基于几何深度学习模型的抗SARS-CoV-2药物重定位

目录中文摘要Abstract1、文献综述11.1 COVID-19药物重定位的研究背景及现状1.1.1研究背景…1.12国内外研究现状.21.2研究内容及意义.32、材料与方法…2.1数据收集和预处理…。.42.1.1潜在的COVID-19治疗药物结构数据获取42.12候选预测药物结构数据获取。.52.13模型的特征表示622模型的训练.823验证和性能指标…2.4候选药物预测及分析.…132.4.1候选药物预测..132.4.2预测结果分析…142.5药物-靶点网络构建.l43、结果……153.1模型的训练结果及超参数3.2模型的效能163.3潜在的C0VD-19治疗药物预测及分析.183.3.1预测药物的文献验证183.3.2预测药物的靶点分析204、讨论….265、结论.286、致谢……297、参考文献…308、附录35中文摘要2019年末，突然爆发的新型冠状肺炎(COVD-19),对世界各地的人类的生心健康造成了极大的威胁，该疾病不仅会导致严重的肺部疾病、心脏病、肝病等，还可能引发的严重的后遗症。然而，由于病毒变异速度不稳定、药物上市的临床周期缓慢等因素，目前市场上极度缺乏对COVID-19患者的总体生存期有益的药物，因此开发新的治疗COVID-19的药物迫在眉睫，这些工作具有一定的挑战性但对于全球人类的健康而言却是必要的。众所周知，传统药物的研发需要耗费大量经费和时间成本，并且从头开始设计新药除了上市周期长的掣肘外，往往难以达到预期的临床效果，因此我们需要药物重定位来帮助我们从已开发的药物中筛选出潜在的药物靶点并且对COVD-19具有有效的治疗。药物重定位作为一种优秀的药物开发工具，其优势在于可以快速筛选出潜在的药物，而且筛选出来的药物大多可以投入其他疾病的治疗，由于已上市的药物在安全性和副作用指标方面已经非常确定，新药开发的速度不仅大幅度提高和新药开发的成本也大大节省。除了药物重定位，近年来飞速发展的深度学习技术也成为了药物预测的一个必不可少且有效的工具。本研究提出了一个基于几何深度学习的消息传递神经网络(MPNN)模型，该模型是由图神经网络、计算方法和机器学习方法等方法的集成的，用于识别基于化合物数据库的潜在COVID-19治疗药物，与传统的药物筛选方法相比，基于几何深度学习的MPNN模型在药物重定位方面具有低成本和高准确性的优点。本研究使用MPNN模型学习来自化合物数据库的基于SMILE序列的化合物特征。五重交叉验证下，模型的AUC为0.94，预测的准确率为0.909，灵敏度为0.866。最后，使用该模型根据指定阈值从上市药物中筛选得到71种药物，作为潜在的COVID-19治疗药物预测结果。总之，本研究提出基于几何深度学习的模型，在上市药物中筛选潜在的C0VID-19治疗药物，为COVID-19治疗药物重定位提供了新的思路和方法。关键词：新型冠状病毒肺炎；几何深度学习模型：药物重定位；消息传递神经网络