基于人工智能的药物血脑屏障透过性检测装置的制作方法

1.本发明属于药物血脑屏障透过性检测技术领域，具体涉及基于人工智能的药物血脑屏障透过性检测装置。


背景技术：

2.血脑屏障(blood-brain barrier,bbb)主要由脑内皮形成，可以阻止全部的大分子和绝大部分的小分子进入中枢神经系统，仅允许水溶性和脂溶性分子以及选择性转运分子跨自身转运。在化学毒理学研究和药物设计中，化合物是否具有bbb渗透性是关键的特征。化合物可以通过被动扩散或通过各种催化转运系统穿越bbb，该系统可以将化合物带入大脑(载体介导的转运，受体介导的胞吞作用)或带出大脑(主动外排)。体内生物实验方法可能是对bbb渗透最可靠的评估。然而，低通量、昂贵和劳动强度大等缺点使得这些方法不适用于药物发现的早期阶段。近年来，随着人工智能的发展，也出现了一些统计方法或机器学习算法来寻找这种预测，但是依然存在预测的准确性不理想，且研发成本较高的不足，为此我们提出基于人工智能的药物血脑屏障透过性检测装置。


技术实现要素：

3.本发明的目的在于提供基于人工智能的药物血脑屏障透过性检测装置，以解决上述背景技术中提出的问题。
4.为实现上述目的，本发明提供如下技术方案：基于人工智能的药物血脑屏障透过性检测装置，包括存储模块、数据构建模块、药物检测模块、预测模型构建模块、预测模块和验证模块；
5.所述存储模块用于存储已经做过血脑屏障透过性验证的药物，并确定该药物的透过性，存储成已知药物库；
6.所述数据构建模块用于通过将血脑屏障透过性已知的药物对血脑屏障的透过性与所述药物对神经系统疾病的疗效之间进行关联形成数据集，使用该数据集作为未知药物透过性预测的基础，增加预测准确性；
7.所述药物检测模块用于对未知药物进行安全性检测，在安全性达标后将该未知药物用于血脑屏障透过性检测；
8.所述预测模型构建模块用于基于人工智能通过不同的机器学习算法构建bbb透过性预测模型，通过所述bbb透过性预测模型获取所述药物在脑中的浓度和血中的浓度的比值的对数logbb通常被用作描述定量结构-活性关系qsar模型研究中bbb渗透能力的参考值；
9.所述预测模块用于通过所述预测模型构建模块构建的bbb透过性预测模型，对未知药物的血脑屏障透过性进行预测，得到预测结果；
10.所述验证模块用于对所述bbb透过性预测模型进行内部5折交叉验证和外部验证，确定所述未知药物的血脑屏障透过性检测的预测准确率。
11.优选的，所述存储模块中存储的药物包括超过1000种具有不同结构的药物。
12.优选的，所述数据构建模块包括获取单元、结合单元和形成单元，所述获取单元用于获取病人使用血脑屏障透过性已知的药物后针对已知的每种神经系统疾病显现的症状数，所述结合单元用于将所述症状数集合形成所述药物的特征数据集，并将所述药物的特征数据集与所述药物的血脑屏障渗透性结合成所述药物的特征矩阵，所述形成单元用于将预设数量的血脑屏障渗透性已知的药物的特征矩阵进行组合形成所述数据集。
13.优选的，所述药物检测模块中对未知药物进行安全性检测的方法包括多态性分析方法、聚合酶链反应方法、聚合酶链反应-单核苷酸多态性方法、微卫星多态性方法、最大耐受量试验方法和无菌检查方法。
14.优选的，所述预测模型构建模块中的不同的机器学习算法包括支持向量机svm、随机森林rf、k最近邻knn和人工神经网络ann算法，所述预测模型构建模块利用所述支持向量机svm、随机森林rf、k最近邻knn和人工神经网络ann算法建立监督分类模型或回归模型。
15.优选的，所述预测模块包括预测软件单元，所述预测软件单元用于基于人工智能建立药物血脑屏障透过性预测软件，并利用建立的药物血脑屏障透过性预测软件，提高对未知药物血脑屏障透过性预测的准确性。
