申请/专利权人：苏州创腾软件有限公司

申请日：2024-01-26

公开（公告）日：2024-04-19

公开（公告）号：CN117637029B

主分类号：G16B30/10

分类号：G16B30/10;G16B40/00;G16B50/00;G06N3/0442;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2024.03.19#实质审查的生效;2024.03.01#公开

摘要：本发明公开了一种基于深度学习模型的抗体可开发性预测方法和装置，所述方法包括：获取待预测抗体的序列文件，在所述序列文件中识别并提取CDR区和轻重链序列；将所述轻重链序列输入预先训练的预测模型，以得到所述预测模型输出的预测结果，所述预测结果至少包括所述待预测抗体的目标性质的预测数值及相应的分布图；其中，所述预测模型是基于预先构建的深度学习网络，利用抗体样本的序列文件进行训练得到的，所述深度学习网络的网络结构包括用于对所述待预测抗体的蛋白序列进行特征编码的嵌入编码层，以及用于对特征编码后的代表序列进行特征提取卷积神经网络。解决了现有技术中抗体可开发性评估计算量较大，评估效率较低的技术问题。

主权项：1.一种基于深度学习模型的抗体可开发性预测方法，其特征在于，所述方法包括：获取待预测抗体的序列文件；在所述序列文件中识别并提取CDR区和轻重链序列；将所述轻重链序列输入预先训练的预测模型，以得到所述预测模型输出的预测结果，所述预测结果至少包括所述待预测抗体的目标性质的预测数值及相应的分布图；其中，所述预测模型是基于预先构建的深度学习网络，利用抗体样本的序列文件进行训练得到的，所述深度学习网络的网络结构包括用于对所述待预测抗体的蛋白序列进行特征编码的嵌入编码层，以及用于对特征编码后的代表序列进行特征提取卷积神经网络；所述嵌入编码层包括：双向长短时记忆网络，所述双向长短时记忆网络用于对输入的待预测抗体的序列文件进行蛋白序列编码；残差网络，所述残差网络用于通过逐层堆叠残差块对编码后的蛋白序列进行特征提取，以降低蛋白序列的维度；多层自注意力网络，所述多层自注意力网络用于对蛋白序列中不同位置之间的相关性进行表示学习和逐层的特征提取；其中，所述多层自注意力网络用于对蛋白序列中不同位置之间的相关性进行表示学习和逐层的特征提取的过程，具体包括：以残差网络输出的特征向量为输入序列传递给自注意力层；通过计算注意力权重，在输入序列中建立每个位置与其他位置之间的相关性，以得到注意力权重；将得到的注意力权重与输入序列的表示进行加权求和，以得到输出特征向量。

全文数据：

权利要求：

百度查询： 苏州创腾软件有限公司 基于深度学习模型的抗体可开发性预测方法和装置

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