特征量计算方法、筛选方法及化合物创建方法与流程

本发明涉及一种药物发现支持技术，尤其涉及一种特征量的计算、医药候选化合物的筛选及医药候选化合物的立体结构的创建。

背景技术：

1、以往，使用了计算机的药物研发中，通过准备收集数万到十万左右的现有的化合物而成的文库且提供化合物的结构式来调查相对于1个目标蛋白质的键合力，搜索医药候选化合物(以下，称为“命中(hit)”)。例如，在下述专利文献1中，提供化合物的结构式来预测键合力。并且，在专利文献2中，也记载有重复进行结构式的生成和键合力的预测来逐渐搜索具有所期望的键合力的化合物(重复试验)。

2、并且，在专利文献3中，记载有使用被称为“化合物指纹(指纹识别)”的描述符来进行搜索。“描述符”是指由化合物的结构式获得的信息，“化合物指纹”表示各种官能团的有无等信息。这种描述符的特征在于“若化合物的描述符相似，则化合物的骨架相似”。

3、并且，关于具有所期望的物理特性值的化合物的结构的搜索，以往主要通过解决“正向问题”(提供作为问题的原因的分子结构来求出作为结果的物理特性值)来进行，但是随着近年来信息学的发展，针对“反向问题”(提供物理特性值来求出具有其物理特性值的分子结构)的解法的研究正在迅速推进。关于基于解决反向问题的结构的搜索，例如已知有非专利文献1。

4、现有技术文献

5、专利文献

6、专利文献1：美国专利第9373059号公报

7、专利文献2：日本专利第5946045号公报

8、专利文献3：日本专利第4564097号公报

9、非专利文献

10、非专利文献1：“bayesian molecular design with a chemical language：用化学语言进行贝叶斯分子设计”、hisaki ikebata等、[2020年7月17日检索]、互联网(https://www.ncbi.nlm.nih.gov/pubmed/28281211)

技术实现思路

1、发明要解决的技术课题

2、近年来，需求高的目标蛋白质变得较复杂且高难度，仅通过文库的筛选难以发现命中。另一方面，化合物的理论上的数量即使限制在分子量为500以下的低分子也有(10的60次方)个，当扩大至分子量为1,000左右的中分子时，其数量进一步增加，若考虑有史以来所合成的化合物为(10的9次方)个左右，则仍然有可能发现命中。但是，针对这种天文数字量的化合物整体调查键合力，不仅在实验中，即使在模拟中也几乎无法进行。即使在相对于一部分的化合物调查键合力的情况下，如上所述专利文献1、2那样重复进行重复试验时效率也低。并且，在如专利文献3中所记载的指纹(fingerprint)那样的现有的描述符(特征量)的情况下，即使为显示出相同药效的化合物，其特征量也并不一定相似，特征量未准确表示对象结构体的化学性质，因此使用了特征量的搜索的效率低。

3、并且，在上述非专利文献1中所记载的iqspr(inverse quantitative structure-property relationship：逆定量结构性质关系)中，由于结构更新的算法(基于贝叶斯估计的粒子滤波器)，存在搜索效率立即降低等问题。具体而言，在基于贝叶斯估计的结构更新中，物理特性值接近目标值，但是搜索用结构多样性减少，搜索陷入局部极小值，即使重复进行试验，也无法轻易脱离局部极小值状态(无法到达最终结构)。

4、如此，在现有的技术中，特征量未准确表示对象结构体的化学性质，因此使用了特征量的筛选和立体结构创建的效率低。

5、本发明是鉴于这种情况而完成的，其目的在于，提供一种能够计算出准确表示对象结构体的化学性质的特征量的特征量计算方法。并且，本发明的目的在于，提供一种能够使用特征量来有效进行医药候选化合物的筛选的筛选方法。并且，本发明的目的在于，提供一种能够使用特征量来有效创建医药候选化合物的立体结构的化合物创建方法。