16.优选的，所述预测模块还包括信息接收单元、信息处理单元和信息输出单元，所述信息接收单元用于获取待预测的未知药物的特征数据，所述信息处理单元用于利于所述未知药物血脑屏障渗透性的bbb透过性预测模型对所述特征数据进行预测，得到所述未知药物的血脑屏障渗透性结果，所述信息输出单元用于用于输出所述未知药物的血脑屏障渗透性结果。
17.优选的，还包括对比分析模块，所述对比分析模块用于获取所述未知药物的特征数据，并对所述未知药物的特征数据与所述存储模块中存储的药物的特征数据进行对比，分析所述未知药物是否存在所述已知药物库中，如果存在，直接获取所述已知药物库中对应药物的预测结果，如果不存在，则通过所述药物检测模块进行检测。
18.优选的，所述检测装置对药物血脑屏障透过性的检测包括以下步骤：
19.s1.通过存储模块存储已经做过血脑屏障透过性验证的药物，并确定该药物的透过性，存储成已知药物库；
20.s2.通过数据构建模块将血脑屏障透过性已知的药物对血脑屏障的透过性与所述药物对神经系统疾病的疗效之间进行关联形成数据集，使用该数据集作为未知药物透过性预测的基础，增加预测准确性；
21.s3.通过药物检测模块在进行对血脑屏障透过性检测之前对未知药物进行安全性检测，在安全性达标后将该未知药物进行血脑屏障透过性检测；
22.s4.通过预测模型构建模块基于人工智能通过不同的机器学习算法构建bbb透过性预测模型，通过所述bbb透过性预测模型获取所述药物在脑中的浓度和血中的浓度的比值的对数logbb通常被用作描述定量结构-活性关系qsar模型研究中bbb渗透能力的参考值；
23.s5.通过预测模块利用所述预测模型构建模块构建的bbb透过性预测模型，对未知药物的血脑屏障透过性进行预测，得到预测结果；
24.s6.通过验证模块对所述bbb透过性预测模型进行内部5折交叉验证和外部验证，
确定所述未知药物的血脑屏障透过性检测的预测准确。
25.优选的，所述s3之前还包括获取所述未知药物的特征数据，并对所述未知药物的特征数据与所述存储模块中存储的药物的特征数据进行对比，分析所述未知药物是否存在所述已知药物库中，如果存在，直接获取所述已知药物库中对应药物的预测结果，如果不存在，则进行s4。
26.与现有技术相比，本发明的有益效果是：
27.(1)本发明通过设置存储模块，能够对已经做过血脑屏障透过性验证的药物进行存储，并且能够确定该药物的透过性，从而当检索到需要检测的药物存在于存储模块中，即可直接获取该药物的检测结果，防止重复检测，从而提高检测效率。
28.(2)本发明通过设置药物检测模块，能够在进行对血脑屏障透过性检测之前对未知药物进行安全性检测，从而提高了用药的安全性；
29.(3)本发明通过设置预测模型构建模块、预测模块和验证模块，通过不同的机器学习算法构建了bbb透过性预测模型，并对模型进行了内部5折交叉验证和外部验证，从而实现了较高的预测性能，使得整体预测准确率可以达到95％以上，另外在这些模型的基础上，利用基于人工智能的药物血脑屏障透过性预测软件，可以为药物研发过程中准确预测候选药物的血脑屏障透过性，降低研发成本提供帮助。
附图说明
30.图1为本发明的结构框图。
具体实施方式
31.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
32.请参阅图1，本发明提供一种技术方案：基于人工智能的药物血脑屏障透过性检测装置，包括存储模块、数据构建模块、药物检测模块、预测模型构建模块、预测模块和验证模块；
33.所述存储模块用于存储已经做过血脑屏障透过性验证的药物，并确定该药物的透过性，存储成已知药物库；
34.所述数据构建模块用于通过将血脑屏障透过性已知的药物对血脑屏障的透过性与所述药物对神经系统疾病的疗效之间进行关联形成数据集，使用该数据集作为未知药物透过性预测的基础，增加预测准确性；
