专利交易市场

一种基于蛋白质序列比对的分子虚拟筛选方法，根据输入的待进行分子筛选的蛋白质序列，使用HHblits程序获取蛋白质的多序列联配信息；计算待预测的蛋白质序列和多序列联配信息对应位置出现相同残基的频率PSFM；使用同样的方法，生成蛋白质‑配体相互作用数据库BioLiP中每条蛋白质序列的PSFM；计算待预测蛋白质与BioLiP中每条蛋白质的残基对齐得分与相似度匹配质量，根据匹配质量得分取得潜在种子分子集；计算分子数据库中每个分子与种子分子集中的所有分子的二维指纹图谱值之和，根据得分对DrugBank中所有分子进行排序，取得分靠前的x·NDrugBank个分子为待分子筛选蛋白质序列的分子筛选集。本发明可用于任何筛选场景。

本发明提出了一种基于代理的多尺度药物协同预测方法，通过建立药物间的协同模型，对药物的相互作用进行效果估算，具体包括：步骤1、实验数据的预处理；步骤2：建立细胞生存状态规则；步骤3：运用机器学习算法对模型中参数进行分步估计；步骤4：模型验证，利用真实数据集以及模拟数据集对模型进行测试，通过显著性差异分析药物协同预测模型的准确性；步骤5：利用药物协同指数对模型的准确性进行二次验证。本方法可以探索多种药物组合作用下对细胞生命状态的影响规律，以及药物的协同作用和协同强度的大小。

本发明提供了一种药物靶点结合能预测方法及装置，其中，方法包括：S1构建本地数据库；S2在pdb文件中选定配体分子所在的位置，并按照与配体分子之间距离的远近将蛋白质的结构分割成三层；S3将配体分子和分割得到的三层蛋白质分别进行编码，得到蛋白‑配体分子相互作用的SPLIF指纹，并形成训练集、验证集和测试集；S4在服务器中建立神经网络模型，利用训练集对其进行训练，并利用测试集对训练后的神经网络模型进行验证；S5计算神经网络模型预测得到的结合常数；S6使用训练完成的神经网络模型对蛋白质与配体分子结合常数进行预测，并通过阿雷尼乌斯公式将结合常数转变为结合自由，有效解决现有方法预测药物‑靶点结合能不准确的问题。

本发明实施例公开了一种药物分子结构预测方法、装置、设备及存储介质，涉及人工智能领域。方法包括：从预设的药物数据库中获取样本药物的分子结构信息；根据样本药物的分子结构信息构建药物结构知识图谱；接收用户输入的药物设计要素，药物设计要素包括功能官能团以及官能团的数量范围；根据药物设计要素在药物结构知识图谱中获取节点序列；获取节点序列的节点向量，并将节点向量输入到预训练的文本分类模型中以得到节点序列的标签；若节点序列的标签为预设的目标标签，向用户输出节点序列。节点序列代表了一种包含了功能官能团的药物结构，可供用户在药物研发中做参考，从而减少了用户在药物分子设计上的耗时，极大地提高了新药物研发的效率。

本发明涉及药物表示学习领域，具体涉及一种结合领域知识的药物分子生成方法，包括利用构象搜索算法获得分子3D构象，从而获得分子空间信息，利用分子空间信息增强分子的初始表示；利用优化后的谱聚类算法以及优化后的CH聚类评价指标获取分子的分子划分结果；根据分子的增强表示和分子划分结果，利用图卷积神经网络对其编码获得其隐空间嵌入表示，即分别为全局图表示和局部子图表示；利用互信息最大化机制优化全局图表示和局部子图表示，得到富含空间信息和子结构信息的分子表示，并应用于下游分子生成任务；本发明有助于捕捉到分子的空间和结构信息，同时能更好地服务于基于深度学习的药物发现领域相关任务。

本发明属于抗候选药物分子描述符数据处理技术领域，提供了一种抗癌候选药物化合物分子的定量优化方法与系统。其中，该方法包括获取候选药物分子描述符及靶标生物活性数据；根据候选药物分子描述符与靶标生物活性数据之间的相关性，筛选出若干个关键分子描述符；将各个关键分子描述符进行编码并转换成对应向量表示；基于各个关键分子描述符的向量表示，以最小化癌靶标生物活性值为目标函数，在各个关键分子描述符的取值约束和化合物ADMET性质约束的条件下，筛选出抗癌候选药物的分子描述符类别及其含量取值范围。