6、用于解决技术课题的手段

7、为了达到上述目的，本发明的第1方式所涉及的特征量计算方法具有：对象结构体指定工序，指定由具有化学性质的多个单元结构体构成的对象结构体；立体结构获取工序，针对对象结构体获取基于多个单元结构体的立体结构；及探针特征量计算工序，计算出表示相对于对象结构体的1种以上的探针的截面积的特征量，探针为具有实数电荷且产生范德华力的多个点分开配置的结构体。

8、对象结构体的化学性质被表示为对象结构体与其周围的1种以上的探针之间的相互作用的结果，因此在对象结构体彼此之间表示截面积的特征量相似是表示这些对象结构体的化学性质相似的情况。即，通过第1方式计算出的特征量相似的对象结构体显示出相似的化学性质。因此，通过第1方式，能够计算出准确表示对象结构体的化学性质的特征量。另外，在第1方式及以下各方式中，“截面积”包含有散射截面积(微分散射截面积)、反应截面积、吸收截面积。

9、第2方式所涉及的特征量计算方法在第1方式中，在探针特征量计算工序中，计算出截面积、或最近距离及散射角作为特征量。第2方式具体规定第1方式中的“表示截面积的特征量”。

10、第3方式所涉及的特征量计算方法在第1或第2方式中，在探针特征量计算工序中，计算出取决于探针的种类、数量、组合、碰撞直径及入射能量的特征量作为特征量。

11、第4方式所涉及的特征量计算方法在第1至第3方式中的任一个中，在立体结构获取工序中，通过生成所指定的对象结构体的立体结构来进行获取。

12、第5方式所涉及的特征量计算方法在第1至第4方式中的任一个中，在对象结构体指定工序中，指定化合物作为对象结构体，在立体结构获取工序中，获取基于作为多个单元结构体的多个原子的化合物的立体结构，在探针特征量计算工序中，针对在立体结构获取工序中所获取的化合物，将氨基酸作为探针计算出第1特征量。在第5方式中，将第1方式中的“探针”设为氨基酸，将第1方式中的“对象结构体”设为化合物，将第1方式中的“多个单元结构体”设为多个原子。另外，对聚集程度进行定量化的氨基酸并不限于1种，可以为键合有2种以上的氨基酸的肽。

13、第6方式所涉及的特征量计算方法在第5方式中，还具有不变量化工序，使第1特征量针对化合物的旋转不变量化来计算出第1不变量化特征量。在第6方式中，使第1特征量针对化合物的旋转不变量化，因此能够容易处理特征量，并且能够减小数据容量。关于第1特征量的不变量化，能够通过电势的角度平均来进行。

14、第7方式所涉及的特征量计算方法在第6方式中，在探针特征量计算工序中，针对2种不同的氨基酸计算出第1特征量，在不变量化工序中，使用针对2种不同的氨基酸的第1特征量来计算出第1不变量化特征量。根据第7方式，能够在第1不变量化特征量的计算中，通过使用针对2种不同的氨基酸的第1特征量来在维持氨基酸的相互作用的信息的同时进行不变量化，因此能够正确进行基于特征量(第1不变量化特征量)的化合物的比较(药效判定)。

15、第8方式所涉及的特征量计算方法在第1至第4方式中的任一个中，在对象结构体指定工序中，指定与作为目标蛋白质的活性部位的口袋键合的口袋结构体作为对象结构体，在立体结构获取工序中，获取基于多个虚拟球体的口袋结构体的立体结构，在探针特征量计算工序中，针对在立体结构获取工序中所获取的口袋结构体，将氨基酸作为探针计算出第2特征量。在第8方式中，将第1方式中的“探针”设为氨基酸，将第1方式中的“对象结构体”设为口袋结构体，将第1方式中的“单元结构体”设为多个虚拟球体。目标蛋白质的“活性部位”是指通过口袋结构体的键合而目标蛋白质的活性被促进或者抑制的部位，能够认为“虚拟球体”具有范德华半径、电荷等化学性质。

