CN115116538B 一种蛋白质配体的亲和力预测方法、相关装置以及设备 （腾讯科技（深圳）有限公司）

liganddockingandaffinitypredict本申请公开了一种基于人工智能技术实现基于每个药物原子的第一原子特征和每个受体2根据所述蛋白质配体构象生成目标拓扑图，其中，所述目标拓扑边集合，所述节点集合用于表示所述药物分子中的药物原子以及结合口袋中的受体原子，基于所述每个药物原子的第一原子特征以及所述每个受体原子基于所述分子交互特征，通过所述亲和力预测模型所包括的交互基于所述第一格式文件以及所述第二格式文件，通过分子对接应用生成X个候选蛋白根据所述X个候选蛋白质配体构象中，选择评分最高的候选蛋白质配体构象作为所述根据所述蛋白质配体构象确定属于所述药物分子的根据所述蛋白质配体构象确定属于M个氨基酸分子，并确定每个氨基酸分子所包括的获取所述至少一个受体原子中每个受体原子与所述按照距离从小到大的顺序对所述至少一个受体原子进行针对排序后的至少一个受体原子，依次添加受体原子所属的氨基酸获取所述药物分子中每个药物原子所对应的原子关联数据，其针对所述药物分子中的所述每个药物原子，对药物原子所3对所述药物分子中两两药物原子之间的距离数据进行特征化处连边数据包括共价键类型以及共价键位置关系中的至少一对所述药物分子中两两药物原子之间的连边数据进行特征化处理6.根据权利要求4或5所述的亲和力预测方法，针对所述药物分子中的所述每个药物原子，根据所述目标拓扑图针对所述药物分子中的所述每个药物原子，对药物原子所对应获取所述结合口袋中每个受体原子所对应的原子关联数据，其针对所述结合口袋中的所述每个受体原子，对受体原子所对所述结合口袋中两两受体原子之间的距离数据进行特征化处连边数据包括共价键类型以及共价键位置关系中的至少一对所述结合口袋中两两受体原子之间的连边数据进行特征化处理9.根据权利要求7或8所述的亲和力预测方法，其4针对所述结合口袋中的所述每个受体原子，根据所述目标拓扑图针对所述结合口袋中的所述每个受体原子，对受体原子所对应所述基于所述每个药物原子的第一原子特征以及所述每个受体原子的第二原子特征，对所述每个药物原子的第一原子特征进行特征嵌入处理，得到L个第一输入嵌入特征对所述每个受体原子的第二原子特征进行特征嵌入处理，得到P个第二输入嵌入特征基于所述L个第一输入嵌入特征以及所述H个第一偏置嵌入特征，基于所述P个第二输入嵌入特征以及所述H个第二偏置嵌入特征，对所述药物分子交互特征以及所述结合口袋交互特征进行拼接嵌入特征以及所述H个第一偏置嵌入特征，通过所述内部注意力网络所包括的第一注意力基于所述L个第一输入嵌入特征，通过所述第一注意力网络所包括对所述L个第一查询向量以及所述L个第一键向量进行矩阵相乘，得到H个第一中间矩基于所述H个第一中间矩阵以及所述H个第一偏置嵌入特征，对所述H个第一注意力矩阵以及所述L个第一值向量进行矩阵相乘，得到H个第一目标基于所述H个第一目标矩阵，通过所述第一注意力网络所包括的目标神经网络获取所5所述基于所述P个第二输入嵌入特征以及所述H个第二偏置嵌入特征，基于所述P个第二输入嵌入特征，通过所述第二注意力网络所包括的线对所述P个第二查询向量以及所述P个第二键向量进行矩阵相乘，得到H个第二中间矩基于所述H个第二中间矩阵以及所述H个第二偏置嵌入特征，对所述H个第二注意力矩阵以及所述P个第二值向量进行矩阵相乘，得到H个第二目标基于所述H个第二目标矩阵，通过所述第二注意力网络所包括的目标神经网络获取所所述基于所述分子交互特征，通过所述亲和力预测模型所包括的交互基于所述N个输入嵌入特征，通过所述交互注意力网络所包对所述N个目标查询向量以及所述N个目标键向量进行矩阵相乘，得到H个目标中间矩基于所述H个目标中间矩阵以及H个目标偏置嵌入特征，通过所基于所述到H个目标矩阵，通过所述交互注意力网络所包括的目标神经网络获取待处从伽马矩阵中获取第一权重参数以及第二权重参数，其中，所述伽马矩根据所述每个药物原子的第一原子特征、所述每个受体原子的6采用所述第一权重参数，对每个待处理偏置嵌入特征中的第一数值矩阵以及H个目标偏置嵌入特征，通过所述交互注意力网络所包括的归一化指数函数层获获取原始构象样本，其中，所述原始构象样本为基于原始蛋白质样基于所述T个训练拓扑图样本，通过亲和力