CN114334029B 化合物活性预测方法、网络训练方法、装置、介质及设备 （腾讯科技（深圳）有限公司）

2根据所述目标靶点蛋白对应的已测活性化合物信息，确定所述将所述靶点特征输入训练好的功能区域确定网络进行处理根据所述训练好的基础神经网络中每一层网络对应的目标功能根据所述目标靶点蛋白的活性预测模型对所述待测化合物进行预测所述训练好的基础神经网络中每一层网络包括多个待定功能区域根据所述靶点特征和所述训练好的基础神经网络中的前一层网络的所有待定功能区根据所述串联特征和所述训练好的基础神经网络中的前一层网络的采用所述训练好的功能区域确定网络对所述当前层网络的隐特征将所述已测活性化合物的分子结构特征和所述已测活性化合物对所述目标靶点蛋白的活性数据输入训练好的靶点特征网络进行处理，以确定所述目标靶点蛋白的靶点特征，所述训练好的靶点特征网络是基于所有历史靶点蛋白的活性数据之间的相似度训练得到靶点蛋白的活性数据输入靶点特征网络进行处理，以确定所述目标靶点蛋白的靶点特征，采用所述特征提取网络对所述已测活性化合物的分子结构特征进行特征提取将所述已测活性化合物的中间特征和所述已测活性化合物对所述目标靶点蛋白的活将所述串联后的数据输入包含预设数量的神经元的所述全连接网络3将所述训练好的基础神经网络中的每一层网络的所有待定功能区域述训练好的功能区域确定网络做归一化处理得到所有待定功能区域对根据所有待定功能区域对应的选定概率中的最大值对应的待定功能将所述训练好的基础神经网络中每一层网络的所述目标功能区域顺采用梯度下降法对所述目标靶点蛋白的基础活性预测模型进行至少一所述历史数据包含至少一个历史靶点蛋白以及历史已测活性化合物对所述历史靶点蛋采用靶点特征网络，根据所述历史靶点蛋白的历史已测活性化合物的分子结构特征，将所述历史靶点蛋白的靶点特征输入功能区域确定网络，以确定基础根据所述基础神经网络中每一层网络对应的历史功能区域，确定所所述基础神经网络中每一层网络包括多个待定功能区域，将所述根据所述靶点特征和所述基础神经网络中的前一层网络的所有待定功能区域对应的根据所述串联特征和所述基础神经网络中的前一层网络的隐特采用所述功能区域确定网络对所述当前层网络的隐特征进行处理，将所述历史靶点蛋白的历史已测活性化合物的分子结构特征输入具有所述网络参数4根据所述历史已测活性化合物对所述历史靶点蛋白的历史预测活性和所述历史已测根据确定的所述第一目标函数调整所述基础神经网络的网络参将所述历史数据集随机划分为多个不相交的历史数采用所述靶点特征网络对所述多个不相交的历史数据子集进行特征提取以得到多个根据所述多个历史数据子集的靶点特征中相同历根据所述第一目标函数和所述第二目标函数确采用梯度下降法对所述第三目标函数进行至少一次调整，确定单元，用于根据所述目标靶点蛋白对应的已测活性化将所述靶点特征输入训练好的功能区域确定网络进行处理根据所述训练好的基础神经网络中各层网络对应的目标功能区域预测单元，用于根据所述目标靶点蛋白的活性预测模型对所述待测化合物进行预测，所述训练好的基础神经网络中每一层网络包括多个待定功能区域，所用于根据所述靶点特征和所述训练好的基础神经网络中的前一层网络的所有待定功能区5获取单元，用于获取训练样本数据，所述训练样本确定单元，用于采用靶点特征网络，根据所述历史靶点蛋将所述历史靶点蛋白的靶点特征输入功能区域确定网络，以确定基础根据所述基础神经网络中每一层网络对应的历史功能区域，确定所训练单元，用于利用所述历史靶点蛋白对应的基础所述基础神经网络中每一层网络包括多个待定功能区域，所述确定单所述靶点特征和所述基础神经网络中的前一层网络的所有待定功能区域对应的选定概率，从所述多个待定功能区域中确定当前层网络的所述历史功能行时实现权利要求1-10任一项所述的方法6[0002]药物筛选是现代药物开发流程中检验和获取具有特定生理活性化合物的一个步提高了当前靶点蛋白中待测化合物活性预测的准待测化合物对于所述目标靶点蛋白的活性预7执行如上任一实施例所述的化合物活性预测8执行时实现如上任一实施例所述的化合物活性预测预测模型对待测化合物进行预测，以得到待测化合物对于目标靶点蛋白的活性预测结果。