申请/专利权人：平安科技(深圳)有限公司

申请日：2021-09-26

公开（公告）日：2024-03-19

公开（公告）号：CN113808664B

主分类号：G16B20/20

分类号：G16B20/20;G06F18/214;G06F16/36;G06N3/0464;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2022.01.04#实质审查的生效;2021.12.17#公开

摘要：本发明涉及人工智能技术领域，揭露一种基于机器学习的抗体筛选方法，包括：获取抗原及抗体的拓扑结构信息，以及抗原抗体相互作用的知识图谱信息，并基于所述拓扑结构信息以及所述知识图谱信息构建样本集；利用包含拓扑结构信息以及知识图谱信息的样本集以有向传递方式训练网络模型，构建可感知分子结构与知识图谱特征的抗体预测模型；响应于针对目标抗原进行目标抗体筛选的指令，将待预测目标抗原的氨基酸序列和拓扑结构信息输入至抗体预测模型，得到对目标抗原具有中和活性的目标抗体的氨基酸序列信息。本发明能够学习和挖掘抗原、抗体的拓扑结构以及抗原抗体相互作用的知识图谱特征，并作为中和抗体的预测发现，提高抗体的筛选效果。

主权项：1.一种基于机器学习的抗体筛选方法，其特征在于，所述方法包括：获取抗原及抗体的拓扑结构信息，以及抗原抗体相互作用的知识图谱信息，并基于所述拓扑结构信息以及所述知识图谱信息构建样本集；利用包含所述拓扑结构信息以及所述知识图谱信息的样本集以有向传递方式训练网络模型，构建可感知分子结构与知识图谱特征的抗体预测模型，所述抗体预测模型用于感知抗体抗原的氨基酸结合位点，并根据所述氨基酸结合位点输出抗体的氨基酸序列信息；响应于针对目标抗原进行目标抗体筛选的指令，将待预测目标抗原的氨基酸序列和拓扑结构信息输入至所述抗体预测模型，得到对目标抗原具有中和活性的目标抗体的氨基酸序列信息；所述网络模型为基于图神经网络方法改进后的基于结构和知识的多重生成图神经网络模型，包括基于结构和知识图神经网络的第一子模型和基于结构生成图神经网络的第二子模型，具体利用包含所述拓扑结构信息以及所述知识图谱信息的样本集训练第一子模型，提取得到对任一抗原具有高效中和活性的中和抗体拓扑结构；根据所述中和抗体拓扑结构以及针对所述中和抗体拓扑结构配置的氨基酸序列标签训练第二子模型，输出中和抗体的氨基酸序列；将所述中和抗体的氨基酸序列作为预测结果，构建可感知分子结构与知识图谱特征的抗体预测模型；所述第一子模型包括结构特征编码模块和抗原抗体结合关系预测模块，具体利用所述结构特征编码模块对所述拓扑结构信息进行编码，分别得到抗原和抗体拓扑结构的第一低维特征向量；利用所述抗原抗体结合关系预测模块对所述知识图谱信息进行预测，得到反映抗原与抗体之间的相互作用的第二低维特征向量；根据所述第一低维特征向量和所述第二低维特征向量，确定对任一抗原具有高效中和活性的中和抗体拓扑结构；所述第二子模型包括卷积模块和聚合模块，具体将所述中和抗体拓扑结构以及针对所述中和抗体拓扑结构配置的氨基酸序列标签生成节点属性和描述节点对之间相互作用的边属性后串联输入至卷积模块和聚合模块，所述节点属性表征氨基酸，所述边属性表征氨基酸的相对位置；利用所述卷积模块和聚合模块更新所述边属性和所述节点属性；使用分类函数作为输出表征氨基酸的激活函数，输出中和抗体的氨基酸序列。

全文数据：

权利要求：

百度查询： 平安科技(深圳)有限公司 基于机器学习的抗体筛选方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD