基于人工智能的多肽药物分析问题-项目综述2021SC@SDUSC

2021SC@SDUSC

背景综述

药物发现和研发是制药企业和化学科学家的重要研究领域。然而，低效率和高成本给该领域带来了障碍。此外，处理来自基因组学、蛋白质组学、微阵列和临床试验的大量复杂数据也存在挑战。人工智能和机器学习技术使制药领域实现了现代化。机器学习和深度学习算法已被应用于多肽合成、虚拟筛选、毒性预测、药物监测和释放、药效团建模、定量构效关系、药物重定位、多药理和生理活性等药物发现过程。其中，在多肽与蛋白质的研究领域里，药物靶标亲和度(DTA)预测、肽与HLA分子结合预测、多肽的三级结构预测等问题也是当下无论是在聚焦度还是应用方面都有很高的发展价值的。

项目分工

我的部分：药物靶标亲和度(DTA)预测问题

DTA背景综述

药物靶标亲和度(DTA)预测是计算机辅助药物设计中最重要的一步，可以加快药物开发速度，减少资源消耗。随着深度学习的发展，将深度学习引入到DTA预测中，提高DTA预测的准确性已成为研究的热点。
在药物开发中的一大难点是实验测量或模拟计算得到大量现有药物分子与靶点的相互作用，以及药物分子与脱靶蛋白的意外相互作用。药靶结合的强度常用结合亲和性常数来描述，包括解离常数（Kd）、抑制常数（Ki）和最大半抑制浓度（IC50）等指标。实验测量结合亲和性常数费时费力，因此计算方法得到药物开发者的青睐。

基准论文

DeepDTA开创了一个预测药靶亲和力值的先河，为什么这么说呢，以往的研究重点在于药靶是否结合，是作为一个二分类问题研究，而DeepDTA建立的模型将其视为一个回归问题，由此可以在更加精准的程度上去预测药靶的结合力度，而不是单纯的是否结合。该问题领域后续的相关文章几乎均以DeepDTA方法为框架进行改进并将实验结果与之作比较，得以评判优劣，所以分析与复现本文代码与模型对于开始本领域问题的研究有着重大意义。

论文题目：DeepDTA: Deep Drug-Target Binding Affinity Prediction

项目流程

分析代码
↓
复现论文
↓
优化模型
↓
搭建平台（待定）

代码下载
github：https://github.com/hkmztrk/DeepDTA/

下载到的deepPurpose库源码

DTI部分的代码：

DeepPurpose库安装

DeepPurpose库
    用于DTI预测的DL模型可以表述为编解码器架构(Cho等，2014)。DeepPurpose库实现了统一的编码器-解码器框架，这使得该库具有独特的灵活性。只需指定编码器的名称，用户就可以自动地将感兴趣的编码器与相关的解码器连接起来。然后DeepPurpose以端到端的方式训练相应的编码器-解码器模型。最后，用户通过编程或可视化界面访问训练好的模型，并使用该模型进行DTI预测。
    
需要提前配置conda环境

pip

conda create -n DeepPurpose python=3.6
conda activate DeepPurpose
conda install -c conda-forge rdkit
conda install -c conda-forge notebook
pip install git+https://github.com/bp-kelley/descriptastorus 
pip install DeepPurpose