【技术实现步骤摘要】
本专利技术涉及计算机药物辅助设计领域，更具体地涉及一种基于深度学习的axl抑制剂高通量虚拟筛选方法和装置。
技术介绍
1、axl(又称ark、ufo和tyro-7)是tam受体酪氨酸激酶家族的成员，该家族还包括mer和tyro-3。与生长停滞特异性蛋白6(gas6)结合后，axl会二聚化并自动磷酸化，从而激活下游的丝裂原活化蛋白激酶(mapk)和磷脂肌醇3激酶/蛋白激酶b(pi3k/akt)途径。
2、计算机辅助药物设计(cadd)与复杂的计算建模技术相结合，大大加快了药物发现过程。这种方法，特别是通过虚拟筛选，已成为提高药物发现和开发效率的关键工具。
技术实现思路
1、为解决上述不足，根据本专利技术的第一方面提供了基于深度学习的axl抑制剂高通量虚拟筛选方法，包括：分别获取配体和受体蛋白质，所述配体和所述受体蛋白质结构使用相同程序进行格式转换；建立数据库，用于高通量虚拟筛选，所述数据库至少包括第一数据库和第二数据库；评估并确定深度学习算法和分子对接程序；根据经确定的深度学习算法和分子对接程序，进行高通量虚拟筛选，通过所述高通量虚拟筛选获得准目标分子；检测所述准目标分子对于axl的体外抑制活性，获得最终目标分子；对所述最终目标分子进行生物学效应评估。
2、可选地，还包括：通过分子动力学对最终目标分子的axl抑制作用进行模拟分析并验证。
3、可选地，所述第一数据库为maybridge药物数据库，所述第二数据库为mce类药数据库。
4、可
5、可选地，经确定的深度学习算法包括：planet深度学习算法和deepdock深度学习算法。
6、可选地，所述高通量虚拟筛选的顺序设置为：先通过planet深度学习算法执行第一步筛选，再通过deepdock深度学习算法执行第二步筛选，最后执行第三步筛选。
7、可选地，通过planet深度学习算法执行第一步筛选的分子的亲和度大于等于6.782。
8、可选地，所述准目标分子分别为第一准目标分子、第二准目标分子、第三准目标分子、第四准目标分子、第五准目标分子、第六准目标分子、第七准目标分子、第八准目标分子，以及第九准目标分子。
9、可选地，所述第九准目标分子为最终目标分子，其化学式为：
10、
11、可选地，所述检测所述准目标分子对于axl的体外抑制活性，包括：通过检测所述准目标分子对于axl的ic50值，并且所述第九准目标分子的ic50值为9.38nm，所述第三准目标分子的ic50值为112.0nm，所述第五准目标分子的ic50值为22.3nm。
12、根据本专利技术的第二方面，提供了一种基于深度学习的axl抑制剂高通量虚拟筛选装置，包括：获取转换模块：用于分别获取配体和受体蛋白质，所述配体和所述受体蛋白质的结构使用相同程序进行格式转换；数据库建立模块：用于高通量虚拟筛选，所述数据库至少包括第一数据库和第二数据库；评估确定模块：用于评估并确定深度学习算法和分子对接程序；虚拟筛选模块：用于根据经确定的深度学习算法和分子对接程序，进行高通量虚拟筛选，通过所述高通量虚拟筛选获得准目标分子；以及检测评估模块：用于检测所述准目标分子对于axl的体外抑制活性，获得最终目标分子；对所述最终目标分子进行生物学效应评估。
13、本专利技术的实施例本专利技术的实施例提供了一种高通量虚拟筛选方法来鉴定axl的强效新型抑制剂。通过使用planet和deepdock等先进算法，确定最终目标分子是一种高效的axl抑制剂，具有显著的抑制生物活性(ic50＝9.378nm)。通过分子动力学(md)模拟进行的进一步探索揭示了最终目标分子(化合物9)与axl的特异性结合模式。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的AXL抑制剂高通量虚拟筛选方法，其特征在于，包括：