35.所述药物检测模块用于对未知药物进行安全性检测，在安全性达标后将该未知药物用于血脑屏障透过性检测；
36.所述预测模型构建模块用于基于人工智能通过不同的机器学习算法构建bbb透过性预测模型，通过所述bbb透过性预测模型获取所述药物在脑中的浓度和血中的浓度的比值的对数logbb通常被用作描述定量结构-活性关系qsar模型研究中bbb渗透能力的参考值；
37.所述预测模块用于通过所述预测模型构建模块构建的bbb透过性预测模型，对未知药物的血脑屏障透过性进行预测，得到预测结果；
38.所述验证模块用于对所述bbb透过性预测模型进行内部5折交叉验证和外部验证，确定所述未知药物的血脑屏障透过性检测的预测准确率。
39.本实施例中，优选的，所述存储模块中存储的药物包括超过1000种具有不同结构的药物。
40.本实施例中，优选的，所述数据构建模块包括获取单元、结合单元和形成单元，所述获取单元用于获取病人使用血脑屏障透过性已知的药物后针对已知的每种神经系统疾病显现的症状数，所述结合单元用于将所述症状数集合形成所述药物的特征数据集，并将所述药物的特征数据集与所述药物的血脑屏障渗透性结合成所述药物的特征矩阵，所述形成单元用于将预设数量的血脑屏障渗透性已知的药物的特征矩阵进行组合形成所述数据集。
41.本实施例中，优选的，所述药物检测模块中对未知药物进行安全性检测的方法包括多态性分析方法、聚合酶链反应方法、聚合酶链反应-单核苷酸多态性方法、微卫星多态性方法、最大耐受量试验方法和无菌检查方法。
42.本实施例中，优选的，所述预测模型构建模块中的不同的机器学习算法包括支持向量机svm、随机森林rf、k最近邻knn和人工神经网络ann算法，所述预测模型构建模块利用所述支持向量机svm、随机森林rf、k最近邻knn和人工神经网络ann算法建立监督分类模型或回归模型。
43.本实施例中，优选的，所述预测模块包括预测软件单元，所述预测软件单元用于基于人工智能建立药物血脑屏障透过性预测软件，并利用建立的药物血脑屏障透过性预测软件，提高对未知药物血脑屏障透过性预测的准确性。
44.本实施例中，优选的，所述预测模块还包括信息接收单元、信息处理单元和信息输出单元，所述信息接收单元用于获取待预测的未知药物的特征数据，所述信息处理单元用于利于所述未知药物血脑屏障渗透性的bbb透过性预测模型对所述特征数据进行预测，得到所述未知药物的血脑屏障渗透性结果，所述信息输出单元用于用于输出所述未知药物的血脑屏障渗透性结果。
45.本实施例中，优选的，还包括对比分析模块，所述对比分析模块用于获取所述未知药物的特征数据，并对所述未知药物的特征数据与所述存储模块中存储的药物的特征数据进行对比，分析所述未知药物是否存在所述已知药物库中，如果存在，直接获取所述已知药物库中对应药物的预测结果，如果不存在，则通过所述药物检测模块进行检测。
46.本实施例中，优选的，所述检测装置对药物血脑屏障透过性的检测包括以下步骤：
47.s1.通过存储模块存储已经做过血脑屏障透过性验证的药物，并确定该药物的透过性，存储成已知药物库；
48.s2.通过数据构建模块将血脑屏障透过性已知的药物对血脑屏障的透过性与所述药物对神经系统疾病的疗效之间进行关联形成数据集，使用该数据集作为未知药物透过性预测的基础，增加预测准确性；
49.s3.通过药物检测模块在进行对血脑屏障透过性检测之前对未知药物进行安全性检测，在安全性达标后将该未知药物进行血脑屏障透过性检测；
50.s4.通过预测模型构建模块基于人工智能通过不同的机器学习算法构建bbb透过性预测模型，通过所述bbb透过性预测模型获取所述药物在脑中的浓度和血中的浓度的比值的对数logbb通常被用作描述定量结构-活性关系qsar模型研究中bbb渗透能力的参考值；
51.s5.通过预测模块利用所述预测模型构建模块构建的bbb透过性预测模型，对未知药物的血脑屏障透过性进行预测，得到预测结果；
