[发明专利]一种基于深度参数迁移学习的小分子药物虚拟筛选方法和装置

权利要求书

1.一种基于深度参数迁移学习的小分子药物虚拟筛选方法，其特征在于，包括：

(1)分子指纹表示数据集中的配体样本特征；

(2)基于组稀疏学习进行特征选择，得到关键子结构；

(3)基于深度参数迁移学习的配体小分子的活性预测。

2.根据权利要求1所述的一种基于文本隐含信息的药物靶标特征学习方法，其特征在于，所述步骤(1)包括：

获取所需要的初始数据；其中，所述的初始数据集包括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式和配体产生作用所需的活性值；

利用ECFP分子指纹表征初始数据集中的配体样本，输入所述配体分子式，得到特征对应的0/1值，并做-lg处理。

3.根据权利要求1所述的一种基于文本隐含信息的药物靶标特征学习方法，其特征在于，所述步骤(2)进一步包括：

针对目标域和源域，利用ECFP分子指纹或者分子描述表征配体样本，提取配体作用生物活性，采用多任务稀疏学习方法，筛选目标域和源域中药物靶点与配体相互作用的共同特征及独有特征：

ECFP分别将t个任务中的n个药物靶标所结合的配体分子式生成相对应的d维分子特征，用0/1来表示，记作x_n；把X＝[x₁,x₂,…x_n]T作为多个任务的特征矩阵输入；n个药物靶标的活性值记作向量yn，把Y＝[y₁,y₂,…y_n]T作为多个任务的活性值向量输入；所述W为权重矩阵，对多个任务的分别对同一个配体分子的活性取绝对值并求和，选取绝对值最大的TOP数据，代表影响最大的配体分子。

通过分析目标域和源域中药物靶点与配体相互作用的共同特征及独有特征，揭示作用于靶点的配体关键子结构。

4.根据权利要求1所述的一种基于文本隐含信息的药物靶标特征学习方法，其特征在于，所述步骤(3)进一步包括：

基于源域中大量的标记样本、目标域中少量的标记样本，利用分子指纹表征配体样本，提取配体作用生物活性，采用深度参数迁移学习方法，对源域和目标域深度神经网络模型的多层网络参数实现迁移，解决目标域样本数量不足的问题；

基于目标域和多个源域，从多个源域的迁移知识中学习经验，使之在目标域中具有最好的预测能力；

两个指标评价模型的性能，分别是RMSE和r²。

其中，y_i为真实活性值，为真实活性值的平均值，为预测活性值，为预测活性值的平均值，n为配体样本数量。

5.一种基于小样本的化合物虚拟筛选装置，其特征在于，包括：

(1)基于ECFP的配体特征采集模块，用于采集药物靶标及其同源药物靶标的配体样本特征；

(2)基于组稀疏学习的特征选择模块，得到决定配体生物活性的关键子结构；

(3)先导化合物活性预测模块，用于预测基于小分子样本的先导化合物的活性。

6.根据权利要求5所述的一种基于深度参数迁移学习的小分子药物虚拟筛选装置，其特征在于，所述配体特征采集模块包括输入初始数据集，数据集包含药物靶标及其同源药物靶标的信息，并采用分子指纹表征初始数据集中的配体样本，提取并输出配体产生作用所需的生物活性值。

7.根据权利要求5所述的一种基于深度参数迁移学习的小分子药物虚拟筛选装置，其特征在于，所述特征选择模块包括输入目标域与源域的分子指纹，采用多任务稀疏学习方法，筛选目标域和源域中药物靶点与配体相互作用的共同特征，揭示作用于靶点的配体关键子结构，输出筛选后表现最好的一部分分子指纹。

8.根据权利要求5所述的一种基于深度参数迁移学习的小分子药物虚拟筛选装置，其特征在于，所述活性预测模块包括：采用深度参数迁移学习方法，输入源域的深度神经网络模型的多层网络参数，将它应用到目标域实现迁移，并通过多个源域的迁移知识中学习经验，输出基于小分子样本的先导化合物的活性，使之在目标域中构建的模型具有最好的预测能力。