Python量子生成对抗网络QGAN神经网络药物发现、多方法乳腺癌药物筛选应用

全文链接：https://tecdat.cn/?p=37975

分析师：Chenhao Wu

在当今的医学领域，乳腺癌作为一种严重威胁女性健康的疾病，其治疗一直是科研工作者们关注的焦点。乳腺癌的发展与雌激素受体密切相关，其中 ERα 被视为治疗乳腺癌的重要靶标。能够拮抗 ERα 活性的化合物有望成为治疗乳腺癌的候选药物。然而，药物筛选是一个复杂而艰巨的过程（点击文末“阅读原文”获取完整代码数据）。

一方面，在传统的药物筛选中，面临着诸多难点。各类化合物具有繁多的特征属性，如 ADMET 特性和化合物生物活性等。如何从众多特征中挑选出影响化合物活性的关键特征，以及确定这些关键特征的取值范围以保证药物具有较高的生物活性，同时在 ADMET 五个特性中至少有三个表现良好的情况下使化合物活性最大化，这些都是极具挑战性的问题。

另一方面，随着科技的不断进步，人工智能和机器学习技术为药物研发带来了新的机遇。主成分分析、机器学习和多目标优化等方法在药物筛选中展现出了巨大的潜力。通过这些方法，可以有效地处理复杂的药物数据，挖掘出关键特征，预测药物的生物活性和参数范围，实现多目标的优化。

与此同时，量子计算的发展也为药物发现提供了新的思路。量子生成对抗网络（Quantum GAN）结合了量子计算和生成对抗网络的优势，能够处理高维数据，为药物研发提供了新的途径。通过量子电路和经典神经网络的结合，有望生成具有特定药物特性的分子，为新药研发带来新的突破。

本文将围绕主成分分析、机器学习和多目标优化在化合物特征药物筛选中的应用，以及量子生成对抗网络在药物发现（附数据代码）中的研究展开，旨在探索更加高效、准确的药物筛选和发现方法，为乳腺癌的治疗提供新的候选药物。

主成分分析、机器学习、多目标优化对化合物特征进行药物筛选

乳腺癌的发展与雌激素受体密切相关。目前抗激素治疗常用于ERα表达的乳腺癌患者。因此ERα被认为是治疗乳腺癌的重要靶标，能够拮抗ERα活性的化合物可能是治疗乳腺癌的候选药物。

在该项目中出现了各种难点，例如，各类化合物的特征属性繁多，比如有ADMET(Absorption,Distribution,Metabolism,Excretion,Toxicity)特性和化合物生物活性等。该如何选择关键特征是大问题。

选择了关键特征，如何确定该特征的取值大小才能保证该药品具有生物活性，首先要保证药物有效，才能讨论药性。

针对五个关键的特性ADMET如何在尽量让五个特性表现良好的情况下，让化合物活性尽量的高，这样的化合物的分子描述符的取值范围的寻找较为困难。

解决方案

任务/目标

在众多特征中找到影响化合物活性的关键特征。
找到关键特征的取值范围使得药物的生物活性较高。
找到在使得药效达标(ADMET五个特性至少有三个表现良好)的情况下生物活性较高

数据源准备

该项目的数据源由其他企业提供

数据清洗

在数据中将大量字段为空的药物删除，少量字段为空的补0。针对第一个问题给他贴好标签，将化合物活性贴好标签，分为1-10,10个等级，在5以上的为活性较高，5以下的活性较低，更进一步，在5以上就贴上1，在5以下就贴上0。便于后续对其进行主成分分析。

针对第二个难题，是一个定量预测问题。我们将数据中需要的药物提取出来。

第三个问题是一个多目标优化的问题。我们同样给药物贴好标签，在ADMET属性中，满足3个或以上的我们给他贴1标签，否则贴0标签，后续对其进行多目标优化。

构造模型

针对问题1.我们使用了不同的主成分分析，包括相关性分析，随机森林特征选择，基于相关性的特征子集选择算法，基于分类器的属性价值评估算法，Relief 算法，基于分类器的特征子集选择算法，信息增益排序等。发现RReliefF算法更优秀，这里我们选择了RReliefF方法。

