基于结构的肽配基与靶蛋白平衡解离常数评估模型

技术特征：
1.基于结构的肽配基与靶蛋白平衡解离常数评估模型，其特征在于，该评估模型的构建包括以下步骤：(1)肽配基与其受体蛋白相互作用关系特征数据获取：以特定蛋白质为研究对象，设计系列肽配基分子，进行肽配基与靶蛋白的分子对接运算，获取肽配基与蛋白结合的特征信息；(2)肽配基平衡解离常数数据的获取：借助elisa和spr技术测定肽配基与靶蛋白相互作用的平衡解离常数；(3)算法系统数据集和独立验证数据集的构建；所述算法系统数据集包括靶向igg系列多肽特征库和靶向αβ42系列多肽特征库；(4)使用靶向igg系列多肽特征库构建机器学习算法分类器系统，筛选重要特征数据，优化相关参数用靶向αβ42系列多肽特征库进行测试，并评估系统性能；(5)使用构建的独立验证数据集对系统实际预测性能进行评估。2.如权利要求1所述的评估模型，其特征在于，所述步骤(3)的具体方法为：根据肽配基平衡解离常数实验可验证性和平衡解离常数的特征数据信息，构建数据集，以此构建靶向igg系列多肽特征库和靶向αβ42系列多肽特征库，将所述数据集导入机器学习算法构建系统。3.如权利要求1所述的评估模型，其特征在于，所述步骤(4)的具体方法为：选择靶向igg系列多肽特征库中的四个对应的重要特征，按照重要性大小分别选择4、3、2个特征对机器学习系统进行训练，每个系统均建立500个分支；为了防止系统过度拟合，每个分类系统分别进行10次10则交叉验证，并对机器学习算法中每个分支节点上的特征数进行优化。4.如权利要求3所述的评估模型，其特征在于，所述四个对应的重要特征为intra.vdw0、intra.dihedral0、heavy和inter.rot。5.如权利要求3所述的评估模型，其特征在于，按照不同特征数和节点上的特征数，共构建9个机器学习算法系统，通过计算系统的敏感度(sensitivity)、特异性(specificity)、准确率(accuracy)，kappa值和马修相关系数(mcc)对系统进行评估，具体计算公式如下：计算公式如下：计算公式如下：计算公式如下：6.如权利要求1所述的评估模型，其特征在于，所述步骤(5)的具体方法为：以猪流行性腹泻病毒spike蛋白为研究对象，收集肽配基平衡解离常数类别信息和平衡解离常数的特征数据信息，构建独立数据集，用于优化系统的验证测试。7.如权利要求1-6任一项所述的评估模型在靶向蛋白的肽配基筛选中的应用。
8.如权利要求1-6任一项所述的评估模型在多肽药物筛选中的应用。

技术总结
本发明提供一种基于结构的针对肽配基分子与靶蛋白的平衡解离常数评估模型，包括：肽配基平衡解离常数数据的获取；肽配基与其受体蛋白相互作用关系特征数据获取；用于算法系统构建的数据集：靶向IgG系列多肽特征库和靶向αβ42系列多肽特征库的构建，独立验证数据集的构建；使用靶向IgG系列多肽特征库构建机器学习算法分类器系统，优化相关参数并用靶向αβ42系列多肽特征库进行测试并评估系统性能；使用构建的相关独立数据集对系统实际预测性能进行评估。本发明利用虚拟筛选的方法对肽配基与靶标蛋白相互作用区域进行研究，将进一步提高药物筛选效率并降低相应成本。提高药物筛选效率并降低相应成本。提高药物筛选效率并降低相应成本。


技术研发人员：王方雨 冯华 张改平 孙雪峰 邢广旭 焦文强
受保护的技术使用者：河南省农业科学院动物免疫学重点实验室
技术研发日：2022.08.18
技术公布日：2022/11/11