16、在上述第5方式中，计算出相对于所提供的化合物的氨基酸的聚集程度，相对于此，在第8方式中，计算出表示相对于与所提供的目标蛋白质的口袋键合的口袋结构体的氨基酸的截面积的特征量(第2特征量)。第8方式所涉及的特征量相似的口袋结构体显示出相似的化学性质，因此通过第8方式，能够计算出准确表示口袋结构体的化学性质的特征量。另外，口袋结构体对应于与目标蛋白质的口袋键合的化合物。并且，在第8方式中，能够将基于目标蛋白质的立体结构的实际测量结果、口袋的位置信息等的模拟用于第2特征量的计算中。另外，关于目标蛋白质的立体结构，只要为能够识别氨基酸的各残基的解像力的立体结构，则不限定测定技术(x射线晶体结构、nmr结构(nmr：nuclear magnetic resonance：核磁共振)、低温tem结构(tem：transmission electron microscopy：透射电子显微镜)等)。

17、第9方式所涉及的特征量计算方法在第8方式中，还具有不变量化工序，使第2特征量针对口袋结构体的旋转不变量化来计算出第2不变量化特征量。根据第9方式，与第6方式相同地，能够容易处理特征量，并且能够减小数据容量。关于第2特征量的不变量化，与第6方式相同地，能够通过电势的角度平均来进行。

18、第10方式所涉及的特征量计算方法在第9方式中，在探针特征量计算工序中，针对2种不同的氨基酸计算出第2特征量，在不变量化工序中，使用针对2种不同的氨基酸的第2特征量来计算出第2不变量化特征量。根据第10方式，能够在第2不变量化特征量的计算中，通过使用针对2种不同的氨基酸的第2特征量来在维持氨基酸的相互作用的信息的同时进行不变量化，因此能够正确进行基于特征量(第2不变量化特征量)的化合物的比较(药效判定)。

19、第11方式所涉及的特征量计算方法在第1至第4方式中的任一个中，在对象结构体指定工序中，指定化合物作为对象结构体，在立体结构获取工序中，生成基于多个原子的化合物的立体结构，在探针特征量计算工序中，针对在立体结构获取工序中所获取的化合物的立体结构，将1种以上的核酸碱基、1种以上的脂质分子、1种以上的单糖分子、水、1种以上的离子中的1个以上作为探针计算出第3特征量。在第11方式中，将第1方式中的“探针”设为1种以上的核酸碱基等(可以为任意种类、数量、组合)，将第1方式中的“对象结构体”设为化合物，将第1方式中的“多个单元结构体”设为多个原子。另外，离子可以为单原子离子，也可以为由多原子构成的离子。

20、第12方式所涉及的特征量计算方法在第11方式中，还具有不变量化工序，使第3特征量针对化合物的旋转不变量化来计算出第3不变量化特征量。根据第12方式，与第6、第9方式相同地，能够容易处理特征量，并且能够减小数据容量。关于第3特征量的不变量化，与第6、第9方式相同地，能够通过电势的角度平均来进行。

21、为了达到上述目的，本发明的第13方式所涉及的筛选方法从多个化合物提取与目标蛋白质键合的第1目标化合物和/或不与目标蛋白质键合的第2目标化合物，所述筛选方法具有：存储工序，针对多个化合物的每一个，将基于多个原子的化合物的立体结构与使用第5方式所涉及的特征量计算方法计算出的针对化合物的立体结构的第1特征量建立关联并进行存储；筛选特征量计算工序，计算出针对作为确认到与目标蛋白质的键合的化合物的配体的第1特征量；相似度计算工序，计算出针对多个化合物的第1特征量与针对配体的第1特征量的相似度；及化合物提取工序，根据相似度从多个化合物提取第1目标化合物和/或第2目标化合物。如第5方式的上述内容，若配体和对象化合物的第1特征量相似，则两者的药效相似。因此，根据第13方式，根据第1特征量提取与配体的药效相似的目标化合物(第1目标化合物和/或第2目标化合物)，能够有效进行医药候选化合物的筛选。

