具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。

需要说明的是，本公开实施例中所涉及的终端设备可以包括但不限于手机、个人数字助理(Personal Digital Assistant，PDA)、无线手持设备、平板电脑(TabletComputer)等智能设备；显示设备可以包括但不限于个人电脑、电视等具有显示功能的设备。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1是根据本公开第一实施例的示意图；如图1所示，本实施例提供一种排序学习模型的训练方法。如图1所示，本实施例的排序学习模型的训练方法，具体可以包括如下步骤：

S101、采集数条训练样本；各条训练样本中包括已知训练靶点蛋白信息、对应的两个训练药物信息、以及对应的两个训练药物与已知训练靶点的真实亲和度之差；

S102、基于数条训练样本，对排序学习模型进行训练，使得排序学习模型学习预测各条训练样本中的两个训练药物与已知训练靶点蛋白的亲和度的大小关系的能力。

本实施例的排序学习模型的训练方法的执行主题为排序学习模型的训练装置，该排序学习模型的训练装置的执行主体为电子实体，或者也可以为采用软件集成的应用。本实施例的排序学习模型的训练装置，用于实现一种排序学习模型的训练。

本实施例的排序学习模型用于学习预测两个训练药物与已知训练靶点蛋白的亲和度的大小关系，进而可以基于每两个训练药物与已知训练靶点蛋白的亲和度的大小关系，实现对多个训练药物按照与已知训练靶点蛋白的亲和度的大小进行排序。

本实施例中采集的训练样本是以条的形式存在，每条训练样本中包括两个训练药物的信息，如训练药物的信息可以采用训练药物的简化分子线性输入规范(Simplifiedmolecular input line entry specification；SMILES)序列来标识，或者也可以采用训练药物的其他唯一标识信息。已知训练靶点蛋白的信息可以采用已知训练靶点蛋白的FASTA序列来标识，或者也可以采用已知训练靶点蛋白的其他唯一标识信息。

需要注意的是，由于本实施例的各条训练样本，是用于训练排序学习模型学习预测各条训练样本中的两个训练药物与已知训练靶点蛋白的亲和度的大小关系的能力，所以，在有监督的训练中，本实施例的各条训练样本中还要包括两个训练药物与已知训练靶点蛋白的真实亲和度之差，也就是说，该真实亲和度之差能够标识两个训练药物与已知训练靶点蛋白的亲和度的大小关系。基于此，可选地，在实际操作中，该真实亲和度之差可以不是具体的差的数值，可以仅标识真实亲和度之差的方向。例如，对于两个训练药物A和B，若训练药物A与已知训练靶点蛋白1的亲和度a，大于训练药物B与已知训练靶点蛋白1的亲和度b，即此时a-b>0，则对应的真实亲和度之差可以标识为1，而若训练药物A与已知训练靶点蛋白1的亲和度a，小于训练药物B与已知训练靶点蛋白1的亲和度b，即此时a-b<0，则对应的真实亲和度之差可以标识为0。

然后，基于数条训练样本中的两个训练药物信息、以及对应的两个训练药物与已知训练靶点的真实亲和度之差，可以对排序学习模型进行有监督的训练，让排序学习模型学习各条训练样本中标识的两个训练药物与已知训练靶点的真实亲和度之差，采用数条训练样本，不断地对排序学习模型进行训练，可以使得排序学习模型学习到预测各条训练样本中的两个训练药物与已知训练靶点蛋白的亲和度的大小关系的能力。

本实施例中，采集的数条训练样本的数量可以非常之大，例如可以包括几十万甚至几百万。训练样本的数量越大，训练的排序学习模型的准确性越高。

本实施例的排序学习模型的训练方法，通过采用包括已知训练靶点蛋白信息、对应的两个训练药物信息、以及对应的两个训练药物与已知训练靶点的真实亲和度之差的各条训练样本，对排序学习模型进行训练，能够使得排序学习模型学习预测各条训练样本中的两个训练药物与已知训练靶点蛋白的亲和度的大小关系的能力。

图2是根据本公开第二实施例的示意图；如图2所示，本实施例的排序学习模型的训练方法，在上述图1所示实施例的技术方案的基础上，进一步更加详细地描述本申请的技术方案。如图2所示，本实施例的排序学习模型的训练方法，具体可以包括如下步骤：

S201、从多个数据集中采集数条训练样本，各条训练样本中包括已知训练靶点蛋白信息、对应的两个训练药物信息、以及对应的两个训练药物与已知训练靶点的真实亲和度之差；

可选地，本实施例中，不同的数据集中训练药物与已知训练靶点的亲和度可以采用不同的指标来表征。例如有的数据集中亲和度指标采用IC50标识、有的数据集中亲和度指标采用Kd标识，还有的数据集中亲和度指标采用Ki标识。无论数据集中采用哪种亲和度指标，本实施例的训练样本中只需要标识两个训练药物与已知训练靶点的真实亲和度之差的方向即可。

