本公開涉及人工智能，尤其涉及深度學習、生物計算等，尤其涉及一種抗體生成方法、裝置及電子設備。

背景技術：

1、目前的抗體生成方法主要有幾種。一種是基于抗體中的單個氨基酸序列，生成新的氨基酸序列，進而得到新的抗體。另一種是基于抗體中單個氨基酸序列對應的構象數(shù)據(jù)，生成新的構象數(shù)據(jù)，進而得到新的抗體。

2、其中，上述的抗體生成方法，未考慮抗體中的多鏈交互信息，導致抗體生成的效率較差。

技術實現(xiàn)思路

1、本公開提供了一種抗體生成方法、裝置及電子設備。

2、根據(jù)本公開的一方面，提供了一種抗體生成方法，所述方法包括：獲取參考抗體的參考抗體序列，以及所述參考抗體對應的參考抗原的參考抗原序列；根據(jù)所述參考抗體序列以及所述參考抗原序列，確定抗體抗原特征向量；根據(jù)所述抗體抗原特征向量，確定目標抗體序列；根據(jù)所述目標抗體序列，確定所述參考抗體對應的目標抗體。

3、根據(jù)本公開的另一方面，提供了一種抗體生成方法，所述方法包括：獲取初始的抗體生成模型；所述抗體生成模型包括，依次連接的特征提取網(wǎng)絡以及特征預測網(wǎng)絡；獲取所述抗體生成模型的訓練數(shù)據(jù)；所述訓練數(shù)據(jù)包括樣本抗體的樣本抗體序列、所述樣本抗體對應的樣本抗原的樣本抗原序列、以及所述樣本抗體序列對應的相似樣本抗體序列；將所述樣本抗體序列以及所述樣本抗原序列輸入依次連接的所述特征提取網(wǎng)絡以及所述特征預測網(wǎng)絡，獲取所述特征預測網(wǎng)絡輸出的預測抗體序列；根據(jù)所述預測抗體序列以及所述相似樣本抗體序列，對所述抗體生成模型進行參數(shù)調(diào)整處理，實現(xiàn)訓練。

4、根據(jù)本公開的另一方面，提供了一種抗體生成裝置，所述裝置包括：第一獲取模塊，用于獲取參考抗體的參考抗體序列，以及所述參考抗體對應的參考抗原的參考抗原序列；第一確定模塊，用于根據(jù)所述參考抗體序列以及所述參考抗原序列，確定抗體抗原特征向量；第二確定模塊，用于根據(jù)所述抗體抗原特征向量，確定目標抗體序列；第三確定模塊，用于根據(jù)所述目標抗體序列，確定所述參考抗體對應的目標抗體。

5、根據(jù)本公開的另一方面，提供了一種抗體生成裝置，所述裝置包括：第一獲取模塊，用于獲取初始的抗體生成模型；所述抗體生成模型包括，依次連接的特征提取網(wǎng)絡以及特征預測網(wǎng)絡；第二獲取模塊，用于獲取所述抗體生成模型的訓練數(shù)據(jù)；所述訓練數(shù)據(jù)包括樣本抗體的樣本抗體序列、所述樣本抗體對應的樣本抗原的樣本抗原序列、以及所述樣本抗體序列對應的相似樣本抗體序列；第三獲取模塊，用于將所述樣本抗體序列以及所述樣本抗原序列輸入依次連接的所述特征提取網(wǎng)絡以及所述特征預測網(wǎng)絡，獲取所述特征預測網(wǎng)絡輸出的預測抗體序列；訓練模塊，用于根據(jù)所述預測抗體序列以及所述相似樣本抗體序列，對所述抗體生成模型進行參數(shù)調(diào)整處理，實現(xiàn)訓練。

6、根據(jù)本公開的另一方面，提供了一種電子設備，包括：至少一個處理器；以及與所述至少一個處理器通信連接的存儲器；其中，所述存儲器存儲有可被所述至少一個處理器執(zhí)行的指令，所述指令被所述至少一個處理器執(zhí)行，以使所述至少一個處理器能夠執(zhí)行本公開上述提出的抗體生成方法；或者，執(zhí)行本公開上述提出的抗體生成模型的訓練方法。

7、根據(jù)本公開的另一方面，提供了一種存儲有計算機指令的非瞬時計算機可讀存儲介質(zhì)，所述計算機指令用于使計算機執(zhí)行本公開上述提出的抗體生成方法；或者，執(zhí)行本公開上述提出的抗體生成模型的訓練方法。

