
pred
)2基于梯度下降的方法调整模型参数，使得损失值最小，完成预测器的训练。6.根据权利要求1所述的一种基于评分器和动态图网络的分子对接方法，其特征在于，所述步骤S5具体包括：将对数似然...

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