一种人工智能酶促反应逆合成设计方法、装置及电子设备制造方法及图纸

本发明专利技术公开了一种人工智能酶促反应逆合成设计方法、装置及电子设备，方法包括：提取目标产物的规范化SMILES的第一摩根指纹，与数据库中的产物的第二摩根指纹进行相似度计算，得到第一摩根指纹相似度与相似产物；提取相似产物对应的SMILES反应式的反应模板，并根据反应模板与预设的候选物生成算法，生成以反应模板为反应中心的候选反应物；根据与候选反应物的第二摩根指纹相似度在数据库中查找目标反应物及目标反应物对应的目标反应式；计算候选反应物对应的候选反应式，与目标反应式的反应相似度和总相似度；将反应相似度和总相似度输入演化得分模型，得到待选反应式及对应的待选酶，本发明专利技术可广泛应用于合成生物学及人工智能领域。领域。领域。

【技术实现步骤摘要】
一种人工智能酶促反应逆合成设计方法、装置及电子设备


[0001]本专利技术涉及合成生物学及人工智能
，尤其是一种人工智能酶促反应逆合成设计方法、装置及电子设备。

技术介绍

[0002]酶，作为一种催化剂，常被用于生物催化、代谢工程和代谢途径的体外重建中来获取所需的小分子或天然产物。其所参与的酶催化反应已构成了绿色化学的一个重要组成部分。在酶催化反应中酶的预测是一个待解决的关键问题，现有的方法中，酶的寻找过程中是一个尤为耗费时间和人力成本的工程。该过程中需要从动植物、细菌、真菌一些代谢产物中获得初级酶，然后对其进行定向进化改造，经过反复筛选及实验论证得到最终所需酶，不仅如此，实验过程中及其依赖个人经验水平，容易造成由于人为因素的误差而为预测结果带来不稳定性。现有逆合成酶的推荐方法存在耗时较长、计算量较大等缺点，效率较低。

技术实现思路

[0003]有鉴于此，本专利技术实施例提供一种人工智能酶促反应逆合成设计方法、装置及电子设备，以降低筛选目标酶的时间、物力成本及减少人为因素带来的误差，提高筛选目标酶的效率。
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人工智能酶促反应逆合成设计方法，其特征在于，包括：提取目标产物的规范化SMILES的第一摩根指纹，并与预设的数据库中的每条反应式产物的第二摩根指纹进行相似度计算，得到第一摩根指纹相似度，所述第一摩根指纹相似度由高到低的前N个产物作为相似产物；提取所述相似产物对应的SMILES反应式的反应模板，并根据所述反应模板与预设的候选物生成算法，生成以所述反应模板为反应中心的候选反应物，所述反应模板包括分子中参与化学反应的反应中心的原子结构；在所述数据库中查找与所述候选反应物的第二摩根指纹相似度由高到低的前M个目标反应物及所述目标反应物对应的目标反应式，所述第二摩根指纹相似度的计算过程与所述第一摩根指纹相似度的计算过程一致；计算所述候选反应物对应的候选反应式，与所述目标反应式的反应相似度和总相似度；将所述反应相似度和总相似度输入预设的演化得分模型，得到达到预设的得分阈值的待选反应式及对应的待选酶。2.根据权利要求1所述的一种人工智能酶促反应逆合成设计方法，其特征在于，所述得分演化模型的训练过程，包括：将所述数据库中的酶作为训练酶，计算所述训练酶的Blosum
‑
62序列相似度；根据所述训练酶的Blosum
‑
62序列相似度是否达到预设的相似度阈值，对所述训练酶标注标签；计算所述训练酶催化的反应式的训练反应相似度和训练总相似度；以所述训练酶的训练反应相似度和训练总相似度作为训练样本，以所述训练酶的标签作为训练标签，训练得分演化模型。3.根据权利要求2所述的一种人工智能酶促反应逆合成设计方法，其特征在于，所述得分演化模型为向量回归模型、线性回归模型、决策树回归模型、神经网络模型或深度学习模型中的其中一种模型。4.根据权利要求1所述的一种人工智能酶促反应逆合成设计方法，其特征在于，还包括：根据每个所述待选酶对应的总相似度，由高到低对所有待选酶进行排序，并输出排序结果。5.根据权利要求1所述的一种人工智能酶促反应逆合成设计方法，其特征在于，所述第一摩根指纹相似度的计算过程，包括：通过Dice相似度、McConnaughey相似度、Russel相似度、Sokal相似度、Tanimoto相似度或Tversky相似度中的至少之一，计算所述第一摩根指纹与所述第二摩根指纹的第一摩根指纹相似度。6.根据权利要求1所述的一种人工智能酶促反应逆合成设计方法，其特征在于，所述计算所述候选反应物对应的候选反应式，与所述目标反...

【专利技术属性】
技术研发人员：吴海超，曾琢，顾剑峰，田晓晖，王永杰，涂海林，杨承颖，陆文洋，
申请(专利权)人：苏州沃时数字科技有限公司，
类型：发明
国别省市：