一种药物分子多目标优化方法及系统

摘要: 本发明涉及医药研究,具体为一种药物分子多目标优化方法及系统。背景技术:1、在新药研发过程中,分子优化是关键步骤,其目的是通过改变给定分子的化学结构来改善其性质。...
一种药物分子多目标优化方法及系统

本发明涉及医药研究,具体为一种药物分子多目标优化方法及系统。

背景技术:

1、在新药研发过程中,分子优化是关键步骤,其目的是通过改变给定分子的化学结构来改善其性质。分子优化通过微调有前景的先导化合物的结构,以改善其性能,同时保持其结构特征。传统的分子优化方法,如高通量筛选、实验试错法或基于计算机模拟的方法,不仅耗时耗资巨大,且只能在极其有限的化学子空间中进行搜索,极易错失结构新颖、属性更优的候选分子。

2、许多分子优化任务需要同时平衡多个性质,这些性质经常相互冲突,使得在不破坏其他性质的情况下很难改进某些性质。对药物分子的优化通常可建模为多目标优化问题,需要在多种药学属性之间进行权衡。多目标进化算法被广泛用于近似求解此类问题,根据实现机制的不同,通常可分为基于非支配排序的方法与基于分解的方法。前者通过对种群进行非支配等级划分以引导进化过程;后者则通过将原始多目标问题分解为若干子问题,并在邻域结构下协同优化各子问题。

3、然而,现有方法在药物分子多目标优化中仍存在以下问题:第一,以分子重构为主要目标训练的潜在空间通常优先保留结构信息,潜在表示之间的邻近关系并不必然对应靶标活性的邻近关系,使潜空间插值、交叉和局部扰动过程中的属性变化缺乏连续性和可预测性。第二,不同目标偏好方向的近期改进潜力存在差异,固定均摊繁衍资源容易在低收益搜索方向消耗有限评价预算。第三,仅依据目标适应度执行环境选择,容易使高评分且结构相似的分子在多个相邻子问题中重复保留,造成候选分子的结构同质化。

4、因此,需要一种能够利用靶标活性评分改善潜在空间局部几何、根据搜索反馈动态分配算力资源并有效抑制结构同质化的药物分子多目标优化方法。

技术实现思路

1、针对现有技术中重构导向的分子潜在空间主要表征分子结构、其局部距离与靶标活性变化缺乏稳定对应关系的问题,本发明提供一种药物分子多目标优化方法及系统。本发明以靶标活性评分引导的任务相关分子潜在空间构建与微调为核心:采用等价分子表达序列转换与重构训练获得连续且可解码的通用分子潜在空间,利用一个或多个待优化靶标的活性评分建立连续靶标活性相似性约束,并结合冻结解码器和潜在空间保持正则项完成任务相关微调;在所述任务相关分子潜在空间中执行基于分解的多目标演化,并结合动态算力分配、结构相似度惩罚与精英档案维护机制,提高靶标活性相关局部搜索的有效性、有限评价预算的利用效率和候选分子的结构多样性。

2、本发明是通过以下技术方案来实现:

3、第一方面,本技术提供了一种药物分子多目标优化方法,包括以下步骤:

4、步骤1、基于待优化的药物分子,构建包含类药性、可合成性、靶标生物活性和分子相似性的多目标优化函数,将多目标优化问题分解为多个子问题;

5、步骤2、基于靶标活性评分引导的连续潜在空间构建潜在空间模型,通过所述潜在空间模型将先导药物分子编码至所述空间模型的连续潜在空间,在所述连续潜在空间中生成初始种群,构建各子问题对应的邻域结构,并初始化存储非支配解的外部精英档案集;

6、步骤3、统计各子问题的演化活跃度,基于演化活跃度动态分配繁衍资源,得到活跃子问题集合;

7、步骤4、对所述活跃子问题集合中的个体,基于对应子问题的邻域结构选择父代,经潜空间演化操作生成子代分子;

8、步骤5、在环境选择阶段计算子代分子与对应邻域种群的结构相似度,结合动态调整的惩罚系数将相似度映射为适应度惩罚项,通过竞争替换完成种群更新,将子代分子并入外部精英档案集,完成外部精英档案集的迭代更新,经迭代优化后得到优化后的药物分子集合。

9、优选的,步骤2中所述潜在空间模型的构建方式为:

10、以药物分子的随机化表达序列或非规范表达序列为编码器输入,以同一药物分子对应的规范表达序列为解码重构目标,训练分子序列变分自编码器,构建连续且可解码的通用分子潜在空间;获取训练分子针对一个或多个待优化靶标的活性评分,对编码器进行靶标活性评分引导优化,得到训练后的潜在空间模型。

11、优选的,所述分子序列变分自编码器以transformer网络作为编码器和解码器骨干;

12、所述编码器将可变长度上下文特征转换为固定长度分子表示,根据所述固定长度分子表示确定潜变量后验分布的均值和方差,并通过重参数化获得潜在向量;

13、所述解码器基于潜在向量生成规范表达序列;在潜变量均值上设置属性预测头,根据重构损失、kl散度损失和基础属性预测损失联合训练所述分子序列变分自编码器。

14、优选的,所述靶标活性评分引导优化的具体方式为:

15、获取训练分子针对一个或多个待优化靶标的活性评分并构成靶标活性评分向量;以训练完成的分子序列变分自编码器参数作为初始化,在保持解码器参数冻结的情况下更新编码器和潜变量映射模块;根据训练批次内任意两个分子的靶标活性评分向量距离确定靶标活性相似性权重,利用所述靶标活性相似性权重构建连续对比学习损失,并结合重构损失、kl散度损失和潜在空间保持正则项进行优化,使靶标活性评分相近的分子在保持可解码性的同时具有相近的潜在表示。

16、优选的,步骤2中所述初始种群的生成方式为:

17、将先导药物分子编码为潜在向量,围绕所述潜在向量施加随机扰动并解码,得到局部候选分子子集;按照待优化靶标的活性评分从公共分子数据库选择候选分子,得到数据库候选分子子集;合并所述局部候选分子子集和所述数据库候选分子子集,经化学合法性筛选、重复分子剔除和多目标属性评价后生成初始种群。

18、优选的,步骤3中所述演化活跃度基于各子问题在预设监测周期内的子代替换父代成功率计算得到;通过轮盘赌抽样方法,以演化活跃度为抽样概率构建所述活跃子问题集合,仅向集合内子问题分配本代繁衍资源。

19、优选的,步骤4中所述潜空间演化操作包括:

20、将当前个体与选出的父代个体通过编码器转换为连续向量,在连续潜在空间中执行交叉与变异操作生成子代中间向量,经解码器解码得到子代分子。

21、优选的,步骤 5 中结构相似度与适应度惩罚项的计算过程具体为:

22、提取子代分子与对应邻域内个体的分子指纹,采用谷本系数计算两两指纹相似度,取最大值作为邻域最大结构相似度;

23、采用余弦动态策略计算随迭代进程递增的惩罚系数,将最大结构相似度与惩罚系数的乘积作为适应度惩罚项;

24、将原始适应度与适应度惩罚项加权求和,得到子代的综合适应度,用于竞争替换。

25、优选的,步骤5中所述外部精英档案集的迭代更新过程为:

26、将子代分子并入当前外部精英档案集,重新执行非支配排序,剔除所有被支配的个体;

27、根据随迭代进程动态调整的截断阈值,剔除属性评分低于对应截断阈值的边界分子;

28、计算剩余个体在目标空间的拥挤度距离,若档案集规模超过预设上限,则优先淘汰拥挤度较小的个体,维持档案集的规模稳定与分布多样性。

29、第二方面,本技术提供了一种药物分子多目标优化系统,包括:

30、多目标优化函数构建模块,用于基于待优化的药物分子,构建包含类药性、可合成性、靶标生物活性和分子相似性的多目标优化函数,将多目标优化问题分解为多个子问题;

31、潜在空间模型构建与种群初始化模块,用于基于靶标活性评分引导的连续潜在空间构建潜在空间模型,通过所述潜在空间模型将先导药物分子编码至所述连续潜在空间,在所述连续潜在空间中生成初始种群,构建各子问题对应的邻域结构,并初始化存储非支配解的外部精英档案集;

32、动态资源分配模块,用于统计各子问题的演化活跃度,基于所述演化活跃度动态分配繁衍资源,得到活跃子问题集合;

33、父代选择与子代生成模块,用于对所述活跃子问题集合中的个体,基于对应子问题的邻域结构选择父代,经潜空间演化操作生成子代分子;

34、环境选择与档案更新模块,用于在环境选择阶段计算子代分子与对应邻域种群的结构相似度,结合动态调整的惩罚系数将所述结构相似度映射为适应度惩罚项,通过竞争替换完成种群更新,将子代分子并入外部精英档案集,完成所述外部精英档案集的迭代更新,经迭代优化后输出优化后的药物分子集合。

35、与现有技术相比,本发明具有以下有益的技术效果:

36、本技术权保护一种药物分子多目标优化方法,首先将药物分子优化建模为包含类药性、可合成性、靶标生物活性和分子相似性的多目标优化问题,并分解为多个子问题,使搜索能够覆盖帕累托前沿的不同区域。其次训练基于transformer的分子序列变分自编码器,通过等价分子表达序列转换与重构训练,将离散分子表达映射为连续、正则化且可采样的潜在表示,并通过规范分子表达重构保持潜在向量的结构可解码性。在此基础上,利用训练分子针对一个或多个待优化靶标的活性评分建立连续靶标活性相似性权重,通过连续对比学习使靶标活性相近的分子在潜在空间中形成相邻的局部组织,获得兼具分子结构可解码性和靶标活性相关性的任务相关分子潜在空间。随后通过统计各子问题的演化活跃度动态分配繁衍资源,并在环境选择中引入结构相似度惩罚,通过非支配排序和动态边界删除迭代更新外部精英档案集,从而提高有限评价预算的利用效率、候选分子的综合成药价值和骨架多样性。

37、本技术还提出了一种药物分子多目标优化系统、一种电子设备和一种计算机存储介质,具备上述药物分子多目标优化方法的全部优势。