22、为了达到上述目的，本发明的第14方式所涉及的筛选方法从多个化合物提取与目标蛋白质键合的第1目标化合物和/或不与目标蛋白质键合的第2目标化合物，所述筛选方法具有：存储工序，针对多个化合物的每一个，将基于多个原子的化合物的立体结构与使用第6方式所涉及的特征量计算方法计算出的针对化合物的立体结构的第1不变量化特征量建立关联并进行存储；筛选特征量计算工序，计算出针对作为确认到与目标蛋白质的键合的化合物的配体的第1不变量化特征量；相似度计算工序，计算出针对多个化合物的第1不变量化特征量与针对配体的第1不变量化特征量的相似度；及化合物提取工序，根据相似度从多个化合物提取第1目标化合物和/或第2目标化合物。在计算出针对配体的特征量的方面，第14方式与第13方式共通，在第14方式中，根据第1不变量化特征量的相似度提取与配体的药效相似的目标化合物(第1目标化合物和/或第2目标化合物)，能够有效进行医药候选化合物的筛选。

23、为了达到上述目的，本发明的第15方式所涉及的筛选方法从多个化合物提取与目标蛋白质键合的第1目标化合物和/或不与目标蛋白质键合的第2目标化合物，所述筛选方法具有：存储工序，针对多个化合物的每一个，将基于多个原子的化合物的立体结构与使用第5方式所涉及的特征量计算方法计算出的第1特征量建立关联并进行存储；筛选特征量计算工序，使用第8方式所涉及的特征量计算方法计算出针对目标蛋白质的口袋结构体的第2特征量；相似度计算工序，计算出针对多个化合物的第1特征量与针对口袋结构体的第2特征量的相似度；及化合物提取工序，根据相似度从多个化合物提取第1目标化合物和/或第2目标化合物。

24、如第8方式的上述内容，若口袋结构体和对象化合物的第2特征量相似，则两者的化学性质相似。因此，根据第15方式，提取与口袋结构体的化学性质相似的目标化合物(第1目标化合物和/或第2目标化合物)，能够有效进行医药候选化合物的筛选。另外，口袋结构体对应于与目标蛋白质键合的化合物，因此能够将针对口袋结构体的特征量(第2特征量)和针对化合物的特征量(第1特征量)进行对比，并能够计算出相似度。

25、为了达到上述目的，本发明的第16方式所涉及的筛选方法从多个化合物提取与目标蛋白质键合的第1目标化合物和/或不与目标蛋白质键合的第2目标化合物，所述筛选方法具有：存储工序，针对多个化合物的每一个，将基于多个原子的化合物的立体结构与使用第6方式所涉及的特征量计算方法计算出的第1不变量化特征量建立关联并进行存储；筛选特征量计算工序，使用第9方式所涉及的特征量计算方法计算出针对目标蛋白质的口袋结构体的第2不变量化特征量；相似度计算工序，计算出针对多个化合物的第1不变量化特征量与针对口袋结构体的第2不变量化特征量的相似度；及化合物提取工序，根据相似度从多个化合物提取第1目标化合物和/或第2目标化合物。在第16方式中，使用第1、第2不变量化特征量来提取与口袋结构体的化学性质相似的目标化合物(第1目标化合物和/或第2目标化合物)，能够有效进行医药候选化合物的筛选。另外，与第15方式的上述内容相同地，能够将针对口袋结构体的特征量(第2不变量化特征量)和针对化合物的特征量(第1不变量化特征量)进行对比，并能够计算出相似度。

26、为了达到上述目的，本发明的第17方式所涉及的筛选方法从多个化合物提取与除了蛋白质以外的目标生物高分子键合的目标化合物，所述筛选方法具有：存储工序，针对多个化合物的每一个，将基于多个原子的化合物的立体结构与使用第11方式所涉及的特征量计算方法计算出的针对化合物的立体结构的第3特征量建立关联并进行存储；特征量计算工序，针对作为确认到与除了蛋白质以外的目标生物高分子键合的化合物的键合化合物计算出第3特征量；相似度计算工序，计算出针对多个化合物的第3特征量与针对键合化合物的第3特征量的相似度；及化合物提取工序，根据相似度从多个化合物提取目标化合物。如第11方式的上述内容，本发明能够使用作为除了蛋白质以外的目标生物高分子的dna等，若与目标生物高分子键合的键合化合物和对象化合物的第3特征量相似，则两者的药效相似。因此，根据第17方式，根据第3特征量提取与键合化合物的药效相似的目标化合物，能够有效进行医药候选化合物的筛选。

