[发明专利]基于小样本的先导化合物虚拟筛选方法和装置

权利要求书

1.一种基于小样本的先导化合物虚拟筛选方法，其特征在于，包括：

(1)利用新药物靶标及同源药物靶标的配体样本信息，采用稀疏低秩多任务学习来构建虚拟筛选模型；

(2)采用低秩正则化项来学习同源药物靶点与配体分子作用的共同特征；

(3)采用稀疏正则化项来学习新药物靶点与配体分子作用的独特特征；

(4)利用构建的模型对小样本下的先导化合物的活性进行预测并评价其性能；

步骤(1)包括：

选择同源药物靶标；

获取所需要的初始数据集，其中，所述的初始数据集包括新药物靶标及其同源药物靶标的信息，所述信息包括所需要的配体分子smiles和与配体作用的活性值；

每个药物靶标的活性值预测称为一个任务，多个同源药物靶标的预测即多个任务；根据初始数据集，利用分子指纹的方法分别将t个任务中的n个药物靶标所结合的配体的smiles生成相对应的d维分子特征，用0/1来表示，记作x_n；把X＝[x₁,x₂,…,x_n]^T∈R^n×d作为多个任务的特征矩阵输入，其中，x₁,x₂,…,x_n分别代表第1,2,...,n个配体分子特征，R^n×d代表n×d维的空间，T为转置符号；

n个药物靶标的活性值记作向量y_n，将Y＝[y₁,y₂,…,y_n]^T∈R^n×t作为多个任务的活性值向量输入；其中，y¹,y²,…,y_n分别代表第1,2,...,n个配体作用的活性值，R^n×t代表n×t维的空间，T为转置符号；利用多任务学习的方法，构建损失函数约束，进一步得到权重矩阵W，即得到所述的虚拟筛选模型。

2.根据权利要求1所述的基于小样本的先导化合物虚拟筛选方法，其特征在于，步骤(2)包括：通过损失函数加入低秩正则化项来约束，得到P矩阵，所述P矩阵是低秩矩阵。

3.根据权利要求1所述的基于小样本的先导化合物虚拟筛选方法，其特征在于，步骤(3)包括：通过损失函数加入稀疏正则化项来约束，得到Q矩阵，所述Q矩阵是稀疏矩阵，选取了每个任务的独特特征。

4.一种基于小样本的先导化合物的虚拟筛选装置，其特征在于，包括：

基于稀疏低秩多任务学习的虚拟筛选模块，用于构建虚拟筛选模型；

同源药物靶点与配体分子作用的共同特征识别模块，用于学习同源药物靶点与配体分子作用的共同特征；

新药物靶点与配体分子作用的独特特征识别模块，用于学习新药物靶点与配体分子作用的独特特征；

先导化合物活性预测与性能评价模块，用于预测基于小分子样本的先导化合物的活性和评价所述虚拟筛选模型的性能；

所述基于稀疏低秩多任务学习的虚拟筛选模块包括：

同源药物靶标选择模块，用于辅助模型构建的药物靶标的选择；

初始模块，用于从数据库获取包含配体分子smiles和与配体作用的活性值信息的初始数据集；

特征提取模块，用于对原始数据进行处理生成配体的特征矩阵；

活性值生成模块，用于整理药物靶标和配体分子所作用的活性值，对活性值的数据做-lg处理，以缩小活性值的跨度；

多任务学习模块，用于构建损失函数约束，进一步优化后得到权重矩阵，学习到虚拟筛选模型。

5.根据权利要求4所述的基于小样本的先导化合物的虚拟筛选装置，其特征在于，所述共同特征识别模块为低秩正则化模块，用于学习所述共同特征，获得表示任务之间相关性的低秩矩阵。

6.根据权利要求4所述的基于小样本的先导化合物的虚拟筛选装置，其特征在于，所述独特特征识别模块为稀疏正则化模块，用于学习独特特征，获得表示每个任务独特性的稀疏矩阵。

7.根据权利要求4所述的基于小样本的先导化合物的虚拟筛选装置，其特征在于，所述先导化合物活性预测与性能评价模块包括：

预测模块，用于预测作用的活性值；

评价模块，用于得到评价模型性能的指标。