本发明属于药物筛选，具体地说是一种基于机器学习的多目标药物筛选与优化方法。
背景技术：
1、药物研发是一个复杂且耗时的过程，传统方法通常依赖于大量的实验筛选和验证，这不仅成本高昂，而且效率低下。随着机器学习技术的快速发展，其在药物筛选与优化领域的应用逐渐崭露头角。
2、然而，现有的基于机器学习的药物筛选方法往往只关注单一目标，如生物活性或药代动力学特性，而忽略了药物研发中的多目标优化需求；同时对于化合物的admet性质（吸收、分布、代谢、排泄、毒性）的预测也缺乏准确性和高效性，这限制了药物研发的成功率和效率。
3、为此，本领域技术人员提出了一种基于机器学习的多目标药物筛选与优化方法来解决背景技术提出的问题。
技术实现思路
1、为了解决上述技术问题，本发明提供一种基于机器学习的多目标药物筛选与优化方法，以解决现有技术中基于机器学习的药物筛选方法往往只关注单一目标，如生物活性或药代动力学特性，而忽略了药物研发中的多目标优化需求；同时对于化合物的admet性质（吸收、分布、代谢、排泄、毒性）的预测也缺乏准确性和高效性，这限制了药物研发的成功率和效率等问题。
2、一种基于机器学习的多目标药物筛选与优化方法，包括：
3、s1、利用机器学习算法对化合物分子描述符进行特征筛选，确定对生物活性影响最显著的分子描述符；
4、s2、构建定量结构-活性关系（qsar）模型，预测化合物的生物活性；
5、s3、基于多目标优化算法，结合化合物的吸收、分布、代谢、排泄、毒性（admet）性质，对药物候选化合物进行分类预测；
6、s4、根据qsar模型和admet性质分类预测结果，筛选和优化具有潜在药效和良好药代动力学特性的药物候选化合物。
7、优选的，在步骤s1中，所述机器学习算法包括灰色关联分析和遗传算法优化的bp神经网络中的一种。
8、优选的，在步骤s2中，所述qsar模型通过svr模型构建，用于预测化合物的生物活性，在进行模型构建时，引入svr模型的目标函数和约束条件公式，svr模型的目标函数通常包括一个正则化项和一个误差项，用于在拟合精度和模型复杂度之间找到平衡。
9、优选的，所述admet性质分类预测采用逻辑回归模型预测cyp3a4和微核（mn）特性，采用bp神经网络模型预测人体口服生物利用度（hob）特性，采用svr模型预测caco-2和herg特性。
10、优选的，所述多目标优化算法综合考虑药物的生物活性、admet性质和药代动力学特性，通过权重分配和迭代优化，筛选出最优药物候选化合物，所述多目标优化算法通过使用加权和方法将多目标优化问题转化为单目标优化问题。
11、优选的，在步骤s4中，所述筛选和优化具有潜在药效和良好药代动力学特性的药物候选化合物采用模拟退火算法，来优化药物候选化合物的筛选过程。
12、优选的，还包括利用信息熵理论对筛选出的分子描述符进行合理性验证，以及通过敏感性分析评估模型的稳定性和准确性。
13、优选的，一种基于机器学习的多目标优化药物筛选与优化系统，利用上述一种基于机器学习的多目标药物筛选与优化方法，包括：
14、机器学习算法模块，对化合物分子描述符进行特征筛选，确定对生物活性影响最显著的分子描述符；
15、定量结构-活性关系模型构建模块，用于预测化合物的生物活性；
16、多目标优化算法模块，结合化合物的吸收、分布、代谢、排泄、毒性（admet）性质，对药物候选化合物进行分类预测；
17、药物候选化合物筛选与优化模块，根据qsar模型和admet性质分类预测结果，筛选和优化具有潜在药效和良好药代动力学特性的药物候选化合物。
18、一种处理器，被配置成执行根据上述的基于机器学习的多目标药物筛选与优化方法。
19、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于机器学习的多目标药物筛选与优化方法。
20、与现有技术相比，本发明具有如下有益效果：
21、1、本发明通过机器学习算法对化合物分子描述符进行特征筛选，确定对生物活性影响最显著的分子描述符，从而缩小了筛选范围，提高了筛选效率。
22、2、本发明通过利用qsar模型预测化合物的生物活性，并结合admet性质分类预测，综合考虑多个目标进行优化，提高了药物筛选与优化的准确性和可靠性。
23、3、本发明通过多目标优化算法，综合考虑药物的生物活性、admet性质和药代动力学特性，筛选出最优药物候选化合物，提高了药物研发的成功率。
24、4、本方法减少了实验筛选和验证的次数，降低了药物研发的成本和时间。
25、5、本发明通过信息熵理论对筛选出的分子描述符进行合理性验证，以及敏感性分析评估模型的稳定性和准确性，进一步提升了方法的可靠性和实用性。
1.一种基于机器学习的多目标药物筛选与优化方法，其特征在于：包括：
2.如权利要求1所述一种基于机器学习的多目标药物筛选与优化方法，其特征在于：在步骤s1中，所述机器学习算法包括灰色关联分析和遗传算法优化的bp神经网络中的一种。
3.如权利要求1所述一种基于机器学习的多目标药物筛选与优化方法，其特征在于：所述admet性质分类预测采用逻辑回归模型预测cyp3a4和微核特性，采用bp神经网络模型预测人体口服生物利用度特性，采用svr模型预测caco-2和herg特性。
4.如权利要求1所述一种基于机器学习的多目标药物筛选与优化方法，其特征在于：所述多目标优化算法综合考虑药物的生物活性、admet性质和药代动力学特性，通过权重分配和迭代优化，筛选出最优药物候选化合物，所述多目标优化算法通过使用加权和方法将多目标优化问题转化为单目标优化问题。
5.如权利要求1所述一种基于机器学习的多目标药物筛选与优化方法，其特征在于：在步骤s4中，所述筛选和优化具有潜在药效和良好药代动力学特性的药物候选化合物采用模拟退火算法，来优化药物候选化合物的筛选过程。
6.如权利要求5所述一种基于机器学习的多目标药物筛选与优化方法，其特征在于：还包括利用信息熵理论对筛选出的分子描述符进行合理性验证，以及通过敏感性分析评估模型的稳定性和准确性。
7.一种基于机器学习的多目标优化药物筛选与优化系统，其特征在于：利用权利要求1-6任一所述一种基于机器学习的多目标药物筛选与优化方法，包括：
8.一种处理器，其特征在于：被配置成执行根据权利要求1至6中任一项所述的基于机器学习的多目标药物筛选与优化方法。
9.一种计算机可读存储介质，其特征在于：其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的基于机器学习的多目标药物筛选与优化方法。