一种抗衰老药物的预测方法、设备及存储介质技术

本发明专利技术公开了一种抗衰老药物的预测方法、设备及存储介质，所述方法包括：获取衰老药效成分的靶标网络、分子描述符、ADMET参数、衰老活性；将所述衰老药效成分的靶标网络、分子描述符和ADMET参数进行关联融合处理，得到所述衰老药效成分的多源关联融合数据；利用所述衰老药效成分的多源关联融合数据和衰老活性，训练抗衰老药物预测模型，得到经训练的抗衰老药物预测模型，以便利用所述经训练的抗衰老药物预测模型，预测目标药物的衰老活性。本发明专利技术对抗衰老药物的预测性能更优，为抗衰老药物的研发提供了一条新的研究策略。发提供了一条新的研究策略。发提供了一条新的研究策略。

【技术实现步骤摘要】
一种抗衰老药物的预测方法、设备及存储介质


[0001]本专利技术涉及抗衰老领域，尤其涉及一种抗衰老药物的预测方法、设备及存储介质。

技术介绍

[0002]衰老一直是医学界乃至全人类关注的热门话题。近年来，随着老龄人口的日益增加、老龄化趋势不断加剧，与衰老相关的慢性疾病，诸如糖尿病、心脏病、阿尔莫斯海默症等疾病的发病率也不断攀升，不仅严重威胁着老年人的生命健康，也为世界各国带来了沉重的社会、医疗和经济负担。寻找有效的抗衰老药物并通过药物干预的手段延缓衰老配成为当前抗衰老领域中的研究热点。
[0003]药物研发是一项“周期长、风险高、投资大”的产业，研发期间的成本可高达几十亿元。随着医药研发的飞速发展，“传统的实验手段进行药物活性预测”已难以满足药物研发日益增长的需求。
[0004]借助人工智能算法辅助药物研发，已成为解决药物研发中药物活性预测的重要手段，其中以深度学习为代表的人工智能算法通过借鉴人脑的多分层结构、神经元信息交互结构、系统的整合性能以及高精准的预测性能，辅助解决药物研发中药物活性预测耗时较长、准确率低、效率低的问题。
[0005]然而，已有研究只基于药物的单一维度的信息进行药物活性预测，没有充分考虑药物作用于机体潜在影响因素的交互性与叠加性，从而最终影响药物活性的预测。