每一层网络对应的历史功能区域；根据基础神经网络中每一层网络对应的历史功能区域，9[0049]首先，在对本申请实施例进行描述的过程中出现的部分名词或者术语作如下解训练好的基础神经网络中每一隐藏层的网络划分为多个功能区域，采用RNN预测每一层某蛋白的活性数据即可训练得到目标靶点蛋白对应的活性预测点(P2P，PeerToPeer)网络，P2P协议是一个运行在传输控制协议(TCP，Transmission在苗头化合物发现及先导化合物发现阶段包括基于分子结构的虚拟筛选及基于靶点结构[0059]苗头化合物发现过程中包括基于分子结构的虚拟筛选。与传统利用实验筛选相[0070]为了便于实现对待测化合物所对应的目标靶点蛋白、目标靶点蛋白的靶点特征、训练好的功能区域确定网络、训练好的基础神经网络中每一层网络对应的目标功能区域、目标靶点蛋白的活性预测模型以及待测化合物对于目标靶点蛋白的活性预测结果的存储[0080]将已测活性化合物的分子结构特征和已测活性化合物对目标靶点蛋白的活性数特征网络是基于所有历史靶点蛋白的活性数据之间[0082]训练好的靶点特征网络可以是基于所有历史靶点蛋白的活性数据之间的相似度特征提取网络F(x")可以由一个三层的多层感知器(Multi-LayerPerceptron,MLP)组成，[0086]步骤212，将已测活性化合物的中间特征和已测活性化合物对目标靶点蛋白的活是64个。即将串联后的数据经过一个包含64个神经元的全连接网络(Fully-connected确定网络来预测每个功能区域被选定的概率。功能区域确定网络可以使用递归神经网络RNN进行预测，将训练好的基础神经网络中每一隐藏层的网络划分为多个功能区域。可选[0098]其中，训练好的功能区域确定网络可以由已有的历史靶[0100]可选的，如图4所示，训练好的基础神经网络中每一层网络包括多个待定功能区[0101]步骤231，根据靶点特征和基础神经网络中的前一层网络的所有待定功能区域对区域确定网络来预测每个待定功能区域被选定的概率。可以使用一个递归神经网络RNN进功能区域被选定的概率为p'=[pf,p,…,p⃞],该网络的输入是靶点的特征T(D5),和前一层网络所有待定功能区域被选定的概率pl-1的串联特征，以及前一层网络的隐特征hl-1,能区域确定网络做归一化处理得到所有待定[0113]例如，第l层的c个待定功能区域的选定概率可以根据隐特征hl经过softmax函[0123]步骤242，采用梯度下降法对目标靶点蛋白的基础活性预测模型进行至少一次调[0124]具体地，梯度下降法为可由深度学习框架PyTorch等方法自动梯度求导得到。例s)为目标靶点蛋白的已测化合物的化合物的分子结构特征xs对目标靶点蛋白的预测活性；φi-1为调整前的目标靶点蛋白的基础活性预测模型的网络参数；φi为调整后的目标靶点蛋白的基础活性预测模型的网络参预测模型的网络参数均从值θ开始进行经过若干步梯度优化得到。φ预测模型对待测化合物进行预测，以得到待测化合物对于目标靶点蛋白的活性预测结果。[0141]步骤610，获取训练样本数据，训练样本数据包括所有历史靶点蛋白的历史数据分子结构的特征信息可以采用待测化合物的[0147]将历史已测活性化合物的中间特征和历史已测活性化合物对历史靶点蛋白的活[0149]对训练样本数据中的所有历史靶点蛋白N进行处理得到各自对应的历史靶点蛋白[0154]根据靶点特征和基础神经网络中的前一层网络的所有待定功能区域对应的选定能区域确定网络做归一化处理得到所有待定率，可选的，α可设置为0.01。