第二个问题采用了多种机器学习方法。包括极限随机树(ET),多层感知机(MLP)，支持向量机回归(SVR)，并对其进行模型评价，发现ET效果最好，并可以预测所有参数的范围。

第三个问题是多目标优化的问题，针对这类问题，我们使用的是粒子群算法，通过调节超参，达到近似全局最优解。

划分训练集和测试集

所有的药物是独立的样本，所以我们直接采用十折交叉验证即可。

上线之后的迭代，在得到所有化合物参数性能指标之后，我们要交给专业人士去临床验证这些药物。

部分模型预测结果：

该项目涉及到分类模型，回归模型，优化问题。是个综合的项目，都达到了不错的性能。

Python量子生成对抗网络QGAN神经网络的药物发现研究|附数据代码

开发新药是一项极具挑战性的工作，传统方法耗时漫长且成功率较低。随着人工智能和机器学习的发展，为新药研发带来了新的机遇。本文介绍了一种基于量子生成对抗网络（Quantum GAN，QGAN）的方法在药物发现中的应用，通过利用量子计算的优势处理高维数据，为药物研发提供了新的思路和方法。

新药开发是一个复杂而漫长的过程，从靶点发现到临床试验，往往需要数年甚至数十年的时间。而且，经过重重筛选和测试，最终能够成功上市的药物寥寥无几。近年来，人工智能和机器学习技术在各个领域取得了显著的进展，也为药物研发带来了新的希望。其中，生成对抗网络（GAN）在图像生成等领域表现出色，而将量子计算与 GAN 相结合，有望在药物发现中发挥更大的作用。

量子相关术语

（一）量子电路
量子电路是由一系列门组成的有序集合，用于改变量子比特的状态以执行特定的量子运算。

（二）量子噪声
量子噪声是指任何可能导致量子计算机出现故障的因素。当量子比特暴露于噪声源时，量子计算机中的信息会受到干扰和降级。

（三）量子 GAN
在量子 GAN 中，GAN 模型的生成器和判别器在量子计算机或设备上进行训练，这些设备能够轻松处理高维数据（即量子数据）。

（四）带混合发生器的 Quantum GAN
QGAN-HG 由参数化量子电路组成，可提供量子比特大小维度的特征向量。需要一个经典的神经网络来生成所需的原子向量和键矩阵，以构建分子的图形表示，其中节点表示原子，边表示键。

QGAN量子电路

该电路在量子层的帮助下提供特征向量，其计算时间为 O（poly（log（M）））。量子层由初始化、参数化和测量三个阶段组成。在初始化部分，从 [-π, π] 中均匀采样两个参数 z1 和 z2，然后将其转换为数学形式，并对所有层重复操作，以生成酉矩阵 U（θ）。最后，通过对最终量子态应用量子运算来获取特征向量。图中提到的 Ry 和 Rz 是旋转门。

点击标题查阅往期内容

【视频讲解】线性时间序列原理及混合ARIMA-LSTM神经网络模型预测股票收盘价研究实例

左右滑动查看更多

QGAN-神经网络

从 QGAN电路生成特征向量后，这些向量被输入到经典神经网络中。此神经网络的输出包含原子层和键层，用于生成原子向量和键矩阵。

用于计算的指标

（一）Frechet 距离
它用于测量真实分子和合成分子分布之间的相似性。

（二）药物特性
药物性质包括药物可能性、溶解度、合成性等。这些特性与其他属性一起使用 RDKit 进行测量。

模型架构

如图所示：

第一张图片由药物片段和结合位点（受体）组成。药物的形状若适合受体，则有可能治愈疾病，这可以用锁和钥匙的概念来解释，受体如同锁，药物如同钥匙。
第二张图像由量子阶段和经典阶段组成，以虚线分隔。
第三张图片由原子和键矩阵组成，用于构建合成分子的图形结构。
在最后一步中，将真实分子和合成分子输入经典判别器以区分两者，并使用 RDKit 包评估 Frechet 距离和药物特性。最终预测将反馈到两个神经网络和量子电路，以便在每个训练周期更新所有参数。

