[发明专利]预测药物化合物与作用靶点之间亲和力大小的量子系统

说明书

本发明公开了预测药物化合物与作用靶点之间亲和力大小的量子系统，包括：数据预处理模块；药物化合物特征提取模块：将药物化合物矩阵输入到量子卷积神经网络QCNN中，对药物化合物实现特征提取；作用靶点蛋白特征提取模块：将所述氨基酸序列向量输入到量子时间卷积神经网络QTCN中，对作用靶点蛋白实现特征提取；亲和力预测模块：用于将所述药物化合物的序列表示和所述作用靶点蛋白的序列表示，输入至量子全连接层神经网络QFCN，得到药物化合物与作用靶点之间亲和力大小的预测。本发明可以同时提取出多个药物化合物的特征，得到准确结果的时间更短，效率更高；同时采用量子时间卷积神经网络QTCN，使得预测结果更加准确。

技术领域

本发明涉及现代医学领域，尤其涉及预测药物化合物与作用靶点之间亲和力大小的量子系统。

背景技术

在现代医学领域中，新药物的研究与开发的关键是寻找和确定新药物的作用靶点。作用靶点，即药物与机体生物大分子的结合部位，其包含受体、酶、离子通道、转运体、免疫系统、基因等。现有药物中超过50％的药物以受体为作用靶点，受体成为了最主要和最重要的作用靶点；超过20％的药物以酶为作用靶点，特别是酶抑制剂，在临床应用中具有特殊地位；6％左右的药物以离子通道为作用靶点；3％的药物以核酸为作用靶点；20％药物的作用靶点尚有待进一步研究。对于靶点的选择，利用传统意义上的化学实验技术，需要研发人员有丰富的先验知识以及实验操作熟练度。此外，每年新研发的药物成千上万种，如果按照传统实验技术寻找和确定作用靶点，需要对新药物逐个查找对应的靶点以及确定亲和力大小，对研发人员无疑是一个巨大的挑战。

现有技术中，利用经典神经网络也可实现对亲和力的预测，但是经典神经网络在传统计算机环境下运行，经典计算机每一次只能操作一个数据，如果系统要求的运行空间大小为n个比特位，那么产生的数据为2ⁿ个，当计算完所有数据时，需要执行2ⁿ次，因此一旦输入数据过大，计算速度缓慢，并且对计算机内存消耗大，还极容易引起计算机宕机。因此如果可以利用量子神经网络实现对药物与作用靶点亲和力预测进行模拟，则可以大量减少了研发人员在药物研发过程中的实验次数，提高研发效率。

另外，药物化合物的性质与化合物矩阵中的元素排列方式没有太大关系，而氨基酸序列的排序是会影响靶点蛋白的性质的，如果均使用量子卷积神经网络QCNN对药物与作用靶点进行特征提取，会使得氨基酸序列提取的效果较差，并进一步影响后续的亲和力预测结果。

发明内容

本发明的目的在于克服现有技术的不足，提供预测药物化合物与作用靶点之间亲和力大小的量子系统。

本发明的目的是通过以下技术方案来实现的：

本发明的第一方面，提供预测药物化合物与作用靶点之间亲和力大小的量子系统，包括：

数据预处理模块：用于对预测药物化合物的smile编码进行矩阵表示得到药物化合物矩阵，并对预测药物的作用靶点蛋白的氨基酸序列按顺序进行整数编码得到氨基酸序列向量；

药物化合物特征提取模块：用于将所述药物化合物矩阵输入到量子卷积神经网络QCNN中，对药物化合物实现特征提取，得到药物化合物的序列表示；

作用靶点蛋白特征提取模块：用于将所述氨基酸序列向量输入到量子时间卷积神经网络QTCN中，对作用靶点蛋白实现特征提取，得到作用靶点蛋白的序列表示；

亲和力预测模块：用于将所述药物化合物的序列表示和所述作用靶点蛋白的序列表示，输入至量子全连接层神经网络QFCN，对量子全连接层神经网络QFCN的输出进行联合测量，得到药物化合物与作用靶点之间亲和力大小的预测。

进一步地，所述预处理模块还用于对公知数据集中的药物化合物的smile编码进行矩阵表示得到药物化合物矩阵，并对公知数据集中药物的作用靶点蛋白的氨基酸序列按顺序进行整数编码得到氨基酸序列向量；