预测模型获取所述每个训练拓扑图样本所根据所述每个训练拓扑图样本所对应的亲和力预测值以及亲和力真针对所述T个训练拓扑图样本中的每个训练拓扑图样本，确定训练拓扑图样本所包括根据所述每个训练拓扑图样本所对应的分子结构误差，确定所基于所述T个训练拓扑图样本，通过所述亲和力预测模型获取所述每个训练拓扑图样所述根据所述每个训练拓扑图样本所对应的亲和力预测值以及亲根据所述每个训练拓扑图样本所对应的亲和力预测值以及根据所述每个训练拓扑图样本所对应的预测类别概率以及标签类根据所述第一损失值以及所述第二损失值，对所述亲和力预测模7所述生成模块，还用于根据所述目标拓扑图，生成所述药物分所述生成模块，还用于根据所述目标拓扑图，生成所述结合口所述获取模块，还用于基于所述每个药物原子的第一原子特征以及所述所述获取模块，还用于基于所述分子交互特征，通过所述亲和力预基于所述第一格式文件以及所述第二格式文件，通过分子对接应用生成X个候选蛋白根据所述X个候选蛋白质配体构象中，选择评分最高的候选蛋白质配体构象作为所述根据所述蛋白质配体构象确定属于所述药物分子的根据所述蛋白质配体构象确定属于M个氨基酸分子，并确定每个氨基酸分子所包括的获取所述至少一个受体原子中每个受体原子与所述按照距离从小到大的顺序对所述至少一个受体原子进行针对排序后的至少一个受体原子，依次添加受体原子所属的氨基酸获取所述药物分子中每个药物原子所对应的原子关联数据，其针对所述药物分子中的所述每个药物原子，对药物原子所8对所述药物分子中两两药物原子之间的距离数据进行特征化处所述获取模块，还用于根据所述目标拓扑图，获取所述药物分子中所述生成模块，还用于对所述药物分子中两两药物原子之间的连边所述获取模块，还用于针对所述药物分子中的所述每个药物原子，所述生成模块，还用于针对所述药物分子中的所述每个药物原子，对获取所述结合口袋中每个受体原子所对应的原子关联数据，其针对所述结合口袋中的所述每个受体原子，对受体原子所对所述结合口袋中两两受体原子之间的距离数据进行特征化处所述获取模块，还用于根据所述目标拓扑图，获取所述结合口袋中所述生成模块，还用于对所述结合口袋中两两受体原子之间的连边所述获取模块，还用于针对所述结合口袋中的所述每个受体原子，9所述生成模块，还用于针对所述结合口袋中的所述每个受体原子，对26.根据权利要求17所述的亲和力预测装置，其对所述每个药物原子的第一原子特征进行特征嵌入处理，得到L个第一输入嵌入特征对所述每个受体原子的第二原子特征进行特征嵌入处理，得到P个第二输入嵌入特征基于所述L个第一输入嵌入特征以及所述H个第一偏置嵌入特征，基于所述P个第二输入嵌入特征以及所述H个第二偏置嵌入特征，对所述药物分子交互特征以及所述结合口袋交互特征进行拼接基于所述L个第一输入嵌入特征，通过所述第一注意力网络所包括对所述L个第一查询向量以及所述L个第一键向量进行矩阵相乘，得到H个第一中间矩基于所述H个第一中间矩阵以及所述H个第一偏置嵌入特征，对所述H个第一注意力矩阵以及所述L个第一值向量进行矩阵相乘，得到H个第一目标基于所述H个第一目标矩阵，通过所述第一注意力网络所包括的目标神经网络获取所基于所述P个第二输入嵌入特征，通过所述第二注意力网络所包括的线对所述P个第二查询向量以及所述P个第二键向量进行矩阵相乘，得到H个第二中间矩基于所述H个第二中间矩阵以及所述H个第二偏置嵌入特征，对所述H个第二注意力矩阵以及所述P个第二值向量进行矩阵相乘，得到H个第二目标基于所述H个第二目标矩阵，通过所述第二注意力网络所包括的目标神经网络获取所28.根据权利要求17所述的亲和力预测装置，其基于所述N个输入嵌入特征，通过所述交互注意力网络所包对所述N个目标查询向量以及所述N个目标键向量进行矩阵相乘，得到H个目标中间矩基于所述H个目标中间矩阵以及H个目标偏置嵌入特征，通过所基于所述到H个目标矩阵，通过所述交互注意力网络所包括的目标神经网络获取待处伽马矩阵用于描述所述药物分子与所述结合口袋之所述生成模块，还用于根据所述每个药物原子的第一原子特征、所所述处理模块，用于采用所述第一权重参数，对每个待处理偏置所述处理模块，用于在所述基于所述H个目标中间矩阵以及H个目标布矩阵表示所述L个药物原子与所述P个受体原所述训练模块，用于根据所述每个训练拓扑图样本所对应的亲和力预拓扑图样本所包括