用于训练模型的数据集

本研究使用的数据集由 134K 个稳定的有机小分子和多达 9 个重原子组成。

依赖

此模型依赖于以下框架：

python>=3.5
pytorch>=0.4.1

模型实现

（一）导入所需库和包
首先，导入所有必需的库和包，为后续的模型构建和训练做准备。

（二）设置量子比特单元并生成量子电路
初始化两个随机均匀噪声参数 z1 和 z2，然后为原子向量和节点矩阵生成一个电路。

以下是生成量子电路的代码及解释

\# 这里 a 是邻接矩阵，x 是节点  
mols, _, _, a, x, _, _, _, _ = self.data.next\_train\_batch(self.batch_size)  
a = torch.from_numpy(a).to(self.device).long()  # 邻接矩阵。
x = torch.from_numpy(x).to(self.device).long()  # 节点。
\# "将标签索引转换为独热向量  
a\_tensor = self.label2onehot(a, self.b\_dim)  
x\_tensor = self.label2onehot(x, self.m\_dim)  
z = torch.stack(tuple(ibm\_sample\_list)).to(self.device).float()  
  
\# Z-to-target  
\#  计算假图像的损失。
edges\_logits, nodes\_logits = self.G(z)  
\# 用 Gumbel softmax 进行后处理  
(edges\_hat, nodes\_hat) = self.postprocess((edges\_logits, nodes\_logits), self.post_method)  
logits\_fake, features\_fake = self.D(edges\_hat, None, nodes\_hat)  
g\_loss\_fake = - torch.mean(logits_fake)  
  
\# 计算真图像的损失  
\# 真实奖励  
rewardR = torch.from_numpy(self.reward(mols)).to(self.device)  
\# 假图像奖励  
(edges\_hard, nodes\_hard) = self.postprocess((edges\_logits, nodes\_logits), 'hard_gumbel')  
edges\_hard, nodes\_hard = torch.max(edges\_hard, -1)\[1\], torch.max(nodes\_hard, -1)\[1\]  
mols = \[self.data.matrices2mol(n_.data.cpu().numpy(), e_.data.cpu().numpy(), strict=True)  
        for e_, n_ in zip(edges\_hard, nodes\_hard)\]  
rewardF = torch.from_numpy(self.reward(mols)).to(self.device)  
  
\# 价值损失  
value\_logit\_real,_ = self.V(a\_tensor, None, x\_tensor, torch.sigmoid)  
value\_logit\_fake,_ = self.V(edges\_hat, None, nodes\_hat, torch.sigmoid)  
g\_loss\_value = torch.mean((value\_logit\_real - rewardR) ** 2 + (  
                        value\_logit\_fake - rewardF) ** 2)

这段代码主要进行模型的推理和损失计算。首先从数据集中获取训练批次的数据，然后对生成器和判别器的输出进行处理，计算真假图像的损失和价值损失，并通过 Frechet 距离计算键和原子的距离损失，最后将这些损失存储在一个字典中。

分子评估
最后一步是通过 RDKit 评估所有分子，并输出评估结果。

结论

本文介绍了一种基于量子生成对抗网络的药物发现方法，通过量子电路和经典神经网络的结合，能够生成具有特定药物特性的分子。该方法在数据集上进行了训练和测试，取得了较好的结果。然而，该方法仍处于研究阶段，需要进一步的改进和优化。未来，可以通过增加数据集的规模、改进模型架构和优化算法等方式，提高模型的性能和泛化能力，为药物发现提供更有力的支持。