例如，如图3所示的训练样本构建示意图中，采集的数条训练样本构成的训练集中可以包括m个训练靶点蛋白，可以分别标识为t⁽¹⁾，……，t^(m)。对于每个训练靶点蛋白，可以先采集n个训练药物以及对应的各训练药物与训练靶点蛋白的亲和度，如对于训练靶点蛋白t⁽¹⁾，采集的训练药物可以记为对于训练靶点蛋白t^(m)，采集的训练药物可以记为 对于单个靶点蛋白，所有对应的药物d可以组成两两配对(pairwise)的关系，对于每个两两配对的药物对应的亲和度分数的之差可写作如图3所示，对于训练靶点蛋白t⁽¹⁾，任意一条训练样本可以标记为同理，对于训练靶点蛋白t⁽²⁾，任意一条训练样本可以标记为对于训练靶点蛋白t^(m)，任意一条训练样本可以标记为

其中，训练药物和训练靶点蛋白可以来自于多个不同的数据集，不同训练靶点蛋白对应的训练药物的亲和度可以使用不同的亲和度指标来标识。仅需保证任意一条训练样本中、两个训练药物与训练靶点蛋白的亲和度之差能够标识出来即可。同理，这里的亲和度之差也可以不标识出来差值大小，仅标识差的方向，即标识出孰大孰小即可。

本实施例的排序学习模型可以采用多层感知器(Multi-Layer Perceptron；MLP)、卷积神经网络(Convolutional Neural Network；CNN)以及Transformer等神经网络模型，或者也可以为其他的能提取和学习靶点蛋白或药物分子表征的任何神经网络结构。本实施例的排序学习模型为双塔结构。

202、对于各条训练样本，将对应的训练样本中的已知训练靶点蛋白信息、对应的两个训练药物信息输入至排序学习模型中；

203、获取排序学习模型输出的两个训练药物与已知训练靶点蛋白的预测亲和度之差；

204、基于预测亲和度之差和对应的真实亲和度之差，调整排序学习模型的参数，使得排序学习模型学习预测各条训练样本中的两个训练药物与已知训练靶点蛋白的亲和度的大小关系的能力。

例如，该步骤具体实现时，可以包括如下步骤：

(a)基于预测亲和度之差和对应的真实亲和度之差，构建损失函数；

(b)检测损失函数是否收敛；若收敛，执行步骤(d)；

(c)若不收敛调整排序学习模型的参数，使得损失函数趋于收敛的方向；返回步骤202，选取下一条训练样本，继续开始训练；

(d)检测是否满足训练截止条件，若满足，停止训练，此时，确定排序学习模型的参数，结束；若不满足，则返回步骤202，选取下一条训练样本，继续开始训练。

可选地，本实施例的训练截止条件可以为检测在连续预设次数阈值的训练中，损失函数是否一直收敛，若是，确定满足训练截止条件。其中连续预测次数阈值可以根据实际场景来设置，如可以为连续80次、连续100次、连续150次或者连续的其他次数，在此不做限定。或者还可以设置一个最大训练次数阈值，在训练次数达到该最大训练次数阈值时，训练结束。通过采用上述训练方式，可以有效地提升排序学习模型的训练效果。

本实施例的排序学习模型为双塔结构，实现排序学习。学习好的排序学习模型的参数可以共享给单塔结构的排序模型，以供排序模型实现对同一靶点蛋白对应的多个药物按照亲和度进行排序。

本实施例的排序学习模型的训练方法，可以充分利用不同数据集和不同指标的DTI数据，通过设计排序学习算法来学习不同药物和同一靶标蛋白之间的亲和度的大小关系，从而达到对多个药物按照与同一靶点蛋白的亲和度大小进行排序的目的。由于本实施例对排序学习模型的训练，更关注配对的两个药物和靶点蛋白的亲和度差，进而可以将跨数据集、多亲和度指标的数据整合在一起训练模型，能够有效地克服模型训练中DTI数据集较小的局限性，有效地提升排序学习模型的训练效果。

本实施例的排序学习模型的训练方法，通过设计基于Pairwise的排序学习算法，能获取不同药物和同一靶点蛋白的亲和度的先后关系，相较于现有的其他方法，能够有效地提升不同药物和同一靶点蛋白的亲和度的排序的准确性，例如，基于某个靶点蛋白的对应药物的加权一致性指数(WeightedCI)和平均一致性指数(AverageCI)，能够分别提升约0.03和0.05。

图4是根据本公开第四实施例的示意图；如图4所示，本实施例提供一种药物排序方法，如图4所示，本实施例的药物排序方法，具体可以包括如下步骤：

S401、获取目标靶点信息和多个候选药物信息；

S402、采用排序模型，基于目标靶点信息和各候选药物信息，对多个候选药物按照与目标靶点的亲和度的大小进行排序；其中，排序模型共享预先训练的排序学习模型的参数，排序学习模型用于学习任意两个药物与同一靶点蛋白的亲和度的大小关系。