(xs,ys)为历史靶点蛋白的已测化合物的训练数据集D5。fm-,(e")为历史靶点蛋白对应的基础神经网络输出的已测活性化合物的分子结构特征xs对历史靶点蛋白的预测活性。φi-1为第i-1轮参数调整后的历史靶点蛋白对应的基础神经网络的网络参数；φi为第i轮参数调整后的历史靶点蛋白对应的基础神经网络的网络参神经网络的网络参数均从值θ开始进行经过若干步梯度优[0173]将历史靶点蛋白的历史已测活性化合物的分子结构特征输入具有网络参数的历[0174]根据历史已测活性化合物对历史靶点蛋白的历史预测活性和历史已测活性化合结构特征，表示的已测活性值。表示历史已测活性化合物的分子结构特征输入历史靶点蛋白对应的基础神经网络得到的历史预测活性。φi表示经过梯度下降法[0181](1)将历史数据集随机划分为多个不相交的历史数据子集，并采用靶点特征网络对多个历史数据子集进行特征提取以得到多个历史数据子[0183](2)根据多个历史数据子集的靶点特征中相同历史靶点蛋白的靶点特征的相似域确定网络的网络参数。xs和ys表示历史数据集中的历史靶点蛋白对应的已测化合物的分子结构特征和已测化合物的活性值。φi表示为第i轮参数调整后的历史靶点蛋白对应的基网络参数wb。表示xs输入调整后的历史靶点蛋白对应的基础神经网络后输出的预蛋白网络参数φi后，计算第一目标函数c(fa,(x'),y),以及第二目标函数ca,最后得到第三目标函数Lau(9,wa,wn),并通过对第三目标函数进行优化如最小化计算，以对基础标函数Lau关于θ的梯度。DW.是目标函数Lau关于wa的梯度。Vws是目标函数Lau关于wb得到目标功能区域为后，将每一层网络的目标功能区域按顺序起来，得到目标靶点蛋白的基础神经网络对应的网络参数然后对网络参数进行梯度下降以快速更新，表示voc(fo(x"),y"),可通过上述公式(1)计算。[0207]为了更清晰地表示本申请相较于现有技术的活性预测方式[0208]而最右边为本申请的一种实施例示例，对历史靶点蛋白1-n各自通过提取靶点特每一层网络对应的历史功能区域；根据基础神经网络中每一层网络对应的历史功能区域，络参数进行优化以提高目标靶点蛋白形成的活性预测模型的预测精度，模型表达能力较[0227]训练单元930，用于利用所述历史靶点蛋白对应的基础神经网络的网络参数和所所述历史靶点蛋白的历史预测活性和所述历史已测活性化合物对所述历史靶点蛋白的活各模块的功能可对应参考上述各方法实施例中任意实施例的具体实现方式，这里不再赘[0232]上述化合物活性预测装置800和网络训练装置900中的各个单元可全部或部分通[0233]化合物活性预测装置800和网络训练装置900例如可以集成在具备储存器并安装[0234]图10为本申请实施例提供的化合物活性预测装置800的示意性结构图，化合物活[0241]可选的，化合物活性预测装置800例如可以集成在具备储存器并安装有处理器而[0249]可选的，网络训练装置900例如可以集成在具备储存器并安装有处理器而具有运件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DigitalSignal器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器动态随机存取存储器(SynchlinkDRAM，SLDRAM)和直接内存总线随机存取存储器(Direct还可以是静态随机存取存储器(staticRAM，SRAM)、动态随机存取存储器(dynamicRAM，存取存储器(doubledatarateSDRAM，DDRSD