本发明涉及计算机辅助药物研发技术领域,具体涉及一种基于可变半径高斯球的分子体积计算方法以及用于药物虚拟筛选的分子三维相似度打分方法。本发明改进了高斯球半径的取值方法,即高斯球半径不等于相应原子的范德华半径,而是小于其范德华半径,且改变的比例与该原子所在的化学环境相关,从而消除了由于高斯球相互重叠带来的误差,有效提升了药物虚拟筛选的精度；进一步通过选取多维度相似性作为特征参数,经深度神经网络的变换,给出最终的综合打分。该打分方法使药物筛选准确率上有显著改进,同时保持着筛选高通量的计算速度,这样能够尽可能多地将具有潜在生物活性的分子从含有大量分子的数据库中筛选出来,以解决假阳性或假阴性的问题。

本发明提供一种约束原子速度的方法及装置,通过确定刚性模型中的原子构型,基于原子构型确定约束原子对并进行分组得到约束原子对组,基于每个组内约束条件构建N×N矩阵和N阶矢量；基于N×N矩阵和N阶矢量计算每个约束原子对对应的约束力；在每个约束原子对下,基于约束力、单步迭代时间和待约束原子的原子质量进行计算,得到约束精度；判断约束精度是否小于预设约束精度,若否,则重新构建N阶矢量,并执行迭代计算,直至当前得到的原子速度小于所述预设约束精度,结束迭代。在本方案中,通过快速收敛每个时刻刚性整体内原子速度,并将计算得到的速度用于下一时刻的原子运动,从而实现提高刚性模型约束原子速度的计算效率的目的。

本发明公开了一种固相识别雌激素受体的雌二醇衍生物筛选方法。该方法包括：以雌二醇-雌激素受体LBD复合物晶体构象为基础,运用分子对接对不同结构雌二醇衍生物与雌激素受体LBD的结合能力进行计算机模拟分析,筛选出满足预设要求的雌二醇衍生物；对筛选出的雌二醇衍生物,采用分子动力学模拟进行结构稳定性和能量变化的分析,筛选出与雌激素受体LBD具有特异性高亲和力的衍生物。本发明可以筛选出与雌激素受体具有高特异性高亲和力的衍生物,进而可以缩短固相雌二醇与雌激素受体结合的时间,增加体外环境下的结合稳定性。

本发明涉及用于免疫治疗方法的肽、蛋白质、核酸和细胞。特别是,本发明涉及癌症的免疫疗法。本发明还涉及单独使用或与其他肿瘤相关肽(刺激抗肿瘤免疫反应或体外刺激T细胞和转入患者的疫苗复合物的活性药物成分)联合使用的肿瘤相关T细胞(CTL)肽表位。与主要组织兼容性复合体(MHC)分子结合的肽或与此同类的肽也可能是抗体、可溶性T细胞受体和其他结合分子的靶标。

一种机器学习算法构建急性髓系白血病药敏相关基因分类器,其特征在于包括样本聚类、基因筛选；所述样本聚类是利用K-means聚类算法分别对24种药物的病人敏感度进行聚类；所述基因筛选是根据病人的聚类结果利用特征选择模型对24种药物的甲基化和转录组数据进行基因的筛选与验证。本申请采用逻辑回归、岭回归、RFECV-SVM、RFECV-RF算法实现对目的基因的最终筛选。逻辑回归与岭回归使用4折分层交叉验证进行参数优选,设定特征选择的阈值为特征权重的平均值,即特征权重大于平均值的特征将会被保留。而RFECV算法则使用不同的学习模型SVM、RF进行筛选。

本发明实施例提供了一种药物与靶点之间亲和力的预测方法、装置及设备。预测方法包括：获取药物和用于与所述药物相互作用的靶点；确定所述药物与所述靶点相互作用后的复合物；计算用于标识所述复合物中原子空间特性的拓扑结构图；基于所述拓扑结构图,确定所述药物与靶点之间的亲和力。本实施例提供的技术方案,有效地实现了可以基于复合物所对应的拓扑结构图来确定药物与靶点之间的亲和力,从而保证了对药物与靶点之间的亲和力进行确定的准确可靠性,并且还可以基于所预测的亲和力来确定药物和靶点作用的稳定性,进一步提高了该预测方法的实用性。

本发明公开了一种药物小分子数值特征结构化数据库及其建立方法,属于药物研究领域,该数据库的建立方法包括：获取期刊、专著及权威数据库中经实验验证的数据作为数据源；筛选数据源中药物特征的文本信息,对其中的条件和条件相关性进行编码以建立编码规范；摘录文本信息中的数值信息,根据编码规范对数值信息进行注释和分类,生成初始参考数据；对初始数据进行数据清洗,得到最优参考数据；采用数据统计方法分析最优参考数据并建立数据分析图,构建出药物小分子数值特征结构化数据库。该方法所建数据库可直接用于计算机输入以辅助药物研究,为人工智能、大数据等新兴信息技术提供高质量的数据,节省药物研究相关人员在前期数据处理上花费的时间。

本发明涉及一种基于强化学习和对接的药物分子智能生成方法,属于药物化学与计算机技术领域,所述方法包括以下步骤：1)构建药物设计的虚拟片断组合库；2)计算片段相似性进行分子片段编码；3)基于强化学习的actor-critic模型生成并优化分子。本发明方法在先导化合物的基础上,缩小了搜索的化学空间。通过强化学习的actor-critic模型采用transformer建模,引入分子片段的位置信息,保存了片段在分子中的相对或绝对位置信息,实现并列化训练。另外,奖励机制通过建立单层感知机模型,进一步优化了生成分子的活性。

本发明公开了一种基于遗传算法集成深度学习网络的药物推荐系统,属于药物重定位、深度学习、集成学习模型预测技术领域。该系统包括基于遗传算法集成深度学习网络,所述的基于遗传算法集成深度学习网络包括特征提取网络、遗传算法优化权重和全连接网络组成的序列处理模型。所述的基于遗传算法集成深度学习网络将药物分子SMILES序列和靶点蛋白FASTA序列输入特征提取网络进行充分的特征提取以获得特征向量,使用遗传算法为多个特征向量分配权重,将特征向量乘以各自权重后将其“拼接”一起形成拼接向量,将拼接向量和药物-靶点结合亲和力真实值输入到全连接网络中进行回归分析,输出药物-靶点结合亲和力预测值,将预测值排序,最终得到集成多种特征表示方式的针对特定靶点的药物分子推荐列表。

本发明提供了一种基于机器学习的质谱图分子式计算方法,具体步骤包括：输入已知的质谱图数据；根据有机物分子式领域知识规律遍历搜索出一个峰所有的可能解；结合分子式的信息确认特征,对多组可能的特征进行排列组合；根据已知信息确认正确解,利用逻辑回归进行训练,比对不同特征组合的召回率,确认训练特征和训练模型；遍历出所有的可能解并利用训练模型进行筛选。本发明对所有的遍历求解都依据有机物分子式的一般领域知识规律进行筛选,防止分类器过拟合,并对分类特征进行正则化和分块处理,增加了筛选精度；故本发明的基于机器学习的质谱图分子式计算方法具有快速、准确率高、对质谱图信息利用率高等优点。