[发明专利]基于MMS_ResNet_1d模型的ERα拮抗剂的ADMET性质预测方法

说明书

本发明公开了一种基于MMS_ResNet_1d模型的ERα拮抗剂的ADMET性质预测方法，分别以ERα拮抗剂化合物的n种ADMET性质为因变量、以对应化合物的m个分子描述符信息为自变量创建原始数据，搭建Micro_Multi_Scale_resnet_1d深度学习模型迭代训练后得到最优模型参数，用于预测ADMET性质的属性。本发明能够更加快速有效地对药物性质进行统计建模和预测，提高预测的准确性，从而在药物开发的早期能减少药理上不合适的化合物数量，节约时间和成本。

技术领域

本发明涉及ERα拮抗剂ADMET性质检测领域，特别是一种基于MMS_ResNet_1d深度学习模型的ERα拮抗剂的ADMET性质预测方法。

背景技术

一个化合物想要成为候选药物，除了需要具备良好的生物活性外，还需要在人体内具备良好的药代动力学性质和安全性，合称为ADMET(Absorption吸收、Distribution分布、Metabolism代谢、Excretion排泄、Toxicity毒性)性质。其中，ADME主要指化合物的药代动力学性质，描述了化合物在生物体内的浓度随时间变化的规律，T主要指化合物可能在人体内产生的毒副作用。一个化合物的活性再好，如果其ADMET性质不佳，比如很难被人体吸收，或者体内代谢速度太快，或者具有某种毒性，那么其仍然难以成为药物，因而还需要进行ADMET性质优化。

候选新药在开发阶段失败的主要原因是由于差的ADMET性质。新药开发过程失败的越晚，其损失越大。因而，引起新药失败的因素被发现的越早越好。很多药物化学家提出在药物开发的早期，甚至在先导化合物发现阶段就应该进行化合物的ADMET性质评价，选择ADMET性质理想的化合物进行实验筛选，可从一定程度上缓解实验筛选的经济压力；同时，将本来是在药物研发过程后期才考虑的毒性和代谢问题，提前到先导化合物发现的前期阶段来完成，可以有效提高候选药物后期开发的成功率。

面对目前组合化学蛋白质组学和计算机药物筛选的快速发展，常规的生物试验方法(包括体外试验和体内试验)显得比较昂贵和滞后，如何快速、廉价地在药物研发早期进行化合物ADMET性质预测成为各大制药公司和研究机构十分关心和需要迫切解决的问题。

发明内容

本发明为克服现有技术存在的不足之处，本发明提出了一种基于MMS_ResNet_1d模型的ERα拮抗剂的ADMET性质预测方法，以期能够更加快速有效地对药物性质进行统计建模和预测，提高预测的准确性，从而在药物开发的早期能减少药理上不合适的化合物数量，节约时间和成本。

为了达到上述发明目的，本发明采用如下技术方案：

本发明一种基于MMS_ResNet_1d模型的ERα拮抗剂的ADMET性质预测方法的特点包括以下步骤：

S1：收集一系列作用于靶标ERα的拮抗剂化合物的n种ADMET性质以及m个分子结构描述符；

以靶标ERα的拮抗剂化合物的m个分子描述符作为m个自变量，对m个自变量分别进行数据标准化操作后，得到特征数据记为：X＝[x₁,x₂,…,x_i,…,x_m]，x_i表示第i个分子描述符的值；以二分类标准分别标定ERα拮抗剂化合物的n种ADMET性质，从而得到ERα拮抗剂化合物的总标签，并通过独热编码进行表示，记为因变量Y＝[y₁,y₂,…,y_j,…,y_n]，其中，y_j为第j种性质的标签，取值为0时表示负类，取值为1时表示正类；将特征数据X和因变量Y组合为数据集并划分为训练集D_train和验证集D_val；

S2：搭建由一个数据输入模块、h个分支模块和一个输出融合模块组成的MMS_ResNet_1d多尺度分类模型；