面向衰老相关疾病的小分子药物智能筛选方法
本发明涉及药物智能筛选,具体为面向衰老相关疾病的小分子药物智能筛选方法。
背景技术:
1、衰老是多种人类重大慢性疾病的核心风险因素,涉及基因组不稳定、端粒磨损、表观遗传改变、蛋白稳态丧失、营养感知失调、线粒体功能障碍、细胞衰老、干细胞耗竭和细胞间通讯改变等多条通路的协同变化,因此,抗衰老相关疾病药物的研发通常需要同时考虑多个靶点、多条通路以及衰老相关疾病进程的不同阶段。
2、现有衰老相关疾病药物筛选方法存在以下不足:多数虚拟筛选仅依赖单一靶点或单一分子指纹,忽略了衰老相关疾病过程的多因素协同特征;传统筛选多以静态分子结构为输入,未能将时间维度上的衰老相关疾病进程动态变化纳入筛选逻辑;现有方法在筛选后缺乏对候选分子在衰老相关疾病进程中不同时间节点的差异化效应进行预测的能力,导致体内验证失败率高。
技术实现思路
1、针对现有技术的不足,本发明提供了面向衰老相关疾病的小分子药物智能筛选方法,解决了现有衰老相关疾病药物筛选方法表征维度单一、未纳入衰老相关疾病进程时间维度、缺乏时间节点差异化效应预测能力,导致筛选命中率低和体内验证失败率高的技术问题。
2、为实现以上目的,本发明通过以下技术方案予以实现:面向衰老相关疾病的小分子药物智能筛选方法,面向衰老相关疾病的小分子药物智能筛选方法,包括以下步骤:
3、获取候选分子集合与衰老疾病进程相关的多组学数据,所述与衰老疾病进程相关的多组学数据包括衰老相关基因数据库信息、衰老疾病进程三个时间节点的转录组特征基因集、细胞表型参数集和已知抗衰老相关疾病活性化合物参照集;
4、构建四维衰老特征空间,包括第一维度分子结构特征层、第二维度多靶点衰老相关疾病通路特征层、第三维度动态衰老相关疾病进程特征层和第四维度可解释性决策层;
5、提取第二维度多靶点衰老相关疾病通路特征,构建覆盖p53/p21通路、p16/rb通路、mtor通路、ampk通路、sirtuin家族、nf-κb通路和tgf-β通路的靶点集合,对候选分子与各靶点蛋白进行分子对接,生成靶点结合谱向量,计算靶点结合谱向量与已知抗衰老相关疾病活性化合物参照集的相似度,得到多靶点模式相似性评分;
6、提取第三维度动态衰老相关疾病进程特征,将衰老相关疾病进程划分为早期衰老状态、中期衰老状态和晚期衰老状态三个时间节点,计算候选分子的转录组迁移评分和表型迁移评分,加权得到综合迁移评分;
7、将统一分子结构表征向量、靶点结合谱向量、多靶点模式相似性评分和综合迁移评分拼接后送入第四维度可解释性决策层的多任务学习框架,输出逆转衰老表型概率评分、关键结构片段识别结果和时间窗口预测结果;
8、根据逆转衰老表型概率评分、时间窗口预测结果和多靶点模式相似性评分对候选分子进行排序,输出优选候选分子及可解释性报告。
9、作为本发明进一步的方案:所述提取第一维度分子结构特征,生成统一分子结构表征向量,包括:
10、对候选分子生成2d分子指纹、3d构象描述符和图神经网络嵌入向量;
11、将2d分子指纹、3d构象描述符和图神经网络嵌入向量按设定顺序拼接,得到拼接特征向量;
12、将拼接特征向量输入特征融合网络,压缩为统一分子结构表征向量。
13、作为本发明进一步的方案:所述2d分子指纹包括maccs keys和morgan指纹,将maccs keys和morgan指纹首尾拼接得到2d指纹向量;
14、所述3d构象描述符通过采用rdkit etkdg算法生成候选分子的多个3d构象,对每个3d构象计算3d构象描述符,并在多个3d构象上计算每个3d构象描述符的均值和方差得到;
15、所述图神经网络嵌入向量通过构建分子图并采用graphsage进行消息传递,再对所有节点特征进行全局均值池化得到。
16、作为本发明进一步的方案:所述靶点集合的构建标准为:
17、在至少两个独立数据库中被注释为衰老相关疾病相关;
18、具有pdb实验结构或alphafold2预测结构,且plddt评分不低于p4;
19、覆盖p53/p21通路、p16/rb通路、mtor通路、ampk通路、sirtuin家族、nf-κb通路和tgf-β通路中的全部通路,且每条通路至少包含2个靶点蛋白,共n3个靶点蛋白,其中n3取值范围为40-100个。
20、作为本发明进一步的方案:所述对候选分子与各靶点蛋白进行分子对接,生成靶点结合谱向量,包括:
21、对每个靶点候选分子对进行快速初筛,保留最多9个结合构象,取最优结合能作为初筛评分;
22、对初筛评分不高于t2的靶点候选分子对进行精细对接,保留最多20个结合构象,取最优结合能作为最终结合能,其中t2取值范围为-8.0至-4.0kcal/mol;
23、将最终结合能转换为pkd值,按靶点固定顺序排列,生成靶点结合谱向量。
24、作为本发明进一步的方案:所述计算靶点结合谱向量与已知抗衰老相关疾病活性化合物参照集的相似度,得到多靶点模式相似性评分,包括:
25、将靶点结合谱向量划分为sasp相关靶点子向量和非sasp相关靶点子向量,所述sasp相关靶点子向量包括nfkb1、rela、il6、il1b、tnf、cxcl8、mmp3和mmp9对应的维度;