的训练药物分子样本与所述原始药物分子样本之间的所述确定模块，还用于根据所述每个训练拓扑图样本所对应的分子结根据所述每个训练拓扑图样本所对应的亲和力预测值以及根据所述每个训练拓扑图样本所对应的预测类别概率以及标签类根据所述第一损失值以及所述第二损失值，对所述亲和力预测模于，所述处理器执行所述计算机程序时实现权利要求1至16中任一项所述的亲和力预测方被处理器执行时实现权利要求1至16中任一项所述的亲和力预测集合以及边集合，节点集合用于表示药物分子中的药物原子以及结合口袋中的受体原子，[0023]基于第一格式文件以及第二格式文件，通过分子对接应用生成X个候选蛋白质配[0024]根据X个候选蛋白质配体构象中，选择评分最高的候选蛋白质配体构象作为蛋白[0027]根据蛋白质配体构象确定属于M个氨基酸分子，并确定每个氨基酸分子所包括的[0036]对药物分子中两两药物原子之间的距离数据进行特征化处理，得到第一距离特[0039]生成模块，还用于对药物分子中两两药物原子之间的连[0047]对结合口袋中两两受体原子之间的距离数据进行特征化处理，得到第二距离特[0050]生成模块，还用于对结合口袋中两两受体原子之间的连[0056]对每个受体原子的第二原子特征进行特征嵌入处理，得到P个第二输入嵌入特征[0065]基于H个第一目标矩阵，通过第一注意力网络所包括的目标神经网络获取药物分[0070]基于H个第二目标矩阵，通过第二注意力网络所包括的目标神经网络获取结合口[0077]基于到H个目标矩阵，通过交互注意力网络所包括的目标神经网络获取待处理特和力预测模型所包括的交互注意力网络获取针对蛋白质配体构象的亲和力。通过上述方到治疗某种疾病目的。将人工智能(artificialintelligence，AI)技术应用于药物研发智能相似的方式做出反应的智能机器。AI也就是研究各种智能机器的设计原理与实现方结构或由多重非线性变换构成的多个处理层对各个药物原子和各个受体原子的原子特征，分别学习药物分子和氨基酸分子的内部特征，[0170]基于第一格式文件以及第二格式文件，通过分子对接应用生成X个候选蛋白质配[0171]根据X个候选蛋白质配体构象中，选择评分最高的候选蛋白质配体构象作为蛋白[0172]在一个或多个实施例中，结合了一种基于Docking应用生成蛋白质配体构象的方示的候选蛋白质配体构象与评分之间映射关系的一[0178]其次，本申请实施例中，提供了一种基于Docking应用生成蛋白质配体构象的方借助该Docking应用在药物开发的早期阶段筛选生物活性化合物，从而增加合成蛋白质配[0181]根据蛋白质配体构象确定属于M个氨基酸分子，并确定每个氨基酸分子所包括的[0197]可以理解的是，图5所示的目标拓扑图仅为一个示意，不应理解为对本申请的限[0204]对药物分子中两两药物原子之间的距离数据进行特征化处理，得到第一距离特[0205]在一个或多个实施例中，介绍了一种生成第一节点特征以及第一距离特征的方括如下的一项或多项：[0208](1)元素序号(atomic_number)：即，每个原子赋予一个唯一的标识(identity[0238]针对药物分子中的每个药物原子，对药物原子所对应的量化数据进行特征化处体原子之间的距离为3A,0号药物原子与3号受体原子之间的距离为5A,0号药物原子与4号原子之间的距离为3A,0号药物原子与3号受体原子之间的距离为5A,0号药物原子与4号药[0247](3)局部电荷(partialcharge)：即，采用默克分子力场94(merckmolecular[0256]对结合口袋中两两受体原子之间的距离数据进行特征化处理，得到第二距离特[0257]在一个或多个实施例中，介绍了一种生成第二节点特征以及第二距离特征的方[0260](1)元素序号(atomic_number)：即，每个原子赋予一个唯一的标识(identity[0290]针对结合口袋中的每个受体原子，对受体原子所对应的量化数据进行特征化处[0303]对每个药物原子的第一原子特征进行特征嵌入处理，得到L个第一输入嵌入特征[0304]对每个受体原子的第二原子特征进行特征嵌入处理，得到P个第二输入嵌入特征[0318]Embedding_>[L,16]_>Inde[0320]Embedding_>[L,L,1]_>高斯径向基函数(