52.s6.通过验证模块对所述bbb透过性预测模型进行内部5折交叉验证和外部验证，确定所述未知药物的血脑屏障透过性检测的预测准确。
53.本实施例中，优选的，所述s3之前还包括获取所述未知药物的特征数据，并对所述未知药物的特征数据与所述存储模块中存储的药物的特征数据进行对比，分析所述未知药物是否存在所述已知药物库中，如果存在，直接获取所述已知药物库中对应药物的预测结果，如果不存在，则进行s4。
54.本发明的原理及优点：
55.本发明通过设置存储模块，能够对已经做过血脑屏障透过性验证的药物进行存储，并且能够确定该药物的透过性，从而当检索到需要检测的药物存在于存储模块中，即可直接获取该药物的检测结果，防止重复检测，从而提高检测效率；通过设置药物检测模块，能够在进行对血脑屏障透过性检测之前对未知药物进行安全性检测，从而提高了用药的安全性；通过设置预测模型构建模块、预测模块和验证模块，通过不同的机器学习算法构建了bbb透过性预测模型，并对模型进行了内部5折交叉验证和外部验证，从而实现了较高的预测性能，使得整体预测准确率可以达到95％以上，另外在这些模型的基础上，利用基于人工智能的药物血脑屏障透过性预测软件，可以为药物研发过程中准确预测候选药物的血脑屏障透过性，降低研发成本提供帮助。
56.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

技术特征：
1.基于人工智能的药物血脑屏障透过性检测装置，其特征在于：包括存储模块、数据构建模块、药物检测模块、预测模型构建模块、预测模块和验证模块；所述存储模块用于存储已经做过血脑屏障透过性验证的药物，并确定该药物的透过性，存储成已知药物库；所述数据构建模块用于通过将血脑屏障透过性已知的药物对血脑屏障的透过性与所述药物对神经系统疾病的疗效之间进行关联形成数据集，使用该数据集作为未知药物透过性预测的基础，增加预测准确性；所述药物检测模块用于对未知药物进行安全性检测，在安全性达标后将该未知药物用于血脑屏障透过性检测；所述预测模型构建模块用于基于人工智能通过不同的机器学习算法构建bbb透过性预测模型，通过所述bbb透过性预测模型获取所述药物在脑中的浓度和血中的浓度的比值的对数logbb通常被用作描述定量结构-活性关系qsar模型研究中bbb渗透能力的参考值；所述预测模块用于通过所述预测模型构建模块构建的bbb透过性预测模型，对未知药物的血脑屏障透过性进行预测，得到预测结果；所述验证模块用于对所述bbb透过性预测模型进行内部5折交叉验证和外部验证，确定所述未知药物的血脑屏障透过性检测的预测准确率。2.根据权利要求1所述的基于人工智能的药物血脑屏障透过性检测装置，其特征在于：所述存储模块中存储的药物包括超过1000种具有不同结构的药物。3.根据权利要求1所述的基于人工智能的药物血脑屏障透过性检测装置，其特征在于：所述数据构建模块包括获取单元、结合单元和形成单元，所述获取单元用于获取病人使用血脑屏障透过性已知的药物后针对已知的每种神经系统疾病显现的症状数，所述结合单元用于将所述症状数集合形成所述药物的特征数据集，并将所述药物的特征数据集与所述药物的血脑屏障渗透性结合成所述药物的特征矩阵，所述形成单元用于将预设数量的血脑屏障渗透性已知的药物的特征矩阵进行组合形成所述数据集。4.根据权利要求1所述的基于人工智能的药物血脑屏障透过性检测装置，其特征在于：所述药物检测模块中对未知药物进行安全性检测的方法包括多态性分析方法、聚合酶链反应方法、聚合酶链反应-单核苷酸多态性方法、微卫星多态性方法、最大耐受量试验方法和无菌检查方法。5.根据权利要求1所述的基于人工智能的药物血脑屏障透过性检测装置，其特征在于：所述预测模型构建模块中的不同的机器学习算法包括支持向量机svm、随机森林rf、k最近邻knn和人工神经网络ann算法，所述预测模型构建模块利用所述支持向量机svm、随机森林rf、k最近邻knn和人工神经网络ann算法建立监督分类模型或回归模型。