[发明专利]基于量子群智能优化的先导化合物发现与合成方法

摘要

基于量子群智能优化的先导化合物发现与合成方法，包括步骤1，组合预测新的先导化合物，初始建模，靶标确认，量子筛选；步骤2，活性评价和量子群智能优化，建立训练集和测试集，量子群训练，计算测试集正确率；步骤3，药效优化和毒理活性消除，药效优化，毒理活性消除；步骤4，动物实验和临床实验。本发明使用量子群智能优化构造先导化合物，可以准确的描述化学成份为主的活性成份和药理活性为主的有效成份；使用量子筛选和量子群智能优化设计新药的成功率更高，并有助于大大降低新药设计成本；量子群智能优化模型能够更真实地在计算机上进行先导化合物模拟实验，结合动物实验和临床实验，能够提供更加真实的药物设计模型和方法。

主权项

1.基于量子群智能优化的先导化合物发现与合成方法，其特征在于包括以下步骤：步骤1，组合预测新的先导化合物：子步骤1‑1，初始建模：使用数据库记录和分析各类药物成分中主要化合物的生理活性结构及其所对应的药理活性和靶标的结构，经过量子态波函数描述后，建立其构效关系模型；子步骤1‑2，靶标确认：借助计算机系统对靶标的结构进行确认，使用量子搜索算法在数据库中尝试查找与其相似的靶标，为定向确定先导化合物做准备；子步骤1‑3，量子筛选：根据量子搜索算法定向确定先导化合物；若无法确定，则根据量子随机数进行随机组合，得到一组化合物；步骤2，活性评价和量子群智能优化：子步骤2‑1，建立训练集和测试集：对大小、亮度一致的化合物结构化三维图进行黑白化与反色处理；按化合物活性将图片分类，每一类图片附加上对应的数字标签，并用量子态波函数描述；其中，一部分图片作为训练集，另一部分图片作为测试集；子步骤2‑2，量子群训练：建立量子群智能优化模型和训练、学习算法，并在训练、学习过程中与期望值的误差设置误差函数，当误差函数的值小于指定的误差后，完成训练并保存训练后数据；子步骤2‑3，计算测试集正确率：若符合要求，则可通过此活性评价模型判断未知化合物活性，后进行生物学实验；如不符合要求，则扩大搜索范围，返回前一步骤；步骤3，药效优化和毒理活性消除：子步骤3‑1，药效优化：建立多维的量子药效评估函数对药效进行评估，包括生物活性和药理活性；对生物活性或药理活性评价不合格的先导化合物，将其所得数据进行分析后，进行校正即重新组合后返回步骤2；通过多组量子群的并行优化，提高先导化合物的生物活性和药理活性，若有多组药效评价符合预定的值，则取药效优化值最高的一组；子步骤3‑2，毒理活性消除：收集具有毒理活性的化合物，分析其结构，建立有关毒理活性的化合物结构的数据库；建立量子毒理活性评估函数对毒理活性进行评估；对毒理活性评价不合格的先导化合物，将其所得数据进行分析后，进行校正即重新组合后返回步骤2；通过多组量子群的并行计算，能够发现多种可能的假阳性，以及不同假阳性之间的关联，从而有效减少假阳性；步骤4，动物实验和临床实验：子步骤4‑1，进行动物实验：试药后若动物出现明显不良反应，则更新步骤1所述数据库，并调整训练集和测试集，重新进行量子智能优化，即改变化合物中各组成成分的含量，重新进行步骤2；若试药后动物未出现明显不良反应，换一组动物，继续进行动物实验，直至符合指定数量的动物实验后无明显不良反应，则转入下一阶段；子步骤4‑2，进行临床实验：选用志愿人群进行实验，若该先导化合物毒理活性较大，或毒理活性较小但对人体健康影响较大，则更新步骤1所述数据库，并调整训练集和测试集，重新进行量子智能优化，即改变化合物中各组成成分的含量，重新进行步骤2；若试药后人体未出现明显不良反应，换一组志愿者，继续进行临床实验，直至符合指定数量的人体实验后无明显不良反应。