技术实现思路

[0006]本专利技术提供了一种抗衰老药物的预测方法、设备及存储介质，旨在提高抗衰老药物的智能预测的准确性。
[0007]本专利技术提供了一种抗衰老药物的预测方法，所述方法包括：获取衰老药效成分的靶标网络、分子描述符、ADMET参数、衰老活性；将所述衰老药效成分的靶标网络、分子描述符和ADMET参数进行关联融合处理，得到所述衰老药效成分的多源关联融合数据；利用所述衰老药效成分的多源关联融合数据和衰老活性，训练抗衰老药物预测模型，得到经训练的抗衰老药物预测模型，以便利用所述经训练的抗衰老药物预测模型，预测目标药物的衰老活性。
[0008]优选地，所述将所述衰老药效成分的靶标网络、分子描述符和ADMET参数进行关联融合处理，得到所述衰老药效成分的多源关联融合数据包括：将所述衰老药效成分的靶标网络转换为第一二维特征矩阵数据；将所述衰老药效成分的分子描述符转换为第二二维特征矩阵数据；将所述衰老药效成分的ADMET参数转换为第三二维特征矩阵数据；利用池化层和全连接层，对所述第一二维特征矩阵数据、所述第二二维特征矩阵数据和所述第三二维特征矩阵数据进行关联融合，得到所述衰老药效成分的多源关联融合数据。
[0009]优选地，所述将所述衰老药效成分的靶标网络转换为第一二维特征矩阵数据包括：对所述衰老药效成分的靶标网络进行基于图卷积网络的编码重塑，得到所述衰老药效
成分的第一二维特征矩阵数据。
[0010]优选地，所述将所述衰老药效成分的分子描述符转换为第二二维特征矩阵数据包括：从所述衰老药效成分的分子描述符中提取每个特征名及对应的数据；对每个特征名对应的数据进行归一化处理及sigmiod激活函数的处理，得到所述衰老药效成分的第二二维特征矩阵数据。
[0011]优选地，所述将所述衰老药效成分的ADMET参数转换为第三二维特征矩阵数据包括：将所述衰老药效成分的ADMET参数中吸收参数A、分布参数D、代谢参数M、排泄参数E和毒性参数T各自的数据进行归一化处理及ReLU激活函数的处理，得到所述衰老药效成分的第三二维特征矩阵数据。
[0012]优选地，所述利用所述衰老药效成分的多源关联融合数据和衰老活性，训练抗衰老药物预测模型，得到经训练的抗衰老药物预测模型包括：将所述衰老药效成分的多源关联融合数据和衰老活性作为数据集；利用所述数据集，对抗衰老药物预测模型进行训练，得到所述抗衰老药物预测模型的参数，以及采用五折交叉验证模型对所述抗衰老药物预测模型的超参数进行寻优，得到所述抗衰老药物预测模型的超参数；根据所述抗衰老药物预测模型的参数和超参数，得到最优的抗衰老药物预测模型作为经训练的抗衰老药物预测模型。
[0013]优选地，所述抗衰老药物预测模型是基于注意力机制的卷积神经网络，包括2层池化层、14层卷积层和输出层，其中，3层卷积层包含多头自注意机制模块。
[0014]优选地，所述利用所述经训练的抗衰老药物预测模型，预测目标药物的衰老活性包括：获取所述目标药物的衰老药效成分以及所述衰老药效成分的靶标网络、分子描述符、ADMET参数；将所述衰老药效成分的靶标网络、分子描述符和ADMET参数进行关联融合处理，得到所述衰老药效成分的多源关联融合数据；将所述衰老药效成分的多源关联融合数据输入至所述经训练的抗衰老药物预测模型，得到所述经训练的抗衰老药物预测模型输出的分类结果。
[0015]本专利技术还提供了一种抗衰老药物的预测设备，所述设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现前述的抗衰老药物的预测方法的步骤。
[0016]本专利技术还提供了一种存储介质，其特征在于，所述存储介质中存储有程序，所述程序被处理器执行时，实现如前述的抗衰老药物的预测方法的步骤。
[0017]本专利技术提供一种抗衰老药物的预测方法、设备及存储介质，通过将药物作用于机体所涉及的多源性数据进行融合，预测具有潜在抗衰老活性的药物，提高了预测准确性。
附图说明
[0018]图1是本专利技术的基于深度学习的抗衰老药物预测方法的总流程图；
[0019]图2是本专利技术的基于图卷积网络编码重塑药物靶标网络模拟数据的流程图；
[0020]图3是本专利技术的多源数据“嵌入式”关联融合示意图；
[0021]图4是本专利技术的抗衰老药物预测模型(AttCNN)的整体结构示意图；
[0022]图5是本专利技术的抗衰老药物预测模型的MHAS结构示意图；
[0023]图6是本专利技术基于多源数据关联融合的预测模型与单一维度/双维度预测模型的
预测性能比较示意图；
[0024]图7是本专利技术的抗衰老药物预测模型与其他模型的预测性能比较示意图；
[0025]图8是本专利技术的抗衰老药物的预测方法的流程简图；
[0026]图9是本专利技术的抗衰老药物的预测设备的结构框图。
具体实施方式
[0027]应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本专利技术的说明，其本身没有特有的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
[0028]本专利技术公开了一种抗衰老药物的预测方法、设备及存储介质，将小分子化学结构、ADMET参数(吸收(Absorption，A)、分布(Distribution，D)、代谢(Metabolism，M)、排泄(Excretion，E)和毒性(Toxicity，T))以及靶点网络进行“嵌入式”的多源数据融合，训练基于注意力机制的卷积神经网络模型作为抗衰老药物预测模型，并利用训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种抗衰老药物的预测方法，其特征在于，所述方法包括：获取衰老药效成分的靶标网络、分子描述符、ADMET参数、衰老活性；将所述衰老药效成分的靶标网络、分子描述符和ADMET参数进行关联融合处理，得到所述衰老药效成分的多源关联融合数据；利用所述衰老药效成分的多源关联融合数据和衰老活性，训练抗衰老药物预测模型，得到经训练的抗衰老药物预测模型，以便利用所述经训练的抗衰老药物预测模型，预测目标药物的衰老活性。2.根据权利要求1所述的方法，其特征在于，所述将所述衰老药效成分的靶标网络、分子描述符和ADMET参数进行关联融合处理，得到所述衰老药效成分的多源关联融合数据包括：将所述衰老药效成分的靶标网络转换为第一二维特征矩阵数据；将所述衰老药效成分的分子描述符转换为第二二维特征矩阵数据；将所述衰老药效成分的ADMET参数转换为第三二维特征矩阵数据；利用池化层和全连接层，对所述第一二维特征矩阵数据、所述第二二维特征矩阵数据和所述第三二维特征矩阵数据进行关联融合，得到所述衰老药效成分的多源关联融合数据。3.根据权利要求2所述的方法，其特征在于，所述将所述衰老药效成分的靶标网络转换为第一二维特征矩阵数据包括：对所述衰老药效成分的靶标网络进行基于图卷积网络的编码重塑，得到所述衰老药效成分的第一二维特征矩阵数据。4.根据权利要求2所述的方法，其特征在于，所述将所述衰老药效成分的分子描述符转换为第二二维特征矩阵数据包括：从所述衰老药效成分的分子描述符中提取每个特征名及对应的数据；对每个特征名对应的数据进行归一化处理及sigmiod激活函数的处理，得到所述衰老药效成分的第二二维特征矩阵数据。5.根据权利要求2所述的方法，其特征在于，所述将所述衰老药效成分的ADMET参数转换为第三二维特征矩阵数据包括：将所述衰老药效成分的ADMET参数中吸收参数A、分布参数D、代谢参数M、排泄参数E和毒性参数T各自的数据进行归一化处...

【专利技术属性】
技术研发人员：侯静怡，杨洪军，刘为，祝乃强，
申请(专利权)人：中国中医科学院医学实验中心，
类型：发明
国别省市：