本实施例的药物排序方法的执行主题为药物排序装置，该药物排序的执行主体为电子实体，或者也可以为采用软件集成的应用。本实施例的药物排序，用于实现对多个候选药物按照与同一目标靶点蛋白的亲和度大小进行排序，进而可以实现药物推荐。

本实施例的排序模型为单塔结构，该单塔结构可以共享上述图1或者图2所示实施例训练好的排序模型的参数来实现。由于上述排序学习模型已经学习到了不同药物与同一靶点的亲和度的大小关系，进而可以实现对多个药物按照与同一靶点的亲和度大小进行排序。例如，若能够预测到药物A与靶点1的亲和度大于药物B与靶点1的亲和度，同时也能够预测到药物B与靶点1的亲和度大于药物C与靶点1的亲和度，进而可以将药物A、药物B、药物C按照与靶点1的亲和度大小进行排序，进而可以实现药物推荐。

同理，本实施例的目标靶点信息可以采用SMILES序列来标识，候选药物信息可以采用FASTA序列来标识。

使用时，将目标靶点信息和多个候选药物信息经过embedding后，输入至排序模型，该排序模型可以基于输入的信息，预测并输出多个候选药物按照与目标靶点蛋白的亲和度的大小进行排序的排序关系。后续可以基于该排序关系，获取到与目标靶点蛋白亲和度最高的药物，进而可以实现药物推荐。

本实施例的药物排序方法，该排序模型共享预先训练的排序学习模型的参数，排序学习模型用于学习任意两个药物与同一靶点蛋白的亲和度的大小关系，采用该排序模型能够有效地提高药物排序的精准度，进而能够更加有效地进行药物推荐。

图5是根据本公开第五实施例的示意图；如图5所示，本实施例提供了一种排序学习模型的训练装置500，包括：

采集模块501，用于采集数条训练样本；各条训练样本中包括已知训练靶点蛋白信息、对应的两个训练药物信息、以及对应的两个训练药物与已知训练靶点的真实亲和度之差；

训练模块502，用于基于数条训练样本，对排序学习模型进行训练，使得排序学习模型学习预测各条训练样本中的两个训练药物与已知训练靶点蛋白的亲和度的大小关系的能力。

本实施例的排序学习模型的训练装置500，通过采用上述模块实现排序学习模型的训练的实现原理以及技术效果，与上述相关方法实施例的实现相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。

图6是根据本公开第六实施例的示意图；如图6所示，本实施例提供的排序学习模型的训练装置500，在上述图5所示实施例的技术方案的基础上，进一步更加详细地描述本公开的技术方案。

如图6所示，本实施例提供的排序学习模型的训练装置500中，训练模块502，包括：

输入单元5021，用于对于各条训练样本，将对应的训练样本中的已知训练靶点蛋白信息、对应的两个训练药物信息输入至排序学习模型中；

获取单元5022，用于获取排序学习模型输出的两个训练药物与已知训练靶点蛋白的预测亲和度之差；

调整单元5023，用于基于预测亲和度之差和对应的真实亲和度之差，调整排序学习模型的参数，使得排序学习模型学习预测各条训练样本中的两个训练药物与已知训练靶点蛋白的亲和度的大小关系的能力。

进一步可选地，该调整单元5023，用于：

基于预测亲和度之差和对应的真实亲和度之差，构建损失函数；

检测损失函数是否收敛；

若不收敛调整排序学习模型的参数，使得损失函数趋于收敛的方向。

进一步可选地，本实施例提供的排序学习模型的训练装置500中，采集模块501，用于从多个数据集中采集数条训练样本。

其中不同的数据集中训练药物与已知训练靶点的亲和度采用不同指标来表征。

本实施例的排序学习模型的训练装置500，通过采用上述模块实现排序学习模型的训练的实现原理以及技术效果，与上述相关方法实施例的实现相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。

图7是根据本公开第七实施例的示意图；如图7所示，本实施例提供一种药物排序装置700，包括：

获取模块701，用于获取目标靶点信息和多个候选药物信息；

排序模块702，用于采用排序模型，基于目标靶点信息和各候选药物信息，对多个候选药物按照与目标靶点的亲和度的大小进行排序；其中，排序模型共享预先训练的排序学习模型的参数，排序学习模型用于学习任意两个药物与同一靶点蛋白的亲和度的大小关系。

本实施例的药物排序装置700，通过采用上述模块实现药物排序的实现原理以及技术效果，与上述相关方法实施例的实现相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如排序学习模型的训练方法或者药物排序方法。例如，在一些实施例中，排序学习模型的训练方法或者药物排序方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的排序学习模型的训练方法或者药物排序方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行排序学习模型的训练方法或者药物排序方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。