27、另外，在第13～第17方式中，在化合物提取工序中，能够提取相似度为阈值以上的化合物。关于阈值，能够根据筛选的目的、精度等条件来进行设定，也可以根据由用户指定的值来进行设定。并且，在第13～第17方式中，在化合物提取工序中，能够以相似度高到低的顺序提取化合物。通过这种提取，能够有效进行医药候选化合物的筛选。

28、为了达到上述目的，本发明的第18方式所涉及的化合物创建方法从多个化合物创建与目标蛋白质键合的目标化合物的立体结构，所述化合物创建方法具有：存储工序，针对多个化合物的每一个，将基于多个原子的化合物的立体结构与使用第5方式所涉及的特征量计算方法计算出的第1特征量建立关联并进行存储；创建特征量计算工序，针对作为确认到与目标蛋白质的键合的化合物的配体计算出第1特征量；生成器构建工序，通过将多个化合物的立体结构设为训练数据且将第1特征量设为解释变量的机器学习来构建生成器；及化合物立体结构生成工序，使用生成器从配体的第1特征量生成目标化合物的立体结构。

29、在上述第13至第17方式所涉及的筛选方法中，从结构式已确定(已被写下)的多个化合物中发现与配体或者目标蛋白质匹配的化合物。因此，采用在计算出化合物的特征量之后，根据另外计算出的与配体或者目标蛋白质的口袋结构体的特征量的相似度提取化合物的方法即检索的方法。因此，只要预先记录化合物的结构式与特征量的对应关系，则能够发现相似度高的(或者阈值以上的)结构式。相对于此，在第18方式中，生成具有与配体的特征量(第1特征量)相似的(因此，药效相似的)特征量的化合物的结构式而不进行检索。

30、关于在提供特征量的情况下的结构式的生成，能够使用通过机器学习所构建的生成器来进行。具体而言，在第18方式中，通过将化合物的立体结构设为训练数据且将第1特征量设为解释变量的机器学习(学习方法并无特别限定)来构建生成器，并使用该生成器，从配体的第1特征量生成目标化合物的立体结构。在第18方式中，由于不进行检索，因此即使在成为“基于筛选的检索的结果为无解”的情况下也能够生成化合物的立体结构，从而能够有效创建医药候选化合物的立体结构。

31、另外，在第18方式中所生成的立体结构受到作为训练数据所提供的化合物的特征的影响。因此，通过选择作为训练数据所提供的化合物的特征，能够生成具有不同特征的立体结构的化合物。例如，通过提供容易合成的化合物作为训练数据，能够生成具有容易合成的立体结构的化合物。

32、为了达到上述目的，本发明的第19方式所涉及的化合物创建方法从多个化合物创建与目标蛋白质键合的目标化合物的立体结构，所述化合物创建方法具有：存储工序，针对多个化合物的每一个，将基于多个原子的化合物的立体结构与使用第6方式所涉及的特征量计算方法计算出的第1不变量化特征量建立关联并进行存储；创建特征量计算工序，针对作为确认到与目标蛋白质的键合的化合物的配体计算出第1不变量化特征量；生成器构建工序，通过将多个化合物的立体结构设为训练数据且将第1不变量化特征量设为解释变量的机器学习来构建生成器；及化合物立体结构生成工序，使用生成器从配体的第1不变量化特征量生成目标化合物的立体结构。在第19方式中，与第18方式相同地，生成具有与配体的特征量(第1不变量化特征量)相似的(因此，药效相似的)特征量的化合物的结构式而不进行检索，因此能够有效创建医药候选化合物的立体结构。另外，与第18方式相同地，通过选择作为训练数据所提供的化合物的特征，能够生成具有不同特征的立体结构的化合物。

