【技術(shù)實(shí)現(xiàn)步驟摘要】
本申請(qǐng)涉及內(nèi)分泌干擾物的虛擬篩查領(lǐng)域，更具體地說(shuō)，涉及一種內(nèi)分泌干擾物定量活性的預(yù)測(cè)方法。
技術(shù)介紹
1、內(nèi)分泌干擾物是一類能夠干擾生物體內(nèi)分泌系統(tǒng)正常功能的外源性物質(zhì)，可通過(guò)多種途徑對(duì)內(nèi)分泌系統(tǒng)產(chǎn)生不利影響，導(dǎo)致激素紊亂、生殖損傷、代謝異常等多種病理后果，嚴(yán)重威脅人類健康和生態(tài)環(huán)境安全。傳統(tǒng)的內(nèi)分泌干擾物研究主要依賴于體外實(shí)驗(yàn)和動(dòng)物模型，通過(guò)檢測(cè)相關(guān)生物標(biāo)志物的變化來(lái)評(píng)估化合物的內(nèi)分泌干擾效應(yīng)。
2、近年來(lái)，以機(jī)器學(xué)習(xí)為代表的計(jì)算毒理學(xué)方法為內(nèi)分泌干擾物研究提供了新的技術(shù)路徑。研究人員嘗試基于化合物結(jié)構(gòu)與已知活性數(shù)據(jù)，構(gòu)建定性或定量的內(nèi)分泌干擾物預(yù)測(cè)模型，從而實(shí)現(xiàn)對(duì)未知化合物內(nèi)分泌干擾潛能的快速預(yù)測(cè)和初步篩查。然而，現(xiàn)有的內(nèi)分泌干擾物預(yù)測(cè)模型仍存在一些局限性：第一，大多數(shù)模型是針對(duì)單一核受體類型建立的，缺乏對(duì)不同類型內(nèi)分泌干擾效應(yīng)的綜合考慮；第二，現(xiàn)有模型主要是定性的，能夠預(yù)測(cè)化合物是否具有內(nèi)分泌干擾潛能，但無(wú)法提供關(guān)于干擾強(qiáng)度或危害程度的量化信息，這對(duì)于深入理解內(nèi)分泌干擾機(jī)制、指導(dǎo)風(fēng)險(xiǎn)管理決策至關(guān)重要；第三，部分模型在數(shù)據(jù)處理、特征選擇和機(jī)制解釋等方面仍有待完善，影響了預(yù)測(cè)性能和可解釋性。
3、因此，亟需開(kāi)發(fā)一種全面、量化、可解釋的內(nèi)分泌干擾物預(yù)測(cè)方法。該方法應(yīng)該能夠整合多種核受體通路的實(shí)驗(yàn)數(shù)據(jù)，考慮化合物結(jié)構(gòu)與活性間的非線性關(guān)系，構(gòu)建定量的預(yù)測(cè)模型以準(zhǔn)確預(yù)測(cè)化合物的內(nèi)分泌干擾強(qiáng)度和危害水平；同時(shí)，該方法應(yīng)結(jié)合數(shù)據(jù)驅(qū)動(dòng)和機(jī)理驅(qū)動(dòng)的策略，在數(shù)據(jù)層面實(shí)現(xiàn)特征的精準(zhǔn)提取和篩選，在機(jī)理層面揭示內(nèi)分泌干擾效應(yīng)的
技術(shù)實(shí)現(xiàn)思路
1、1.要解決的技術(shù)問(wèn)題
2、針對(duì)現(xiàn)有技術(shù)中存在的內(nèi)分泌干擾物定量活性預(yù)測(cè)效率低的問(wèn)題，本申請(qǐng)?zhí)峁┝艘环N內(nèi)分泌干擾物定量活性的預(yù)測(cè)方法，采用分子指紋提取化合物的多級(jí)結(jié)構(gòu)特征，并根據(jù)三級(jí)結(jié)構(gòu)特征對(duì)化合物進(jìn)行分類；在此基礎(chǔ)上，采用定量read-across方法和多種機(jī)器學(xué)習(xí)算法相結(jié)合的策略，針對(duì)不同規(guī)模的化合物結(jié)構(gòu)簇構(gòu)建相應(yīng)的定量預(yù)測(cè)模型，可靠地預(yù)測(cè)未知化合物的內(nèi)分泌干擾活性；此外，本申請(qǐng)還引入了分子對(duì)接和分子動(dòng)力學(xué)模擬技術(shù)，從結(jié)構(gòu)生物學(xué)角度研究?jī)?nèi)分泌干擾物與核受體的相互作用機(jī)制等，提高了內(nèi)分泌干擾物定量活性預(yù)測(cè)的效率。
3、2.技術(shù)方案
4、本申請(qǐng)的目的通過(guò)以下技術(shù)方案實(shí)現(xiàn)。
5、本本申請(qǐng)?zhí)峁┮环N內(nèi)分泌干擾物定量活性的預(yù)測(cè)方法，包括：從toxcastv3.2數(shù)據(jù)庫(kù)中獲取核受體體外實(shí)驗(yàn)數(shù)據(jù)，并剔除實(shí)驗(yàn)數(shù)據(jù)中的重復(fù)數(shù)據(jù)和缺失簡(jiǎn)化分子線性輸入規(guī)范(simplified?molecular?input?line?entry?system，smiles)表示的化合物，得到化合物信息數(shù)據(jù)集a1；對(duì)化合物信息數(shù)據(jù)集a1進(jìn)行預(yù)處理，得到質(zhì)控后化合物數(shù)據(jù)集a2；根據(jù)質(zhì)控后化合物數(shù)據(jù)集a2，采用分子指紋方法，提取化合物的一級(jí)、二級(jí)和三級(jí)特征結(jié)構(gòu)，其中：一級(jí)特征結(jié)構(gòu)表示引起內(nèi)分泌干擾效應(yīng)的化合物結(jié)構(gòu)片段；二級(jí)特征結(jié)構(gòu)表示用于區(qū)分化合物是否具有內(nèi)分泌干擾效應(yīng)的化合物結(jié)構(gòu)片段；三級(jí)特征結(jié)構(gòu)表示區(qū)分化合物內(nèi)分泌干擾效應(yīng)類型的化合物結(jié)構(gòu)片段，包含激動(dòng)劑、拮抗劑和激動(dòng)拮抗劑。
6、進(jìn)一步的，還包括：根據(jù)提取的一級(jí)特征結(jié)構(gòu)、二級(jí)特征結(jié)構(gòu)和三級(jí)特征結(jié)構(gòu)，構(gòu)建化合物分類模型，將質(zhì)控后化合物數(shù)據(jù)集a2中的化合物分為有無(wú)內(nèi)分泌干擾效應(yīng)以及不同干擾效應(yīng)類型的化合物簇；具體的，利用提取的一級(jí)特征結(jié)構(gòu)，構(gòu)建有無(wú)內(nèi)分泌干擾效應(yīng)的二分類模型；利用提取的二級(jí)特征結(jié)構(gòu)，構(gòu)建不同核受體類型的多分類模型；利用提取的三級(jí)特征結(jié)構(gòu)，構(gòu)建不同效應(yīng)類型(激動(dòng)劑、拮抗劑和激動(dòng)拮抗劑)的多分類模型；二分類模型和多分類模型可基于支持向量機(jī)svm、隨機(jī)森林rf、k近鄰knn等機(jī)器學(xué)習(xí)算法構(gòu)建，并通過(guò)5折交叉驗(yàn)證確定最優(yōu)模型。
7、針對(duì)每一個(gè)化合物簇，構(gòu)建基于機(jī)器學(xué)習(xí)或定量read-across的定量預(yù)測(cè)模型，用于預(yù)測(cè)化合物的定量活性值；其中，當(dāng)化合物簇中化合物數(shù)量大于預(yù)設(shè)閾值(如50個(gè))時(shí)，采用機(jī)器學(xué)習(xí)方法，基于提取的分子指紋特征構(gòu)建回歸模型，可選用的機(jī)器學(xué)習(xí)算法包括支持向量回歸svr、隨機(jī)森林回歸rfr、k近鄰回歸knnr等；當(dāng)化合物簇中化合物數(shù)量小于等于預(yù)設(shè)閾值時(shí)，采用定量read-across方法，基于每個(gè)待測(cè)化合物與已知活性化合物之間的分子結(jié)構(gòu)相似性，對(duì)已知活性化合物的活性值進(jìn)行加權(quán)平均，得到待測(cè)化合物的活性預(yù)測(cè)值。采用交叉驗(yàn)證方法評(píng)估定量預(yù)測(cè)模型的性能，并進(jìn)行參數(shù)優(yōu)化，得到最優(yōu)的定量預(yù)測(cè)模型。
8、進(jìn)一步的，還包括：從質(zhì)控后化合物數(shù)據(jù)集a2中，選擇具有代表性的活性化合物；選擇原則包括：覆蓋不同核受體類型和效應(yīng)類型的化合物；選擇高活性(如ac50值低于100nm)和低活性(如100μm<ac50<1mm)的化合物；選擇化學(xué)結(jié)構(gòu)多樣性高且具有代表性的化合物。
9、對(duì)具有代表性的活性化合物，進(jìn)行分子對(duì)接和動(dòng)力學(xué)模擬分析，獲取活性化合物與核受體的結(jié)合模式和誘導(dǎo)構(gòu)象變化機(jī)制；獲取所選化合物對(duì)應(yīng)核受體的晶體結(jié)構(gòu)，當(dāng)沒(méi)有所選化合物與核受體共結(jié)晶結(jié)構(gòu)時(shí)，選擇apo構(gòu)象進(jìn)行對(duì)接；使用分子對(duì)接軟件如glide、autodock等，通過(guò)半柔性對(duì)接方法得到化合物-受體復(fù)合物結(jié)構(gòu)；使用分子動(dòng)力學(xué)模擬軟件如gromacs、amber等，對(duì)接得到的復(fù)合物結(jié)構(gòu)進(jìn)行分子動(dòng)力學(xué)模擬，模擬時(shí)長(zhǎng)不低于100ns；對(duì)模擬軌跡進(jìn)行聚類分析，得到結(jié)合模式的主要聚類中心；分析不同活性化合物誘導(dǎo)核受體發(fā)生的構(gòu)象變化，重點(diǎn)關(guān)注配體結(jié)合口袋及輔助結(jié)合區(qū)域；計(jì)算高活性和低活性化合物與受體的結(jié)合自由能，分析其活性差異與結(jié)合模式、受體構(gòu)象變化的關(guān)系。基于分析結(jié)果，闡明高活性化合物和低活性化合物在結(jié)合模式、誘導(dǎo)受體構(gòu)象變化等方面的差異，從分子水平解釋其活性差異的作用機(jī)制。
