[发明专利]一种基于结构和等级分类的药物蛋白结合率预测方法及系统

说明书

本申请涉及一种基于结构和等级分类的药物蛋白结合率预测方法及系统，包括：(1)数据收集，并对收集到PPB数据值进行处理，并去除重复的药物分子；(2)将药物分子的PPB值分为高结合药物、中结合药物、低结合药物三个等级的数据集；(3)计算分子描述符的数据值，并进行相关性筛选，选出与药物蛋白结合率最相关的一组分子描述符；(4)采用机器学习算法，分别建立三个等级的定量预测模型；(5)将药物分子的分子描述符代入对应等级的定量预测模型，对药物分子的蛋白结合率进行预测。本申请可提高高结合药物PPB预测的准确度，解决现有技术中高结合药物PPB预测准确度低的问题。

技术领域

本申请属于药物设计技术领域，具体涉及药物蛋白结合率的预测，尤其是涉及一种基于结构和等级分类的药物蛋白结合率预测方法及系统。

背景技术

药物从给药部位吸收进入血液后，一部分与血浆蛋白结合，成为结合型药物，一部分呈游离的分子状态，而药物只有为游离型时才能发挥药效

药物与血浆蛋白的结合不仅对药物在体内的吸收、分布、代谢、排泄过程均有影响，而且与药物的药理作用强度密切相关。因此，研究药物的血浆蛋白结合率不仅有利于知道药物的给药方案设计和安全性评价，而且对于火星成分成药性研究亦具有重要意义。

药物在血浆中不同程度地与血浆蛋白结合，其结合程度能够影响药物的体内过程(ADME),即机体对药物的处置过程，进而影响药物的药效学行为。因此,药物蛋白结合率(PPB)可以作为治疗药物监测及ADME评估的重要参数。

游离药物才能透过细胞膜并与靶点结合，药物与血浆蛋白的结合是一个可逆的过程，处于平衡状态。高血浆蛋白结合可能与药物安全性问题和一些不良反应相关，如低清除率，低脑渗透，药物-药物相互作用，功效丧失，同时通过体内立体选择性结合影响对映体和非对映异构体的命运。药物药代动性质是仅次于毒性导致候选药物临床试验失败的原因。在90年代末出现了基于药物相似性和基于性质的药物设计概念以期解决药代动挑战。因此，在整体药物设计方法中，认为药代性质与靶点亲和力同样重要，大量的研究聚焦于PPB预测。

随着信息技术的发展，很多文献报道了预测血浆蛋白结合率的方法，主要包括基于配体以及基于结构进行预测，采用单一机器学习算法进行预测，大部分方法在高结合药物部分准确度较低，相对低中结合而言，在体内易发生相互作用以及不良反应主要集中于高结合药物。

发明内容

本发明要解决的技术问题是：解决高结合药物预测准确度低的问题。

为解决该技术问题，本发明提供了一种基于结构和等级分类的药物蛋白结合率预测方法，可以提高高结合药物预测准确度，减少新药设计研发风险，增加预测方法应用性。

本发明解决其技术问题所采用的技术方案是：一种基于结构和等级分类的药物蛋白结合率预测方法，包括如下步骤：

(1)收集不同药物分子的蛋白结合率数据值以及相应的结构编码，并对收集的药物分子的蛋白结合率数据值进行处理，去除重复的药物分子；

(2)根据步骤(1)得到的药物分子的蛋白结合率数据值分为三个等级的数据集，即：高结合药物数据集、中结合药物数据集和低结合药物数据集，并将三个等级的数据集分别划分训练集和测试集；

(3)计算药物分子的分子描述符的数据值，用所述的分子描述符编码分子结构，同时对分子描述符进行相关性筛选，筛选出与药物蛋白结合率最相关的一组分子描述符；

(4)根据步骤(3)得到的分子描述符，采用机器学习算法，分别建立三个等级的定量预测模型；

(5)当对某一药物的药物蛋白结合率进行预测时，首先根据其分子描述符参数判断药物蛋白结合率等级，并将所述分子描述符参数代入对应等级的定量预测模型对药物蛋白结合率进行预测。