[发明专利]一种自动化的小分子药物筛选方法和计算设备

说明书

本发明公开了一种自动化的小分子药物筛选方法，在计算设备中执行，包括步骤：采集针对目标靶点的多个分子的结构数据和活性数据，并构建针对该目标靶点的第一候选分子库；生成每个结构数据所对应的矢量特征，并以该矢量特征为样本输入，以活性值为样本输出，以对应的活性数据为样本标签，训练第一预测模型；分别将第一候选分子库中的各分子输入到第一预测模型，并从中选取输出的活性值靠前的多个分子构成第二候选分子库。本发明还一并公开了适于执行该方法的计算设备。

技术领域

本发明涉及药物虚拟筛选领域，尤其涉及一种自动化的小分子药物筛选方法和计算设备。

背景技术

众所周知，药物研发是一个漫长的过程，存在着研发周期长，研发成果率低，研发费用高的困境。而随着计算机技术的更新以及大数据技术的发展，人工智能正在各行各业中发挥巨大的应用价值，在制药行业也受到了广泛的关注。在新药发现过程中，虚拟筛选可以提高活性分子的富集，通过对化合物的活性进行预测，可以节约大量的人力、物力，缩短药物研发周期，加速研究成果的转化，因此近年来已引起科研机构和制药公司的高度重视。

在药物的早期设计阶段，针对某个疾病相关的蛋白质靶点，寻找具有优良活性、成药属性及可合成的小分子是一个关键工作。而如何能从分子库中快速又准确地筛选出活性优良的小分子，以实现基于固定靶点的小分子化合物活性预测的虚拟筛选，就成为了药物研发工作的重中之重。

发明内容

为此，本发明提供了一种自动化的小分子药物筛选方法和计算设备，以力图解决或至少缓解上面存在的至少一个问题。

根据本发明的一个方面，提供了一种自动化的小分子药物筛选方法，适于在计算设备中执行，该方法包括步骤：采集针对目标靶点的多个分子的结构数据和活性数据，并根据该结构数据和活性数据构建针对目标靶点的第一候选分子库。

可选地，在根据本发明的小分子药物筛选方法中，还包括步骤：生成每个结构数据所对应的矢量特征，并以该矢量特征为样本输入，以活性值为样本输出，以对应的活性数据为样本标签，训练第一预测模型；分别将第一候选分子库中的各分子输入到第一预测模型，并从中选取输出活性值靠前的多个分子构成第二候选分子库。

可选地，在根据本发明的小分子药物筛选方法中，还包括步骤：分别将第二候选分子库中的各分子与目标靶点进行对接，并从中选取对接构象优异的多个分子构成第三候选分子库。

可选地，在根据本发明的小分子药物筛选方法中，还包括步骤：对第三候选分子库中的多个分子进行聚类，并从每个类中选取性能优异的多个分子构成第四候选分子库。

可选地，在根据本发明的小分子药物筛选方法中，还包括步骤：分别计算第四候选分子库中的各分子与目标靶点的结合自由能，并从中选取结合自由能低的多个分子构成第五候选分子库。

可选地，在根据本发明的小分子药物筛选方法中，还包括步骤：分别将第五候选分子库中的各分子输入到第二预测模型中，并从中选取输出活性值靠前的多个分子构成第六候选分子库。

可选地，在根据本发明的小分子药物筛选方法中，还包括步骤：结构数据和活性数据存储于smiles文件、sdf文件、mol文件、mol2文件、csv文件中的至少一种；结构数据用化学语言标记表示，活性数据包括酶活性和/或细胞活性。

可选地，在根据本发明的小分子药物筛选方法中，第一预测模型为构效关系模型和/或药效团模型；第二预测模型为类药性和/或成药性预测模型，第一候选分子库通过分子库构建模型构建，分子库构建模型为分子生成模型、子结构匹配模型和基于化学性质的过滤模型中的至少一种。

可选地，在根据本发明的小分子药物筛选方法中，还包括步骤：输出各候选分子库的分子信息，该分子信息包括分子的结构数据、活性数据、对接构象、对接分值和聚类情况。