一种基于类器官表型的大规模药物虚拟筛选方法与流程

本发明涉及虚拟筛选，尤其是一种基于类器官表型的大规模药物虚拟筛选方法。

背景技术：

1、虚拟筛选(virtual screening,vs)是计算机辅助药物设计(cadd)的一个分支，是基于小分子数据库开展的活性化合物筛选。虚拟筛选利用小分子化合物与药物靶标间的分子对接运算，快速从几十至上百万分子中，遴选出具有成药性的活性化合物。可大大降低实验筛选化合物数量，缩短研究周期，降低药物研发的成本。传统的虚拟筛选方法基于分子结构、分子片段或蛋白质靶点，通过计算和模拟寻找药物分子与靶点蛋白之间的相互作用模式，以评估它们之间的结合能力和亲和性。但是这种方法忽略了体内环境及药物在体内的真实表现，通常与体内的契合度较低，影响了结果的可靠性。

2、人体内的环境复杂，要保证药物与体内环境的契合度，还需要结合表型信息，因为从历史上看，新药是通过观察其对疾病表型的治疗效果而发现的。在1999年至2008年期间，美国fda批准的first-in-class药物中，大多数是在没有药物靶点假设的情况下凭经验发现的，这表明结合表型筛选药物的成功率更高。截至目前，基于表型的虚拟筛选方法鲜有报道。

3、现有的结合传统二维细胞或三维器官芯片培养的药敏筛选的用药方案决策方法，势必需要完成一个包含样本原代提取、器官芯片原代培养、加药周期终点的检测方法在内的，较长时间的药敏筛选的实验周期。通过将实验结果作为预测模型的输入从而进行用药方案的决策。药敏筛选的实际交付周期往往会在一个自然月左右，最短时间也需要两周。从患者角度出发，治疗方案的决策争分夺秒，越早则方案有效性和最终临床生存率就会越高。同时，由于长时间培养带来的高成本限制了器官芯片药敏筛选的通量，大多数情况下一次仅包含个位数药物。

技术实现思路

1、针对现有技术的不足，本发明提供一种基于类器官表型的大规模药物虚拟筛选方法，目的是提高药物筛选的效率和成功率。

2、本发明采用的技术方案如下：

3、本发明提供一种基于类器官表型的大规模药物虚拟筛选方法，包括：

4、采集若干发育稳定的肿瘤类器官样本的基于时间序列的明场图像；

5、采集完明场图像后，分别按照设定的给药方案对所述发育稳定的若干类器官样本进行给药实验；

6、对给药实验中的类器官样本进行生物学指标检测，根据检测结果，获得类器官样本在对应给药方案下的活性数据；

7、将所述明场图像、对应的给药方案下药物化合物结构构建数据集，并对数据集添加对应的所述活性数据的标签，利用所述数据集训练基于神经网络的预测模型，建立给药前发育稳定的类器官样本明场图像与不同给药方案下化合物对类器官作用结果之间的映射关系；

8、将目标类器官样本的明场图像及待测化合物队列输入所述预测模型，获得所述待测化合物队列对所述目标类器官样本作用结果的预测，基于所述预测结果筛选出候选化合物。

9、进一步技术方案为：

10、所述预测模型的结构包括：

11、图像编码模块，其对图像进行预处理，然后采用时空特征处理模型对预处理后的每个类器官样本的基于时间序列的图像压缩成一张，完成图像数据降维，再采用图像分割模型，在每张图像上完成对单个类器官的分割，并统计每张图像视野内所有类器官的形态学特征，生成图像特征向量；

12、化合物结构编码模块，其对所述化合物结构数据进行特征提取，生成化合物特征向量；

13、特征拼接模块，其基于特征拼接机制将图像特征向量、化合物特征向量进行组合；

14、输出模块，用于输出预测的活性预测结果。

15、所述化合物结构编码模块使用摩根指纹的编码方式对化合物结构进行编码，所述化合物为一种或多种的组合，对于多种组合的化合物，分别使用摩根指纹进行编码，然后对化合物之间进行逐元素相加进行特征交叉，形成联合作用下的复合特征。

