[发明专利]一种基于药物化学转化规则的先导化合物优化方法

权利要求书

1.一种基于药物化学转化规则的先导化合物优化方法，其特征在于，所述方法具体包括：

获取待分析靶点的历史实验数据，所述历史实验数据包括待分析靶点的多个活性化合物及其结构参数、活性数据和水溶性数据，以及非活性数据集；

根据所述历史实验数据构建QSAR预测模型，并采用所述QSAR预测模型预测数据库中的新分子，获取新分子对应的随机标准偏差；

根据所述随机标准偏差进行排序，筛选出预测准确分子，并获取所述预测准确分子的活性数据和水溶性数据，即为预测数据；

根据所述预测数据和所述历史实验数据，采用匹配分子对分析生成转换库；

获取待改造化合物结构，将所述转换库的转换规则应用于待改造化合物结构，获得多个改造分子，并根据预设的筛选方法获得最优分子。

2.根据权利要求1所述的基于药物化学转化规则的先导化合物优化方法，其特征在于，其特征在于，所述QSAR预测模型包括：

基于随机森林算法并根据所述待分析靶点活性数据和水溶性数据构建的待分析靶点第一活性数据回归模型和第一水溶性数据回归模型。

3.根据权利要求1所述的基于药物化学转化规则的先导化合物优化方法，其特征在于，其特征在于，所述根据所述预测数据和所述历史实验数据，采用匹配分子对分析生成转换库以及对应的药物化学规则步骤具体包括：

设置初步转换规则，并采用Wilcoxon符号秩检验评估活性数据和水溶性值，经统计检验后获取转换库；所述转换以SMARTS格式进行保存，SMART是表示转换的新性文本字符串。

4.根据权利要求3所述的基于药物化学转化规则的先导化合物优化方法，其特征在于，其特征在于，所述初步转换规则为转换部分不能超过10个原子，化合物环外单键的碎片化仅允许单、双、三重切割。

5.根据权利要求1所述的基于药物化学转化规则的先导化合物优化方法，其特征在于，其特征在于，所述预设的筛选方法具体包括：

将所述多个改造分子进行类药性、毒性和可合成性筛选，获得多个第一筛选改造分子；

基于预设的分类模型、回归模型、重打分分类模型对所述第一筛选改造分子依次进行类型选择、活性和水溶性分析筛选、与待分析靶点结合情况分析筛选，获得多个第二筛选改造分子；

将所述多个第二筛选改造分子进行骨架分析获得筛选骨架，并以所述筛选骨架作为下一轮迭代筛选的待改造分子进行筛选直到获得最优分子。

6.根据权利要求5所述的基于药物化学转化规则的先导化合物优化方法，其特征在于，其特征在于，将所述多个改造分子进行类药性、毒性和可合成性筛选步骤具体包括：

保留复合Lipinski规则的化合物，去除含有毒性和不良基团的化合物；根据分子子结构和物化性质计算分子的可合成性得分，去除得分高于5分的化合物；根据分子预测性质和目标性质优化范围计算分子的综合得分，去除总得分高于3的化合物。

7.根据权利要求5所述的基于药物化学转化规则的先导化合物优化方法，其特征在于，其特征在于，所述预设的分类模型、回归模型、重打分分类模型具体为：

所述预设的分类模型和回归模型为基于XGBoost机械学习算法，应用MOE2D描述符作为分子表征，并根据所述待分析靶点的历史实验数据构建的待分析靶点分类模型、第二活性数据回归模型和第二水溶性数据回归模型；

所述重打分分类模型为基于XGBoost机器学习算法，根据历史实验数据中的活性数据集和非活性数据集构建的重打分分类模型。