33、为了达到上述目的，本发明的第20方式所涉及的化合物创建方法从多个化合物创建与目标蛋白质键合的目标化合物的立体结构，所述化合物创建方法具有：存储工序，针对多个化合物的每一个，与使用第5方式所涉及的特征量计算方法计算出的第1特征量建立关联并进行存储；创建特征量计算工序，使用第8方式所涉及的特征量计算方法针对目标蛋白质的口袋结构体计算出第2特征量；生成器构建工序，通过将多个化合物的立体结构设为训练数据且将第1特征量设为解释变量的机器学习来构建生成器；及化合物立体结构生成工序，使用生成器从口袋结构体的第2特征量生成目标化合物的立体结构。根据第20方式，与第18、第19方式相同地，生成具有与口袋结构体的特征量(第2特征量)相似的(因此，药效相似的)特征量的化合物的结构式而不进行检索，因此能够有效创建医药候选化合物的立体结构。另外，与第18、第19方式相同地，通过选择作为训练数据所提供的化合物的特征，能够生成具有不同特征的立体结构的化合物。

34、为了达到上述目的，本发明的第21方式所涉及的化合物创建方法从多个化合物创建与目标蛋白质键合的目标化合物的立体结构，所述化合物创建方法具有：存储工序，针对多个化合物的每一个，与使用第6方式所涉及的特征量计算方法计算出的第1不变量化特征量建立关联并进行存储；创建特征量计算工序，使用第9方式所涉及的特征量计算方法针对目标蛋白质的口袋结构体计算出第2不变量化特征量；生成器构建工序，通过将多个化合物的立体结构设为训练数据且将第1不变量化特征量设为解释变量的机器学习来构建生成器；及化合物立体结构生成工序，使用生成器从口袋结构体的第2不变量化特征量生成目标化合物的立体结构。根据第21方式，与第18至第20方式相同地，生成具有与口袋结构体的特征量(第2不变量化特征量)相似的(因此，药效相似的)特征量的化合物的结构式而不进行检索，因此能够有效创建医药候选化合物的立体结构。另外，与第18至第20方式相同地，通过选择作为训练数据所提供的化合物的特征，能够生成具有不同特征的立体结构的化合物。

35、为了达到上述目的，本发明的第22方式所涉及的化合物创建方法从多个化合物创建与除了蛋白质以外的目标生物高分子键合的目标化合物的立体结构，所述化合物创建方法具有：存储工序，针对多个化合物的每一个，将基于多个原子的化合物的立体结构与使用第11方式所涉及的特征量计算方法计算出的第3特征量建立关联并进行存储；创建特征量计算工序，针对作为确认到与除了蛋白质以外的目标生物高分子的键合的化合物的键合化合物计算出第3特征量；生成器构建工序，通过将多个化合物的立体结构设为训练数据且将第3特征量设为解释变量的机器学习来构建生成器；及化合物立体结构生成工序，使用生成器从键合化合物的第3特征量生成目标化合物的立体结构。根据第22方式，与第18至第21方式相同地，生成具有与键合化合物的特征量(第3特征量)相似的(因此，药效相似的)特征量的化合物的结构式而不进行检索，因此能够有效创建医药候选化合物的立体结构。另外，与第18至第21方式相同地，通过选择作为训练数据所提供的化合物的特征，能够生成具有不同特征的立体结构的化合物。