26、分别计算sasp相关靶点子向量和非sasp相关靶点子向量与参照集的余弦相似度;
27、取所有参照化合物中余弦相似度的最大值作为多靶点模式相似性评分。
28、作为本发明进一步的方案:所述计算候选分子的转录组迁移评分和表型迁移评分,加权得到综合迁移评分,包括:
29、转录组迁移评分为:1减去晚期衰老状态转录组与处理后转录组的距离与晚期衰老状态转录组与早期衰老状态转录组的距离的比值;
30、表型迁移评分为:处理后表型向量与早期衰老状态参照向量的夹角余弦值;
31、将转录组迁移评分和表型迁移评分按权重w3和w4加权,得到综合迁移评分,w3取值范围为0.4至0.8;w4取值范围为0.2至0.6,且w3+w4=1。
32、作为本发明进一步的方案:所述多任务学习框架包括共享编码器和任务a头、任务b头、任务c头,共享编码器的输出同时连接任务a头、任务b头和任务c头;
33、任务a头输出逆转衰老表型概率评分,任务b头输出关键结构片段识别结果,任务c头输出时间窗口预测结果;
34、任务c头的时间窗口标签与第三维度中早期衰老状态、中期衰老状态和晚期衰老状态三个时间节点的边界一致;
35、任务b头的注意力掩码与任务a头共享同一分子图表征;
36、任务a头与任务c头通过共享编码器联合优化,任务c头的分段标签约束使共享编码器学习到与衰老相关疾病进程阶段对应的特征表示。
37、作为本发明进一步的方案:所述多任务学习框架的训练方式为:
38、以已知抗衰老相关疾病活性化合物参照集中的参照化合物为正样本,任务a标签设为1,以zinc数据库中满足lipinski五规则的类药性分子为负样本,任务a标签设为0;
39、任务c标签根据参照化合物的已知作用时间窗口确定:
40、参照化合物的已知作用时间窗口对应至早期衰老状态、中期衰老状态和晚期衰老状态三个时间节点;
41、若参照化合物的已知作用时间窗口对应一个时间节点,则任务c标签为该时间节点对应的标签;
42、若参照化合物的已知作用时间窗口对应两个时间节点,则任务c标签为对应时间节点的概率分布,各对应时间节点的概率之和为1;
43、总损失函数为:l=αala+αclc+λ∑||m||1,其中la为二元交叉熵损失,lc为交叉熵损失,m为注意力掩码,αa=1.0,αc=0.5,λ=0.01;
44、采用adam优化器,学习率1e-3,批次大小64,训练100个训练轮次;
45、每训练一轮后计算验证损失,若验证损失连续10轮不再下降,则停止训练,并以验证损失最低的一轮所对应的参数作为最终模型参数。
46、作为本发明进一步的方案:所述输出优选候选分子及可解释性报告,包括:
47、按任务a输出的逆转衰老表型概率评分降序排列候选分子;
48、优先选择满足以下条件的候选分子作为优选候选分子:
49、任务a评分不低于t4,t4取值范围为0.5至0.9;
50、任务c中某一时间节点概率不低于t5,t5取值范围为0.3至0.8;
51、多靶点模式相似性评分不低于t6,t6取值范围为0.4至0.8;
52、对优选候选分子生成可解释性报告,所述可解释性报告包括关键结构片段高亮图和推荐验证时间窗口。
53、本发明提供了面向衰老相关疾病的小分子药物智能筛选方法。与现有技术相比具备以下有益效果:
54、(1)本发明构建了四维衰老特征空间,将分子结构特征、多靶点衰老相关疾病通路特征、动态衰老相关疾病进程特征和可解释性决策层统一到一个筛选框架中,第一维度同时提取2d分子指纹、3d构象描述符和图神经网络嵌入向量,克服了单一分子指纹表征片面的问题,能够全面表征候选分子的平面子结构信息、立体构象信息和图拓扑子结构信息;
55、(2)本发明在第二维度构建覆盖多条核心衰老相关疾病通路的靶点集合,对候选分子与各靶点蛋白进行分子对接生成靶点结合谱向量,以靶点结合谱向量与已知抗衰老相关疾病化合物参照集的整体结合模式相似度作为多靶点模式相似性评分,不要求候选分子对单一靶点具有极高亲和力,能够更准确地识别通过多靶点协同作用发挥抗衰老相关疾病活性的候选分;
56、(3)本发明在第三维度将衰老相关疾病进程划分为早期衰老状态、中期衰老状态和晚期衰老状态三个时间节点,分别建立转录组特征基因集和细胞表型参数集,计算候选分子的转录组迁移评分和表型迁移评分并加权得到综合迁移评分,将衰老相关疾病进程的时间维度纳入筛选逻辑,能够评估候选分子将晚期衰老状态向早期或中期状态迁移的能力,实现从静态筛选到动态迁移预测的转变;
57、(4)本发明在第四维度采用共享编码器加三个任务特定头的多任务学习框架,任务a头输出逆转衰老表型概率评分,任务b头输出关键结构片段识别结果,任务c头输出时间窗口预测结果,任务c头的时间窗口标签与第三维度中三个时间节点的边界一致,任务a头与任务c头通过共享编码器联合优化,提高体内验证成功率。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com