radialbasisfunction，RBF)层_>[H,[0322]Embedding_>[L,[0324]Embedding_>[L,6]_>Ind[0326]Embedding_>[P,16]_>Inde[0330]Embedding_>[P,[0332]Embedding_>[P,6]_>Ind[0334]L个节点嵌入特征[L,256]+L个量化嵌入特征[L,256]_>L个第一输入嵌入特征[L,[0335]L个距离嵌入特征[H,L,L]+L个边嵌入特征[H,L,L]_>H个第一偏置嵌入特征[H,L,[0336]P个节点嵌入特征[P,256]+P个量化嵌入特征[P,256]_>P个第二输入嵌入特征[P,[0337]P个距离嵌入特征[H,P,P]+P个边嵌入特征[H,P,P]_>H个第二偏置嵌入特征[H,P,征以及H个第一偏置嵌入特征作为第一注意力网络的输入，通过第一注意力网络输出药物[0346]基于H个第一目标矩阵，通过第一注意力网络所包括的目标神经网络获取药物分[0352]基于H个第二目标矩阵，通过第二注意力网络所包括的目标神经网络获取结合口结合前述实施例可知，可获取L个药物原子所对应的L个第一输入嵌入特征以及H个第一偏置嵌入特征，并且获取P个受体原子所对应的P个第二输入嵌入特征以及H个第二偏置嵌入[0356](1)将L个第一输入嵌入特征输入至第一注意力网络的线性网络层(linear)，由[0363][H,L,L]+Intra_Atten络(TransitionFeed_ForwardNetwork，Transition_F[0379][H,P,P]+Intra_Atten[0396]基于到H个目标矩阵，通过交互注意力网络所包括的目标神经网络获取待处理特[0411][H,N,N]+Inter_AttentionBias(complex)[H,N,N]_>[H,N,N]_>Softmax_>[H,N,特征[H,P,P]+P个边嵌入特征[H,P,P]+virtualnode的1个距离嵌入特征[H,1,1]+virtunode的1个边嵌入特征[H,1,1]_>H个目标偏置嵌入[0419]其中，[H,N,256/H]表示H个目标矩阵。目标神经网络可以是Transition_FFN，的特征。w1表示第一权重参数。AttentionBias(Pocket)表示H个待处理偏置嵌入特征中互注意力网络所包括的softmax层对H个目标加和矩阵进行计算，可输出H个目标注意力矩[0445]其中，2Dattentionmatrix表示关联分布矩阵。ligand_len表示L个药物原[0450]基于T个训练拓扑图样本，通过亲和力预测模型获取每个训练拓扑图样本所对应[0462]训练时输入T个训练拓扑图样本中每个训练拓扑图样本所对应的原子特征，通过[0466]针对T个训练拓扑图样本中的每个训练拓扑图样本，确定训练拓扑图样本所包括[0468]基于T个训练拓扑图样本，通过亲和力预测模型获取每个训练拓扑图样本所对应[0473]在一个或多个实施例中，介绍了一种增加分类功能以训练亲和力预测模型的方[0486]另一方面，可在亲和力预测模型的输出层中增加一个分类层，即，在输出层的[0490]测试集一：包含G蛋白偶联受体(GProtein_CoupledReceptors，GPCR)、激酶[0492]测试集三：4个具代表性的靶点，每靶点约200的活性数据及20000的非活性[0498]获取模块210，还用于基于每个药物原子的第一原子特征以及每个受体原子的第[0504]基于第一格式文件以及第二格式文件，通过分子对接应用生成X个候选蛋白质配[0505]根据X个候选蛋白质配体构象中，选择评分最高的候选蛋白质配体构象作为蛋白[0509]根据蛋白质配体构象确定属于M个氨基酸分子，并确定每个氨基酸分子所包括的[0519]对药物分子中两两药物原子之间的距离数据进行特征化处理，得到第一距离特[0523]生成模块220，还用于对药物分子中两两药物原子之间的连边数据进行特征化处[0533]对结合口袋中两两受体原子之间的距离数据进行特征化处理，得到第二距离特[0537]生成模块220，还用于对结合口袋中两两受体原子之间的连边数据进行特征化处[0545]对每个受体原子的第二原子特征进行特征嵌入处理，得到P个第二输入嵌入特征