36、为了达到上述目的，本发明的第23方式所涉及的化合物创建方法创建出与目标蛋白质键合的目标化合物的立体结构，所述化合物创建方法具有：输入工序，输入一个或多个化合物的化学结构、使用第5方式所涉及的特征量计算方法计算出的针对化学结构的第1特征量及作为第1特征量的目标值的针对作为确认到与目标化合物的键合的化合物的配体的第1特征量；候选结构获取工序，使化学结构发生变化并获取候选结构；创建特征量计算工序，针对候选结构，使用第5方式所涉及的特征量计算方法计算出第1特征量；候选结构采用工序，采用或放弃候选结构，其中，进行根据通过化学结构的变化而候选结构的第1特征量是否接近目标值来判断是否采用候选结构的第1采用处理，在通过第1采用处理未采用候选结构的情况下，进行根据通过化学结构的变化而由化学结构及候选结构构成的结构组的结构多样性是否增加来判断是否采用候选结构的第2采用处理，在通过第1采用处理及第2采用处理未采用候选结构的情况下，进行放弃化学结构的变化而返回到进行变化之前的化学结构的放弃处理；及控制工序，直至满足结束条件为止，重复进行输入工序、候选结构获取工序、创建特征量计算工序及候选结构采用工序中的处理。

37、在第23方式所涉及的化合物创建方法中，根据结构多样性促进从局部极小值的脱离，能够有效搜索具有所期望的物理特性值(第1特征量的目标值)的化合物的结构。并且，在第23方式中，由于与第18方式相同地不进行检索，因此即使在成为“基于筛选的检索的结果为无解”的情况下也能够生成化合物(特征量与配体的特征量(第1特征量)相似，因此药效相似的化合物)的立体结构，从而能够有效创建医药候选化合物的立体结构。

38、为了达到上述目的，本发明的第24方式所涉及的化合物创建方法创建出与目标蛋白质键合的目标化合物的立体结构，所述化合物创建方法具有：输入工序，输入一个或多个化合物的化学结构、使用第6方式所涉及的特征量计算方法计算出的针对化学结构的第1不变量化特征量及作为第1不变量化特征量的目标值的针对作为确认到与目标化合物的键合的化合物的配体的第1不变量化特征量；候选结构获取工序，使化学结构发生变化并获取候选结构；创建特征量计算工序，针对候选结构，使用第6方式所涉及的特征量计算方法计算出第1不变量化特征量；候选结构采用工序，采用或放弃候选结构，其中，进行根据通过化学结构的变化而候选结构的第1不变量化特征量是否接近目标值来判断是否采用候选结构的第1采用处理，在通过第1采用处理未采用候选结构的情况下，进行根据通过化学结构的变化而由化学结构及候选结构构成的结构组的结构多样性是否增加来判断是否采用候选结构的第2采用处理，在通过第1采用处理及第2采用处理未采用候选结构的情况下，进行放弃化学结构的变化而返回到进行变化之前的化学结构的放弃处理；及控制工序，直至满足结束条件为止，重复进行输入工序、候选结构获取工序、创建特征量计算工序及候选结构采用工序中的处理。在第24方式中，也与第23方式相同地，能够有效搜索具有所期望的物理特性值(第1不变量化特征量的目标值)的化合物的结构，并且能够有效创建医药候选化合物的立体结构。

39、为了达到上述目的，本发明的第25方式所涉及的化合物创建方法创建出与目标蛋白质键合的目标化合物的立体结构，所述化合物创建方法具有：输入工序，输入一个或多个化合物的化学结构、使用第8方式所涉及的特征量计算方法计算出的针对化学结构的第2特征量及作为第2特征量的目标值的针对确认到与作为目标蛋白质的活性部位的口袋的键合的口袋结构体的第2特征量；候选结构获取工序，使化学结构发生变化并获取候选结构；创建特征量计算工序，针对候选结构，使用第8方式所涉及的特征量计算方法计算出第2特征量；候选结构采用工序，采用或放弃候选结构，其中，进行根据通过化学结构的变化而候选结构的第2特征量是否接近目标值来判断是否采用候选结构的第1采用处理，在通过第1采用处理未采用候选结构的情况下，进行根据通过化学结构的变化而由化学结构及候选结构构成的结构组的结构多样性是否增加来判断是否采用候选结构的第2采用处理，在通过第1采用处理及第2采用处理未采用候选结构的情况下，进行放弃化学结构的变化而返回到进行变化之前的化学结构的放弃处理；及控制工序，直至满足结束条件为止，重复进行输入工序、候选结构获取工序、创建特征量计算工序及候选结构采用工序中的处理。在第25方式中，也与第23、第24方式相同地，能够有效搜索具有所期望的物理特性值(第2特征量的目标值)的化合物的结构，并且能够有效创建医药候选化合物的立体结构。

