一种面向多肽序列的多模型级联预测与安全筛选方法

本发明属于多肽药物计算筛选与安全性评价，尤其涉及一种面向多肽序列的多模型级联预测与安全筛选方法。

背景技术：

1、功能肽、活性肽及候选治疗肽的前期筛选通常需要同时关注多种生物学属性与安全属性，包括但不限于抗癌、抗菌、抗炎、抗真菌、抗病毒、细胞穿膜、抗氧化、dpp-iv抑制、免疫结合倾向，以及溶血性、毒性和致敏性。现有研究和应用场景中，常见技术方案主要表现为以下几类：

2、第一类为单一任务预测工具，仅针对某一种肽学功能或某一种安全属性建立独立模型；

3、第二类为多个分散的在线平台或本地脚本，研究人员需要手动切换不同工具并人工汇总结果；

4、第三类为仅输出模型原始分数的分析方法，缺乏统一的筛查、排序和导出逻辑；

5、第四类为只针对单条序列运行的分析方法，难以适配高通量fasta或csv批量输入场景；

6、第五类为先对全部序列运行全部模型，再事后通过人工查看结果表格做筛选的方法。

7、对于大规模候选序列筛选，现有技术通常存在一个长期被忽略的问题，即计算资源被低价值样本大量占用。具体而言，在一个批量序列文件中，往往存在相当比例的序列在安全属性上已明显不符合后续实验要求，例如毒性分值、溶血性分值或致敏性分值已远超阈值，但现有技术仍然会继续为该序列运行后续高耗时功能预测模型或深度推理子模型，造成cpu、gpu、内存和磁盘i/o资源的无效占用。

8、此外，现有技术往往没有把模型输出与序列理化性质进行有效融合。研究人员常常需要人工同时查看多个模型分数、净电荷、等电点、疏水性、疏水矩等数据，再依经验判断候选优先级。这种做法不仅效率低，而且不同研究人员之间的判断标准难以保持一致。

9、在服务器共享环境下，现有技术还存在可用性和容错性不足的问题。面对批量fasta或csv输入时，若其中个别序列为空、含非法字符、字段缺失或某个局部模型调用异常，往往会中断整个批处理任务，难以支持无人值守运行和多用户复用。

10、功能肽、活性肽及候选治疗肽的前期筛选通常需要同时关注多种生物学属性与安全属性，包括但不限于抗癌、抗菌、抗炎、抗真菌、抗病毒、细胞穿膜、抗氧化、dpp-iv抑制、免疫结合倾向，以及溶血性、毒性和致敏性。现有研究和应用场景中，常见技术方案主要表现为以下几类：

11、第一类为单一任务预测工具，仅针对某一种肽学功能或某一种安全属性建立独立模型；

12、第二类为多个分散的在线平台或本地脚本，研究人员需要手动切换不同工具并人工汇总结果；

13、第三类为仅输出模型原始分数的分析方法，缺乏统一的筛查、排序和导出逻辑；

14、第四类为只针对单条序列运行的分析方法，难以适配高通量fasta或csv批量输入场景；

15、第五类为先对全部序列运行全部模型，再事后通过人工查看结果表格做筛选的方法。

16、对于大规模候选序列筛选，现有技术通常存在一个长期被忽略的问题，即计算资源被低价值样本大量占用。具体而言，在一个批量序列文件中，往往存在相当比例的序列在安全属性上已明显不符合后续实验要求，例如毒性分值、溶血性分值或致敏性分值已远超阈值，但现有技术仍然会继续为该序列运行后续高耗时功能预测模型或深度推理子模型，造成cpu、gpu、内存和磁盘i/o资源的无效占用。

17、此外，现有技术往往没有把模型输出与序列理化性质进行有效融合。研究人员常常需要人工同时查看多个模型分数、净电荷、等电点、疏水性、疏水矩等数据，再依经验判断候选优先级。这种做法不仅效率低，而且不同研究人员之间的判断标准难以保持一致。

18、在服务器共享环境下，现有技术还存在可用性和容错性不足的问题。面对批量fasta或csv输入时，若其中个别序列为空、含非法字符、字段缺失或某个局部模型调用异常，往往会中断整个批处理任务，难以支持无人值守运行和多用户复用。