2.如权利要求1所述的基于深度学习的AXL抑制剂高通量虚拟筛选方法，其特征在于，还包括：通过分子动力学对最终目标分子的AXL抑制作用进行模拟分析并验证。
3.如权利要求2所述的基于深度学习的AXL抑制剂高通量虚拟筛选方法，其特征在于，所述第一数据库为Maybridge药物数据库，所述第二数据库为MCE药物数据库。
4.如权利要求3所述的基于深度学习的AXL抑制剂高通量虚拟筛选方法，其特征在于，评估的深度学习算法至少包括：第一深度学习算法和第二深度学习算法，评估的分子对接程序包括三种分子对接程序：AutoDock-GPU分子对接程序、Autodock Vina分子对接程序，以及LeDock分子对接程序。
5.如权利要求4所述的基于深度学习的AXL抑制剂高通量虚拟筛选方法，其特征在于，经确定的深度学习算法包括：PLANET深度学习算法和DeepDock深度学习算法。
6.如权利要求5所述的基于深度学习的AXL抑制剂高通量虚拟筛选方法，其特征在于，所述高
7.如权利要求6所述的基于深度学习的AXL抑制剂高通量虚拟筛选方法，其特征在于，通过PLANET深度学习算法执行第一步筛选的分子的亲和度大于等于6.782。
8.如权利要求7所述的基于深度学习的AXL抑制剂高通量虚拟筛选方法，其特征在于，所述准目标分子分别为第一准目标分子、第二准目标分子、第三准目标分子、第四准目标分子、第五准目标分子、第六准目标分子、第七准目标分子、第八准目标分子，以及第九准目标分子。
9.如权利要求8所述的基于深度学习的AXL抑制剂高通量虚拟筛选方法，其特征在于，所述第九准目标分子为最终目标分子，其化学式为：
10.如权利要求9所述的基于深度学习的AXL抑制剂高通量虚拟筛选方法，其特征在于，所述检测所述准目标分子对于AXL的体外抑制活性，包括：通过检测所述准目标分子对于AXL的IC50值，并且所述第九准目标分子的IC50值为9.38nM，所述第三准目标分子的IC50值为112.0nM，所述第五准目标分子的IC50值为22.3nM。
11.一种基于深度学习的AXL抑制剂高通量虚拟筛选装置，其特征在于，包括：
...【技术特征摘要】
1.一种基于深度学习的axl抑制剂高通量虚拟筛选方法，其特征在于，包括：
2.如权利要求1所述的基于深度学习的axl抑制剂高通量虚拟筛选方法，其特征在于，还包括：通过分子动力学对最终目标分子的axl抑制作用进行模拟分析并验证。
3.如权利要求2所述的基于深度学习的axl抑制剂高通量虚拟筛选方法，其特征在于，所述第一数据库为maybridge药物数据库，所述第二数据库为mce药物数据库。
4.如权利要求3所述的基于深度学习的axl抑制剂高通量虚拟筛选方法，其特征在于，评估的深度学习算法至少包括：第一深度学习算法和第二深度学习算法，评估的分子对接程序包括三种分子对接程序：autodock-gpu分子对接程序、autodock vina分子对接程序，以及ledock分子对接程序。
5.如权利要求4所述的基于深度学习的axl抑制剂高通量虚拟筛选方法，其特征在于，经确定的深度学习算法包括：planet深度学习算法和deepdock深度学习算法。
6.如权利要求5所述的基于深度学习的axl抑制剂高通量虚拟筛选方法，其特征在于，所述高通量虚拟筛选的顺序设置为：先通过planet深度学习算法执行第一步筛选，再...
【专利技术属性】
技术研发人员：吕新厅，沈哲远，董晓武，吕博涵，应小俊，黄文海，陈柔芬，
申请(专利权)人：永康市第一人民医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。