40、为了达到上述目的，本发明的第26方式所涉及的化合物创建方法创建出与目标蛋白质键合的目标化合物的立体结构，所述化合物创建方法具有：输入工序，输入一个或多个化合物的化学结构、使用第9方式所涉及的特征量计算方法计算出的针对化学结构的第2不变量化特征量及作为第2不变量化特征量的目标值的针对确认到与作为目标蛋白质的活性部位的口袋的键合的口袋结构体的第2不变量化特征量；候选结构获取工序，使化学结构发生变化并获取候选结构；创建特征量计算工序，针对候选结构，使用第9方式所涉及的特征量计算方法计算出第2不变量化特征量；候选结构采用工序，采用或放弃候选结构，其中，进行根据通过化学结构的变化而候选结构的第2不变量化特征量是否接近目标值来判断是否采用候选结构的第1采用处理，在通过第1采用处理未采用候选结构的情况下，进行根据通过化学结构的变化而由化学结构及候选结构构成的结构组的结构多样性是否增加来判断是否采用候选结构的第2采用处理，在通过第1采用处理及第2采用处理未采用候选结构的情况下，进行放弃化学结构的变化而返回到进行变化之前的化学结构的放弃处理；及控制工序，直至满足结束条件为止，重复进行输入工序、候选结构获取工序、创建特征量计算工序及候选结构采用工序中的处理。在第26方式中，也与第23～第25方式相同地，能够有效搜索具有所期望的物理特性值(第2不变量化特征量的目标值)的化合物的结构，并且能够有效创建医药候选化合物的立体结构。

41、为了达到上述目的，本发明的第27方式所涉及的化合物创建方法创建出与除了蛋白质以外的目标生物高分子键合的目标化合物的立体结构，所述化合物创建方法具有：输入工序，输入一个或多个化合物的化学结构、使用第11方式所涉及的特征量计算方法计算出的针对化学结构的第3特征量及作为第3特征量的目标值的针对作为确认到与除了蛋白质以外的目标生物高分子键合的化合物的键合化合物的第3特征量；候选结构获取工序，使化学结构发生变化并获取候选结构；创建特征量计算工序，针对候选结构，使用第11方式所涉及的特征量计算方法计算出第3特征量；候选结构采用工序，采用或放弃候选结构，其中，进行根据通过化学结构的变化而候选结构的第3特征量是否接近目标值来判断是否采用候选结构的第1采用处理，在通过第1采用处理未采用候选结构的情况下，进行根据通过化学结构的变化而由化学结构及候选结构构成的结构组的结构多样性是否增加来判断是否采用候选结构的第2采用处理，在通过第1采用处理及第2采用处理未采用候选结构的情况下，进行放弃化学结构的变化而返回到进行变化之前的化学结构的放弃处理；及控制工序，直至满足结束条件为止，重复进行输入工序、候选结构获取工序、创建特征量计算工序及候选结构采用工序中的处理。在第27方式中，也与第23～第26方式相同地，能够有效搜索具有所期望的物理特性值(第3特征量的目标值)的化合物的结构，并且能够有效创建医药候选化合物的立体结构。

42、另外，在第23至第27方式中，“化学结构”除了初期状态下的结构(初期结构)以外，还包含初期结构因处理的重复而变化的结构。

43、发明效果

44、如上所述，根据本发明的特征量计算方法，能够计算出准确表示对象结构体的化学性质的特征量。并且，根据本发明的筛选方法，能够有效进行医药候选化合物的筛选。并且，根据本发明的化合物创建方法，能够有效创建医药候选化合物的立体结构。