[发明专利]一种基于人工智能进行靶向受体的3D药物设计方法

说明书

本发明涉及一种基于人工智能进行靶向受体的3D药物设计方法，主要针对目前人工智能训练的模型只能生长成1D或2D的药物分子片段和不能直接靶向受体3D活性口袋的问题，通过利用MMFF94力场转化1D或2D药物片段分子，在受体的3D活性口袋中随机指定或特别指定起始片段作为药物分子的生长起始点，并以药物分子的可旋转键作为分割点，通过遗传算法针对受体靶点的3D活性口袋进行3D药物设计，进而解决人工智能训练的药物模型不能直接应用于受体靶点活性口袋进行3D药物分子设计的问题。

技术领域

本发明属于药物分子学技术领域，具体涉及一种基于人工智能进行靶向受体的3D药物设计方法。

背景技术

目前，基于人工智能训练出的药物模型生长出的分子都是一维(1D)或二维(2D)的，如SMILES序列结构，还不能基于受体靶点(如：蛋白质、核酸等)的三维(3D)活性中心生长出3D药物分子结构，本发明主要解决人工智能训练出的药物片段生长模型在受体靶点活性口袋中进行3D药物分子生长的技术问题。

计算机辅助药物设计中的合理药物设计是在受体靶点(如：蛋白质、核酸等)的3D活性口袋中找到结合最优的3D药物分子。人工智能已经广泛的应用于图像处理、语音等中，由于药物分子可以表示成SMILES序列格式，所以通过人工智能的生成对抗网络(GAN)就能训练出药物分子生长模型，但是，目前人工智能的技术方法只能生长出一维(1D)或二维(2D)结构的药物分子，无法完成在受体靶点活性口袋进行3D药物分子的生长。

目前与本发明最接近的是通过生成对抗网络(GAN)训练药物分子生长模型，如ORGAN(https：//github.com/gablg1/ORGAN)，MolGAN(https：//github.com/nicola-decao/MolGAN)。其中ORGAN是将药物分子数据库(如：ZINC数据库等)的SMILES序列进行编码，然后通过GAN进行药物分子生长模型的训练，训练出的模型生长出编码的药物分子，在通过解码技术还原成药物分子的SMILES格式。MolGAN通过图神经网络来训练药物分子生长的模型，具体来说，就是根据药物分子的二级结构，将药物分子进行编码，通过图进行建模，每个顶点表示原子或者化学基团，边表示化学键，然后通过GAN的方法进行药物生长模型的训练，训练出的模型可以直接根据学习到的图表征，生长出药物分子。

目前基于人工智能训练出的药物生长模型可以生长出足量多的药物分子片段，但是生成的药物分子片段都是一维(1D)或二维(2D)的，这些智能生长出的药物分子片段没有三维(3D)空间结构，空间靶向性低，这样就没办法基于受体靶点的3D活性口袋进行3D药物分子的设计。

发明内容

本发明的目的在于提供一种基于人工智能进行靶向受体的3D药物设计方法，主要针对目前人工智能训练的模型只能生长成1D或2D的药物分子片段和不能直接靶向受体3D活性口袋的问题，通过利用MMFF94力场转化1D或2D药物片段分子，在受体的3D活性口袋中随机指定或特别指定起始片段作为药物分子的生长起始点，并以药物分子的可旋转键作为分割点，通过遗传算法针对受体靶点的3D活性口袋进行3D药物设计，进而解决人工智能训练的药物模型不能直接应用于受体靶点活性口袋进行3D药物分子设计的问题。

为了实现上述目的，本发明的技术方案如下。

一种基于人工智能进行靶向受体的3D药物设计方法，包括以下步骤：