[发明专利]一种药物制剂预测方法

说明书

本发明提供一种药物制剂预测方法，具体涉及药物处方前研究、药物处方体外行为，体内动力学行为和稳定性等的预测方法。本发明将深度学习技术与药物制剂处方评估相结合，通过计算机软件系统实现对药物制剂体外行为、体内动力学及稳定性的预测。本发明应用深度学习的方法，无需事前特征提取优化，对于样本量小和样本差异大的数据预测准确率高。相对于传统实验室的经验式药物处方筛选及评价方法而言，能够提高药物研发的效率，不耗费任何实验室器材，完全通过计算机平台来实现药物制剂研究的预测，缩短了药物开发周期并节约了新药研发成本。

技术领域

本发明涉及运用深度学习预测药物制剂的方法，尤其涉及药物制剂体外参数、体内动力学及稳定性的预测。

背景技术

药物制剂研究是药学研究中重要的组成部分，同时也是药物从化合物到产品经过的重要环节，它不仅结合了药物和辅料的物理化学性质、药理学活性，还涉及到药物剂型的选择、药物处方设计、制剂工艺的选择以及制剂质量评估，并为药物制剂的产业化生产提供指导，因此药物制剂的研究具有很强的专业性和综合性。由于不同的药物分子结构、理化性质，给药方式，给药途径，释药方式和速度，在体内转运方式以及血药浓度随时间的变化趋势不同，因此药物处方设计与药物制剂的体外释放行为，长期稳定性研究，体内动力学行为及临床疗效等密切相关。随着药学研究的不断发展，对药物制剂处方的要求也越来越高。药物新剂型的出现，制剂技术的创新，药用辅料的发展以及检测方法的完善都为药物制剂的研究提出了新的要求和挑战。目前药物处方设计大多数依旧采用传统方法，即试错方法进行处方筛选、优化及评估，该过程费时且成本较高，极大程度上依赖于实验人员的专业知识和经验，具有很大的不确定性，实验失败率相应增高，研发周期也相应增长，在一定程度上增加了研发成本。因此随着现代药物制剂的发展，为了克服传统试错方法的种种弊端，需要建立更加高效的方法进行处方预测，为药物的制剂研究提供指导。

特征学习(Representation learning)作为通用机器学习方法被广泛应用于科学、商业和政府等多种领域。与传统机器学习方法不同，特征学习不需要领域知识来设计特征提取器，它可以自动将低层特征转化为高层次抽象的特征，即端到端的学习。特征学习更加善于发现细节特征，这使得特征学习可获得比传统浅层网络更高的预测准确度。深度学习(Deep learning)作为特征学习的一种，可以将数据进行多层的抽象，相比于传统机器学习算法，深度学习包含更多的参数，用非监督式或半监督式的特征学习和分层特征提取高效算法来代替手工获取特征。在药学研究领域，传统的机器学习算法已经在新药分子开发，药物分子合成，药物构象关系等方面有了一定的应用，但是大多数都集中在药学研究的上游部分，目前还没有应用于下游药物处方设计领域。基于药物制剂研究中的数据特点以及机器学习与药学研究相结合的经验，本发明将深度学习的方法应用于药物制剂预测，为药剂学的研究提供新的思路。

发明内容

本发明针对传统药物制剂研究中存在的问题，建立一种药物制剂预测方法。目的在于为药物制剂处方前研究提供有效的参考信息，提高药物制剂研究的效率。该预测方法能够有效地针对不同剂型处方进行全面的预测，包括药物基本性质、体外参数，体内动力学参数以及稳定性等与药物制剂质量和安全性密切相关的参数的预测。

针对于药物制剂数据样本量小、差异性大的特点，本发明以现有药物处方组成及其评价参数为基础，通过无需事前特征提取优化的深度学习方法建立预测模型，包括深度前馈神经网络、深度卷积网络、递归神经网络、深度置信网络、循环神经网络、深度堆叠网络、深度玻尔兹曼机等的一种或几种。结合药物制剂数据量有限以及深度学习网络特点，本发明采用以下技术方案：

(1)、建立药物制剂信息数据库

通过实验或文献挖掘提供各类制剂处方样本，采集处方组成及各项处方评估参数。该数据库包含药物分子基本性质、药物处方组成、药物制剂评价参数。

药物分子基本性质包括分子量，脂水分配系数，氢键供体数，氢键受体数，可旋转键数，拓扑学表面积，重原子数，复杂度，解离常数及溶解度等。