技术实现思路

1、本发明解决了以下技术问题，1. 如何建立一种适用于单条或批量多肽序列的分层推理架构，使明显高风险序列在早期被自动拦截，从而减少无效算力占用；

2、2. 如何构建一种多模型结果与理化性质联合参与的动态融合评分机制，而不是简单的分数拼接或静态加权平均；

3、3. 如何在批量处理过程中，将合法序列、异常序列、待重试序列和已终止序列进行分流管理，提升服务器环境下的容错性与吞吐率；

4、4. 如何在同一技术流程中实现输入标准化、模型调度、安全筛查、综合评分、批量排序和结果导出的统一闭环。

5、为了实现本发明的目的，采用的技术方案是：

6、第一发明，本发明提供了一种面向多肽序列的多模型级联预测与安全筛选方法，包括以下步骤：

7、步骤s1：接收输入数据并构建任务记录；

8、该输入数据为接收用户输入的单条或多条多肽序列；

9、步骤s2：序列标准化、异常隔离和数据流分流；将输入记录至少分流到以下队列或池中：

10、q_valid：合法序列队列，用于后续推理；

11、q_error：异常序列队列，用于记录非法或不可用序列；

12、q_retry：局部失败重试队列，用于暂存局部调用失败但可重试的序列；

13、q_done：完成队列，用于汇总已完成预测或筛查的序列；

14、步骤s3：低成本理化画像与一级任务分流；

15、对 q_valid 中的序列优先执行低成本计算模块；

16、步骤s4：一级安全推理与early-stopping计算资源优化机制；

17、对每条合法序列q_valid优先运行安全类模型；

18、步骤s5：二级功能/倾向性推理；

19、对未触发early-stopping的序列继续执行二级推理，调用剩余功能类模型和倾向性模型；该二级推理仅对通过一级安全门控的候选执行；

20、所述的一级安全门控是指：在多肽序列进入后续高耗时功能预测前，系统先基于低成本理化画像及安全模型（如溶血性hemo、毒性tox、致敏性alg）进行一级安全推理。若任一安全指标超过预设阈值，或综合安全风险达到停止条件，则立即触发early-stopping，终止该序列后续复杂模型推理，仅保留其安全筛查结论和风险画像。该机制不仅实现了高风险序列的前置拦截，还减少了无效样本对cpu、gpu和内存资源的占用，提高了批量筛查的吞吐率和服务器共享环境下的运行效率。

21、步骤s6：引入理化性质调节的动态融合评分机制；

22、对于完成二级推理的序列，执行理化特征调节下的动态融合评分；当序列已经在步骤s4触发安全硬阈值时，直接输出安全筛查结论，并将其综合分限定为仅依赖安全保留分的画像分，或直接标记为“风险淘汰”；

23、步骤s7：筛查状态判定与批量排序；

24、根据early-stopping结果、综合分 c_i、安全保留分 s_i 和风险触发项，对序列赋予筛查状态；

25、步骤s8：统一结果导出与服务器共享调用；

26、对于单条序列，输出统一结构化结果对象；对于批量序列，生成统一结果表。

27、第二方面，本发明提供了一种实现本发明以上方法的面向多肽序列的多模型级联预测与安全筛选系统，包括：

28、输入适配模块，用于接收用户输入的单条或多条多肽序列；

29、标准化与合法性校验模块，用于对输入的多肽序列标准化、异常隔离和数据流分流处理；

30、低成本理化画像模块，对标准化与合法性校验模块中用于后续推理的合法序列优先执行低成本计算；

31、一级安全推理及early-stopping门控模块，用于对每条合法序列优先运行安全类模型；

32、二级功能/倾向性推理模块，用于对未触发early-stopping的序列继续执行二级推理，调用剩余功能类模型和倾向性模型；

33、动态综合评分模块，用于对于完成二级推理的序列，执行理化特征调节下的动态融合评分；

34、批量排序与导出模块，根据early-stopping结果对序列赋予筛查状态，将统一结果导出。

35、进一步的，本发明提供了一种计算机存储介质，该存储介质中存储实现本发明方法的计算机程序。

36、与现有技术相比，本发明至少具有以下优点和技术效果：

37、（1）显著降低无效候选对计算资源的占用

38、现有技术通常对全部序列执行全部模型，导致明显高风险序列仍占用后续高耗时推理资源。本发明通过在一级安全推理后触发early-stopping，使不合格候选不再进入后续深度推理流程，从而减少cpu、gpu、内存和i/o资源的无效消耗。

39、（2）提升服务器高通量筛选吞吐率

40、由于仅对安全性初筛通过的序列继续分配高成本推理任务，本发明在批量序列场景下能够提升并发处理能力和单位时间内的有效筛查量，更适合部署在服务器共享环境。

41、（3）提高批量处理容错性和高可用性

42、通过合法队列、异常队列和重试队列的分流机制，本发明可以在单条记录异常、局部模型调用失败或字段不完整时继续运行其余序列，从而提高无人值守环境下的任务稳定性。

43、（4）形成比人工看表更稳定的自动排序逻辑

44、本发明通过数学化的综合评分机制，将功能分、安全分、倾向性分和理化性质惩罚项统一纳入算法框架，避免人工逐行查看excel表格时的主观波动，提高不同用户之间筛选标准的一致性。

45、（5）提升结果可解释性和可设计性

46、同步输出净电荷、等电点、gravy、疏水矩、分子量等理化参数，使得研究人员不仅知道“哪条序列得分高”，还能够理解“为什么该序列被保留、降级或淘汰”。

47、（6）增强方法的工程可部署性

48、本发明同时覆盖单序列分析、批量高通量筛查、模型按需调用和统一导出，既能够作为算法方法运行，也能够以服务器共享工作流的形式稳定部署。