10、進(jìn)一步的，當(dāng)一個(gè)化合物簇中的化合物數(shù)量大于閾值時(shí)，采用機(jī)器學(xué)習(xí)方法構(gòu)建對(duì)應(yīng)化合物簇的定量預(yù)測(cè)模型，包括：采用standard?scaler對(duì)相應(yīng)化合物簇中的化合物的分子指紋特征進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理；將特征數(shù)據(jù)縮放至均值為0、方差為1的標(biāo)準(zhǔn)正態(tài)分布，消除特征量綱差異，提高機(jī)器學(xué)習(xí)模型的訓(xùn)練效果；采用train_test_split函數(shù)將標(biāo)準(zhǔn)化后的化合物簇的數(shù)據(jù)集隨機(jī)劃分為訓(xùn)練集和測(cè)試集；采用多種機(jī)器學(xué)習(xí)回歸算法對(duì)訓(xùn)練集進(jìn)行建模，并采用grid?search?cv對(duì)模型進(jìn)行交叉驗(yàn)證和參數(shù)優(yōu)化，得到不同機(jī)器學(xué)習(xí)回歸算法的最優(yōu)模型；其中，多種機(jī)器學(xué)習(xí)回歸算法至少包括線性回歸、嶺回歸、lasso回歸、彈性網(wǎng)絡(luò)、決策樹(shù)、隨機(jī)森林、adaboost、梯度提升、支持向量機(jī)或k最近鄰中的一種。
11、使用各種機(jī)器學(xué)習(xí)回歸算法的最優(yōu)模型在測(cè)試集上進(jìn)行預(yù)測(cè)，并計(jì)算各最優(yōu)模型的決定系數(shù)r2；其中，決定系數(shù)(coefficient?of?determination，r2)是回歸模型擬合優(yōu)度的度量，反映了模型對(duì)數(shù)本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種內(nèi)分泌干擾物定量活性的預(yù)測(cè)方法，包括：
2.根據(jù)權(quán)利要求1所述的內(nèi)分泌干擾物定量活性的預(yù)測(cè)方法，其特征在于：
3.根據(jù)權(quán)利要求2所述的內(nèi)分泌干擾物定量活性的預(yù)測(cè)方法，其特征在于：
4.根據(jù)權(quán)利要求2所述的內(nèi)分泌干擾物定量活性的預(yù)測(cè)方法，其特征在于：
5.根據(jù)權(quán)利要求4所述的內(nèi)分泌干擾物定量活性的預(yù)測(cè)方法，其特征在于：
6.根據(jù)權(quán)利要求2所述的內(nèi)分泌干擾物定量活性的預(yù)測(cè)方法，其特征在于：
7.根據(jù)權(quán)利要求6所述的內(nèi)分泌干擾物定量活性的預(yù)測(cè)方法，其特征在于：
8.根據(jù)權(quán)利要求7所述的內(nèi)分泌干擾物定量活性的預(yù)測(cè)方法，其特征在于：
9.根據(jù)權(quán)利要求2至8任一所述的內(nèi)分泌干擾物定量活性的預(yù)測(cè)方法，其特征在于：
10.根據(jù)權(quán)利要求9所述的內(nèi)分泌干擾物定量活性的預(yù)測(cè)方法，其特征在于：
【技術(shù)特征摘要】
1.一種內(nèi)分泌干擾物定量活性的預(yù)測(cè)方法，包括：
2.根據(jù)權(quán)利要求1所述的內(nèi)分泌干擾物定量活性的預(yù)測(cè)方法，其特征在于：
3.根據(jù)權(quán)利要求2所述的內(nèi)分泌干擾物定量活性的預(yù)測(cè)方法，其特征在于：
4.根據(jù)權(quán)利要求2所述的內(nèi)分泌干擾物定量活性的預(yù)測(cè)方法，其特征在于：
5.根據(jù)權(quán)利要求4所述的內(nèi)分泌干擾物定量活性的預(yù)測(cè)方法，其特征在于：
6.根據(jù)權(quán)...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：譚皓月，張榮，史薇，靳金沙，賓明杰，常葆迪，
申請(qǐng)(專利權(quán))人：南京大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。