论文部分内容阅读
艾滋病是对人类危害最大的疾病之一,由感染HIV引起。现阶段在全球范围内仍然缺乏有效治愈艾滋病的方法,抗HIV药物是防治艾滋病最有效的手段之一。HIV具有耐药性,因此需要不断发现新的抗HIV活性分子,以研制更多的抗HIV药物。本文对现有的新型药物设计方法进行改进,并采用两种不同的方法生成潜在抗HIV活性分子,以扩增潜在抗HIV活性分子库。本文为发现新的抗HIV活性分子提供了新思路,主要创新及工作内容包含以下几个方面:(1)搭建深度分子生成模型DGMM,旨在生成结构有效、新颖且性质无偏的分子。DGMM基于MLSTM、SRU、QRNN三种循环单元进行构造,采用源自ChEMBL的大型分子数据集进行训练。经过训练,基于MLSTM搭建的DGMM取得最优效果,其生成分子的平均有效性为98.31%,唯一性为99.93%,新颖性为89.33%,综合优于现有的化学语言模型。随后将最优DGMM生成的分子与训练集分子进行性质对比,实验结果表明DGMM生成的分子能够还原训练集分子的性质分布,验证了DGMM生成分子的性质无偏性。(2)搭建深度迁移分子生成模型T-DGMM,旨在生成潜在抗HIV活性分子,扩增潜在抗HIV活性分子库;搭建抗HIV活性预测模型AAPM,验证TDGMM生成分子的潜在抗HIV活性。为了验证迁移学习方法的有效性,T-DGMM基于两种不同规模的抗HIV活性数据集进行训练,最终在基于极小规模数据集训练的T-DGMM生成的分子中检验到已知抗HIV活性的分子。AAPM采用不同深度学习架构进行搭建,训练集规模为正负样本各一万,最终基于DNN的AAPM外部验证集准确率达88.90%。最后基于AAPM预测T-DGMM生成分子的抗HIV活性,其中最高68.29%被判别为抗HIV活性,验证了T-DGMM的有效性。(3)搭建深度强化分子生成模型R-DGMM,分别进行两个不同的任务。任务一是生成利匹韦林的相似物,最终R-DGMM生成了包含达匹韦林在内的9种抗HIV活性分子。任务二设计了组合评分函数,旨在生成同时具有潜在抗HIV活性、期望合成可及性及类药性的分子,最终R-DGMM生成了2种已知抗HIV活性的分子。两个任务均表明R-DGMM适用于生成潜在抗HIV活性分子。