16、所述图像特征向量为计算获得的图像视野内所有类器官的形态学特征均值或方差。

17、所述形态学特征包括面积、周长和圆球度。

18、所述时空特征处理模型采用attention-lstm结构；所述特征拼接模块采用两个mlp结构。

19、所述图像分割模型基于开源的vision transformer预训练模型，使用标注好的图像进行有监督学习训练后获得。

20、所述对图像进行预处理，包括：图像裁剪和圈选、尺寸调整、旋转翻转、暗角处理、色彩调整以及标准化像素值。

21、所述对给药实验中的类器官样本进行生物学指标检测，根据检测结果，获得类器官样本在对应的给药方案下的活性数据，包括：采用mtt法、cck8法或atp法进行生物学指标检测，通过酶标仪或分光光度计在特定波长下测定各样本的光密度值，进行标准曲线制作，并记录通过各样本光密度值与标准曲线计算得到的样本相对活性率或生存率，作为活性数据。

22、发育稳定的肿瘤类器官样本的获取，包括：

23、从临床来源的各种肿瘤组织或穿刺样本中消化分离获取单个细胞，将单个细胞放入培养皿中采用三维细胞培养技术进行培养，之后选择2000-3000个细胞每孔的密度范围在孔板中黏附接种，充分洗涤之后在专业配置的培养基中孵育，直至类器官发育稳定；

24、基于时间序列的明场图像的采集，包括：

25、通过具备共聚焦成像模块的高内涵成像仪，设置自动采集程序以固定的时间间隔，批量采集发育稳定的器官样本的明场图像。

26、本发明的有益效果如下：

27、本发明通过大量收集加药前的类器官标准图像，建立类器官表型特征数据库，结合化合物分子结构特征及药敏试验后类器官的活性数据，利用深度学习得到ai预测模型，获得化合物活性预测结果。本发明的方法是一种基于类器官表型的虚拟筛选方法，是对基于结构和靶点的虚拟筛选方法的补充，极大地提高了药物发现的成功率和效率。本发明具体具有如下优点：

28、1、现有的虚拟筛选方法基于靶点、结构或分子片段，专注分子与靶点的互作效应，缺乏与体内环境的结合，无法保证体内的用药效果。本发明基于类器官表型，可以弥补这一缺点，极大地提高了药筛结果与体内环境的契合度。

29、2、常规的基于基因组数据预测药物反应的方法，在样本量大的情况下成本很高。本发明以数字器官芯片图像替代传基因组数据作为表型，本发明只需要通过图像记录加药前的表型特征，即可以预测药物效应。一方面可以省去测序带来的高成本，极大地降低计算资源。另一方面，图像数据加上分子结构的预测模型比基因组数据加上分子结构的预测模型性能更好，准确率更高。

30、3、常规的基于类器官图像的药效预测模型都需要包含加药培养的终点信息，避免不了长时间的类器官培养，花费大量的时间和金钱。本发明基于给药实验(药敏实验)前器官芯片图像训练预测模型，可以避免加药培养的长周期，更快地对药物效应做出预测，提供正确的用药指导，最终提高患者的临床生存率。实际应用时只需要提供加药前的图像，免去了实际合成分子和加药后培养的成本，缩短了研发时间，大大提高了预测方法的便捷性。同时有效地降低了成本，提高了筛选通量，从而提高药物发现的成功率。

31、4、普通的类器官药物筛选大多用于临床前试验，测试的药物也只有个位数。本发明一次可以测试大量的分子，是普通方法的几百几千倍，可以将类器官药物筛选拓展至苗头化合物发现阶段。

32、本发明的其它特征和优点将在随后的说明书中阐述，或者通过实施本发明而了解。