[发明专利]一种基于图注意机制迁移学习的小分子药物hERG毒性预测方法和装置

说明书

本发明揭示了一种基于图注意机制迁移学习的小分子药物hERG毒性预测方法和装置，该方法包括以下步骤：S1：数据集预处理，将待检测的类药化合物通过分子指纹生成软件生成指纹序列；S2：通过S1步骤生成的指纹序列得到原子及化学键特征，将原子及化学键特征构建分子图及图特征；S3：通过图注意力机制对S2步骤得到的分子图进行处理，生成分子中每个原子特征向量；S4：通过图注意力机制及每个原子的特征生成分子特征向量。该方法基于图注意力机制对分子图结构进行处理，有效获取对预测属性值贡献大的子结构，基于迁移学习对源域和目标域数据集进行处理，有效解决样本量不足的问题。

技术领域

本发明涉及一种基于图注意机制迁移学习的小分子药物hERG毒性预测方法和装置，可用于人工智能药物设计技术领域。

背景技术

小分子药物毒性是毒理学研究中的一种，在药物研发过程中，与药物代谢动力学研究、药效学研究处于同等重要的地位，都是导致药物研发失败的主要原因之一。将小分子药物毒性评价置于新药研发的早期阶段有助于缩短研发周期，降低研发成本，可见对小分子药物毒性评估是十分有必要的。

传统的基于生物实验的毒性检测是针对小分子化合物进行毒性评估的常用方法，尽管基于生物实验方法进行化合物毒性评估经过了长期应用，也有很好的技术支持，但是生物实验存在周期较长、成本高、检测结果受模型动物、实验技术、环境等各个方面因素的影响等问题，使得生物实验方法已经难以满足日益增长的现实社会需求。随着机器学习的快速发展，通过构建模型学习小分子结构中包含的信息与其毒性的关系，来预测小分子药物毒性的方法，已被广泛用于药物研发中的药物毒性评价。

hERG是小分子毒性预测中的一项重要指标，hERG阻滞可能引起长QT综合症，从而导致心悸，昏厥，甚至猝死。一般的机器学习方法在构建模型时，需要收集大量样本数据，但是由于hERG实验要求很高，hERG样本数据量很少，导致很难构建出好的预测hERG指标的模型。

目前需要本领域技术人员迫切解决的技术问题就是：

(1)小分子药物均可用分子图结构来表示，如何构建分子图中的节点及边的特征；

(2)如何解决hERG样本量不足问题；

(3)如何找到一个模型能够通过分子图结构找出影响hERG指标的关键子结构，从而提高预测的准确度。

发明内容

本发明的目的就是为了解决现有技术中存在的上述问题，提出一种基于图注意机制迁移学习的小分子药物hERG毒性预测方法和装置。

本发明的目的将通过以下技术方案得以实现：一种基于图注意机制迁移学习的小分子药物hERG毒性预测方法，该方法包括以下步骤：

S1：数据集预处理，将待检测的类药化合物通过分子指纹生成软件生成指纹序列；

S2：通过所述S1步骤生成的指纹序列得到原子及化学键特征，将原子及化学键特征构建分子图及图特征；

S3：通过图注意力机制对所述S2步骤得到的分子图进行处理，生成分子中每个原子特征向量；

S4：通过图注意力机制及每个原子的特征生成分子特征向量；

S5：参数迁移及属性预测，将源域生成的分子特征向量对应的权重矩阵W迁移到目标域中，协助目标域权重矩阵W的生成，最终生成信息聚合的特征向量并预测属性值。

优选地，所述S1步骤包括以下步骤：

S11：输入过氧化物酶体增殖剂激活受体γ(PPAR-γ)数据集作为源域数据集，hERG数据集作为目标域数据集；

S12：将S11步骤中的所述数据集中的所有小分子药物用SMILES格式表示；