一种基于通路条件机制专家路由的多机制药物活性预测方法、系统及存储介质
本发明涉及人工智能辅助药物发现和计算机辅助药物筛选,更具体的说是涉及一种基于通路条件机制专家路由的多机制药物活性预测方法、系统及存储介质。
背景技术:
1、在人工智能辅助药物发现过程中,通常需要同时评价候选化合物对多条疾病相关生物通路的潜在调节作用。以牙周炎候选药物筛选为例,不仅需要评价候选化合物对nf-κb、mapk和nlrp3炎症小体等炎症相关通路的作用,还需要评价其对破骨细胞分化、rankl/rank轴以及nrf2/are氧化应激通路的作用。不同生物通路之间既共享部分与分子结构相关的活性特征,又分别对应不同的病理过程和作用机制,因此属于任务间具有相关性但又存在明显差异的多任务分子活性预测问题。
2、现有技术通常采用两种方式处理上述问题。一种方式是针对每条目标通路分别训练独立的药物活性预测模型。该方式虽然可以对每项任务进行单独优化,但不同模型之间无法有效共享相关的分子结构和机制信息,且随着目标通路数量增加,需要分别完成模型训练、参数维护、结果校准和部署管理,容易造成模型数量多、计算资源占用高以及预测结果相互割裂等问题。另一种方式是采用共享分子编码器和多个任务预测头构成普通多任务学习模型。该方式通常要求不同目标通路共享相同或高度重叠的分子特征表示,难以根据不同通路的生物学属性选择性调用相应的结构特征。当不同通路对分子结构特征的需求存在差异或冲突时,容易产生任务间的负迁移,使部分通路的预测性能下降。
3、因此,尚缺少一种能够在统一模型中同时处理多个目标生物通路,并能够根据候选化合物特征和目标通路特征动态选择不同机制专家的药物活性预测方法。基于此,需要建立一种能够根据候选化合物和目标通路动态选择机制专家的统一预测方法。
技术实现思路
1、有鉴于此,本发明提供了一种基于通路条件机制专家路由的多机制药物活性预测方法、系统及存储介质,通过共享分子编码器提取候选化合物特征,利用多个机制专家形成差异化表征,并结合候选化合物嵌入和目标通路嵌入动态生成专家路由权重,同时利用通路与机制专家之间的关联信息对路由过程进行软约束,从而实现多个目标通路之间的选择性信息共享,缓解多任务负迁移,提高药物活性预测的稳定性、准确性和可解释性。解决普通多任务模型中任务特征共享方式单一、不同通路之间容易发生负迁移、通用混合专家模型缺少通路条件约束及机制先验引导,以及专家路由稳定性和可解释性不足等技术问题。
2、为了实现上述目的,本发明采用如下技术方案:
3、一种基于通路条件机制专家路由的多机制药物活性预测方法,包括:
4、步骤1:获取候选化合物的结构信息,并对结构信息进行标准化处理,得到共享化合物嵌入;
5、步骤2:构建机制专家库,从共享化合物嵌入中提取机制专家特征;
6、步骤3:设置每一目标生物通路相应的通路嵌入,将共享化合物嵌入与通路嵌入共同输入通路条件门控网络,获得对应机制专家的原始门控得分,并对原始门控得分进行修正;
7、步骤4:对修正后的原始门控得分进行归一化,得到通路特异性专家权重;
8、步骤5:基于通路特异性专家权重,对多个机制专家特征进行加权融合,将融合结果输入预测模块;
9、步骤6:预测模块根据融合结果输出候选化合物针对目标通路的活性预测结果。
10、优选的,所述步骤1中,标准化处理包括盐和溶剂去除、主要结构片段选择、价态校验、芳香性规范化、互变异构体处理、立体化学信息保留以及规范化结构表示生成,将候选化合物的结构特征输入共享分子编码器,生成共享化合物嵌入。
11、优选的,所述步骤3还包括建立目标通路与机制专家库的关联信息,关联信息以软偏置形式参与门控计算,仅调节专家门控得分;同一候选化合物在预测不同目标通路时能够获得不同的门控得分和专家组合。
12、优选的,所述步骤5中加权融合公式如下:
13、;
14、其中,表示候选化合物针对目标通路形成的通路特异性融合表示;表示目标通路对应的预测模块;表示预测得分;表示候选化合物在该目标通路上的预测活性概率。
15、优选的,所述共享分子编码器、机制专家、通路条件门控网络及预测模块均通过训练过程获得模型参数;在训练过程中,为每个化合物—通路组合设置标签有效性掩码,利用标签有效性掩码区分有效实验标签和缺失标签,仅对具有有效实验标签的化合物—通路组合计算预测损失。
16、优选的,所述预测模块基于预测任务输出预测结果,当预测任务为连续活性值预测时,预测模块直接输出连续评分;当预测任务为多分类任务时,预测模块采用相应的多分类输出函数。
17、一种基于通路条件机制专家路由的多机制药物活性预测系统,包括:化合物结构处理模块、共享分子编码模块、机制专家模块、目标通路表征模块、通路条件门控模块、机制先验修正模块、专家融合与活性预测模块以及结果输出模块;
18、化合物结构处理模块用于获取候选化合物的结构信息,并对结构信息进行标准化处理;
19、共享分子编码模块用于生成共享化合物嵌入;
20、机制专家模块用于构建机制专家库,从共享化合物嵌入中提取机制专家特征;
21、目标通路表征模块用于设置每一目标生物通路相应的通路嵌入;
22、通路条件门控模块用于将共享化合物嵌入与通路嵌入共同输入通路条件门控网络,获得对应机制专家的原始门控得分;
23、机制先验修正模块用于对修正后的原始门控得分进行归一化,得到通路特异性专家权重;
24、专家融合与活性预测模块用于,对多个机制专家特征进行加权融合,将融合结果输入预测模块进行预测;
25、结果输出模块用于输出候选化合物针对目标通路的活性预测结果。
26、一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
27、经由上述的技术方案可知,与现有技术相比,本发明提供了一种基于通路条件机制专家路由的多机制药物活性预测方法、系统及存储介质,有益效果如下:
28、1.提高多通路预测效率:本发明可在统一模型中同时预测候选化合物对多个目标生物通路的活性,无需针对不同通路分别建立、训练和部署独立模型,从而减少重复的数据处理、参数优化和维护工作,降低计算资源占用,提高大规模候选化合物筛选效率。
29、2.提高预测准确性与稳定性:通过共享分子编码器提取基础结构特征,并设置多个机制专家,根据候选化合物特征和目标通路特征动态生成专家权重,使不同通路能够选择性共享信息并保留机制差异,从而缓解普通多任务模型中的负迁移。结合通路—机制关联先验及负载均衡约束,还可降低路由不稳定和专家塌缩风险。
30、3.提高数据利用率与结果可解释性:本发明采用标签有效性掩码,仅利用具有有效实验标签的化合物—通路组合进行训练,避免将未检测标签误判为无活性,提高稀疏和不均衡数据的利用率。同时,模型除输出各通路活性概率或连续评分外,还可输出机制专家路由权重,为结果复核和后续机制实验提供依据。
31、4.支持多机制候选药物统一筛选:本发明可在同一框架下比较候选化合物对多条疾病相关通路的预测结果,并进行单通路筛选、多通路联合评价和候选化合物排序,有助于发现具有多机制调节潜力的候选药物,减少实验筛选范围和成本,为后续细胞、动物及药理验证提供优先级依据,推动人工智能辅助药物发现流程的标准化和智能化。
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