6.根据权利要求1所述的基于人工智能的药物血脑屏障透过性检测装置，其特征在于：所述预测模块包括预测软件单元，所述预测软件单元用于基于人工智能建立药物血脑屏障透过性预测软件，并利用建立的药物血脑屏障透过性预测软件，提高对未知药物血脑屏障透过性预测的准确性。7.根据权利要求6所述的基于人工智能的药物血脑屏障透过性检测装置，其特征在于：所述预测模块还包括信息接收单元、信息处理单元和信息输出单元，所述信息接收单元用于获取待预测的未知药物的特征数据，所述信息处理单元用于利于所述未知药物血脑屏障
渗透性的bbb透过性预测模型对所述特征数据进行预测，得到所述未知药物的血脑屏障渗透性结果，所述信息输出单元用于用于输出所述未知药物的血脑屏障渗透性结果。8.根据权利要求1所述的基于人工智能的药物血脑屏障透过性检测装置，其特征在于：还包括对比分析模块，所述对比分析模块用于获取所述未知药物的特征数据，并对所述未知药物的特征数据与所述存储模块中存储的药物的特征数据进行对比，分析所述未知药物是否存在所述已知药物库中，如果存在，直接获取所述已知药物库中对应药物的预测结果，如果不存在，则通过所述药物检测模块进行检测。9.根据权利要求1所述的基于人工智能的药物血脑屏障透过性检测装置，其特征在于：所述检测装置对药物血脑屏障透过性的检测包括以下步骤：s1.通过存储模块存储已经做过血脑屏障透过性验证的药物，并确定该药物的透过性，存储成已知药物库；s2.通过数据构建模块将血脑屏障透过性已知的药物对血脑屏障的透过性与所述药物对神经系统疾病的疗效之间进行关联形成数据集，使用该数据集作为未知药物透过性预测的基础，增加预测准确性；s3.通过药物检测模块在进行对血脑屏障透过性检测之前对未知药物进行安全性检测，在安全性达标后将该未知药物进行血脑屏障透过性检测；s4.通过预测模型构建模块基于人工智能通过不同的机器学习算法构建bbb透过性预测模型，通过所述bbb透过性预测模型获取所述药物在脑中的浓度和血中的浓度的比值的对数logbb通常被用作描述定量结构-活性关系qsar模型研究中bbb渗透能力的参考值；s5.通过预测模块利用所述预测模型构建模块构建的bbb透过性预测模型，对未知药物的血脑屏障透过性进行预测，得到预测结果；s6.通过验证模块对所述bbb透过性预测模型进行内部5折交叉验证和外部验证，确定所述未知药物的血脑屏障透过性检测的预测准确。10.根据权利要求9所述的基于人工智能的药物血脑屏障透过性检测装置，其特征在于：所述s3之前还包括获取所述未知药物的特征数据，并对所述未知药物的特征数据与所述存储模块中存储的药物的特征数据进行对比，分析所述未知药物是否存在所述已知药物库中，如果存在，直接获取所述已知药物库中对应药物的预测结果，如果不存在，则进行s4。

技术总结
本发明公开了基于人工智能的药物血脑屏障透过性检测装置，包括存储模块、数据构建模块、药物检测模块、预测模型构建模块、预测模块和验证模块；所述存储模块用于存储已经做过血脑屏障透过性验证的药物，并确定该药物的透过性，存储成已知药物库；所述数据构建模块用于通过将血脑屏障透过性已知的药物对血脑屏障的透过性与所述药物对神经系统疾病的疗效之间进行关联形成数据集。本发明通过设置存储模块，能够对已经做过血脑屏障透过性验证的药物进行存储，并且能够确定该药物的透过性，从而当检索到需要检测的药物存在于存储模块中，即可直接获取该药物的检测结果，防止重复检测，从而提高检测效率。从而提高检测效率。从而提高检测效率。


技术研发人员：李晓
受保护的技术使用者：仟安链（苏州）生物信息科技有限公司
技术研发日：2023.06.30
技术公布日：2023/10/15