8、根據(jù)本公開的另一方面，提供了一種計算機程序產(chǎn)品，包括計算機程序，所述計算機程序在被處理器執(zhí)行時實現(xiàn)本公開上述提出的抗體生成方法的步驟；或者，實現(xiàn)本公開上述提出的抗體生成模型的訓練方法。

9、應當理解，本部分所描述的內(nèi)容并非旨在標識本公開的實施例的關鍵或重要特征，也不用于限制本公開的范圍。本公開的其它特征將通過以下的說明書而變得容易理解。

技術特征：

1.一種抗體生成方法，所述方法包括：

2.根據(jù)權利要求1所述的方法，其中，所述根據(jù)所述參考抗體序列以及所述參考抗原序列，確定抗體抗原特征向量，包括：

3.根據(jù)權利要求1所述的方法，其中，所述方法還包括：

4.根據(jù)權利要求1所述的方法，其中，所述方法還包括：

5.根據(jù)權利要求4所述的方法，其中，獲取所述參考抗體序列對應的多個候選抗體序列，包括：

6.根據(jù)權利要求4所述的方法，其中，獲取所述參考抗原序列對應的多個候選抗原序列，包括：

7.根據(jù)權利要求4所述的方法，其中，根據(jù)所述抗體抗原特征向量、所述多個候選抗體序列和所述多個候選抗原序列，確定所述目標抗體序列，包括：

8.根據(jù)權利要求7所述的方法，其中，所述參考抗體序列中包括，多個位點，以及每個位點上的氨基酸類別；所述特征預測結果中包括，所述多個位點中每個位點上多個氨基酸類別的預測概率；

9.一種抗體生成模型的訓練方法，所述方法包括：

10.一種抗體生成裝置，所述裝置包括：

11.根據(jù)權利要求10所述的裝置，其中，所述第一確定模塊具體用于，

12.根據(jù)權利要求10所述的裝置，其中，所述裝置還包括：第二獲取模塊，用于獲取所述參考抗體序列中主氨基酸序列對應的第一構象坐標信息，和/或，獲取所述參考抗原序列中所有氨基酸序列對應的第二構象坐標信息；

13.根據(jù)權利要求10所述的裝置，其中，所述裝置還包括：第三獲取模塊，用于獲取所述參考抗體序列對應的多個候選抗體序列，和/或，獲取所述參考抗原序列對應的多個候選抗原序列；

14.根據(jù)權利要求13所述的裝置，其中，所述第三獲取模塊具體用于，

15.根據(jù)權利要求13所述的裝置，其中，所述第三獲取模塊具體用于，

16.根據(jù)權利要求13所述的裝置，其中，所述第二確定模塊包括，第一確定單元、預測處理單元和第二確定單元；

17.根據(jù)權利要求16所述的裝置，其中，所述參考抗體序列中包括，多個位點，以及每個位點上的氨基酸類別；所述特征預測結果中包括，所述多個位點中每個位點上多個氨基酸類別的預測概率；所述第二確定單元具體用于，

18.一種抗體生成模型的訓練裝置，所述裝置包括：

19.一種電子設備，包括：

20.一種存儲有計算機指令的非瞬時計算機可讀存儲介質(zhì)，其中，所述計算機指令用于使所述計算機執(zhí)行根據(jù)權利要求1至8中任一項所述的方法；或者，執(zhí)行根據(jù)權利要求9所述的方法。

21.一種計算機程序產(chǎn)品，包括計算機程序，所述計算機程序在被處理器執(zhí)行時實現(xiàn)根據(jù)權利要求1至8中任一項所述的方法；或者，實現(xiàn)根據(jù)權利要求9所述的方法。

技術總結
本公開提供了抗體生成方法、裝置及電子設備，涉及人工智能技術領域，尤其涉及深度學習、生物計算技術領域。具體實現(xiàn)方案為：獲取參考抗體的參考抗體序列，以及參考抗體對應的參考抗原的參考抗原序列；根據(jù)參考抗體序列以及參考抗原序列，確定抗體抗原特征向量；根據(jù)抗體抗原特征向量，確定目標抗體序列；根據(jù)目標抗體序列，確定參考抗體對應的目標抗體；其中，抗體抗原特征向量的確定過程中，綜合考慮了參考抗體與參考抗原之間的交互信息，從而確保生成的目標抗體與參考抗原能夠結合以發(fā)揮免疫作用，確保生成的目標抗體相對于參考抗體在指標上的優(yōu)化效果，提高生成的目標抗體的準確度。

技術研發(fā)人員：胡靖,方曉敏,張肖男
受保護的技術使用者：北京百度網(wǎng)訊科技有限公司
技術研發(fā)日：
技術公布日：2024/8/20