CN114093414B 基于MMS-ResNet-1d模型的ERα拮抗剂的ADMET性质预测方法 （中国科学院合肥物质科学研究院）

基于MMS_ResNet_1d模型的ERα拮抗剂的本发明公开了一种基于MMS_ResNet_1d模型应化合物的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深预测ADMET性质的属性。本发明能够更加快速有2S1：收集一系列作用于靶标ERα的拮抗剂据标准化操作后，得到特征数据记为表示第i个分子描述符的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S2.2.2：所述残差块的Shortcut单元包含一个卷积核大小为1且步长为2的卷积层模块Routea的第1个残差块中的前处理单元P_conv和Shortcut单元的处理后，输出卷积块映射值p_oul,和直连块映射值，并由断连机制判断第1个残差块R的内置参数1个残差块的输出，否则，将残差映射值ou=p_oul+ou,作为第1个残差块R的输出，当b=1时，;3；g输出的残差映射值ous经自适应池化层处理后得到单尺度式(1)中：o)代表将第j个神经元映射值4,输入sigmoid函数计算所得到的第j个性质S3.3：在第epoch次迭代中将训练集Dtrain按照每批次的大小为bs进行层归一化处理后再利用基于学习率lr的Adam优化器优化梯度中的权重参数，从而得到第epoch次训练的模S3.4：在第epoch次迭代训练后在验证集Dval上按照每批次大小为bs对第epoch次训练S4：将待测试ADMET性质的n种ADMET性质输入最优分4[0001]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[0003]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[0005]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[0007]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5[0010]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_征X/；且第b个残差块Rb由前处理单元P_con一个前批归一化层BN1d、一个ReLu激活函数层、一个卷积层Conv1db2、一个后批归一化层BN1d，其中，卷积层Conv1db1的卷积核大小为kab、步长为sab、填充大小为卷积层块映射值p_outb和直连块映射值s_outb，并由断连机制判断第1个残差块R1的内置参数为g[0016]当b＝2,3,…,g时，第b-1个残差块Rb-1输g尺度映射值Outa并作为第a个分支模块Routea的输出；从而得到h个分支模块输出的多尺度映射值(ou,:连接层Fc，其中，所述融合层Cat将按第二个维度进行拼接后再经过展平层6理后送入所述MMS_ResNet_1d模型中进行训练，并计算所述交叉熵损失L后求解m个通道的[0025]S3.3：在第epoch次迭代训练后在验证集Dval[0029]1.本发明利用ERα拮抗[0030]2.本发明利用改进的深度学习算法对ERα拮抗剂化合物的ADMET性质进行系统的[0031]图1是本发明的基于MMS_ResNet_1d深度学习模型的ERα拮抗剂的ADMET性质预测种基于MMS_ResNet_1d深度学习模型的ERα拮抗剂的ADMET性质预测方法，是根据已知分子7为数据集并划分为训练集Dtrain和验证集[0038]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_且第b个残差块Rb由前处理单元P_con；[0042]S2.2.2：残差块的Shortcut单元包含一个卷积核大小为1且步长为2的卷积层射值p_outb和直连块映射值s_outb，并由断连机制判断第1个残差块R1的内置参数为[0044]当b＝2,3,…,g时，第b-1个残差块Rb-1输8尺度映射值Outa并作为第a个分支模块Routea的输出；从而得到h个分支模块输出的多尺度映射值(ou,:率调整迭代值t＝0，设置调整周期阈值为tmax；本实施例中，设置初始学习率lr＝0.01，项分布，这相当于将一个多标签问题转化为了在每个标签上的二分类问题。使用binary_[0054]S3.3