技術特征：

1.一種預測多肽在不同血液環境中的穩定性的深度學習算法，其特征在于包括如下步驟：

2.如權利要求1所述的一種預測多肽在不同血液中穩定性的深度學習算法，其特征在于，步驟一的具體操作過程為從peplife、thpdb、drugbank和pubmed公共數據庫以“多肽”、“半衰期”、“血液”作為關鍵詞進行搜索并收集相關數據。

3.如權利要求2所述的一種預測多肽在不同環境血液中穩定的深度學習算法，其特征在于，步驟二采用基于python的數據清理代碼針對收集到的數據，進行不符合要求的肽在不同血液環境中的穩定性數據篩選。

4.如權利要求3所述的一種預測多肽在不同環境血液中穩定的深度學習算法，其特征在于，步驟三采用rdkit的自動化生成和chemdraw的人工繪圖獲得對應肽的smiles信息。

5.如權利要求4所述的一種預測多肽在不同環境血液中穩定的深度學習算法，其特征在于，步驟四對于僅含有天然氨基酸且不含修飾的線性多肽，使用alphafold2進行3d結構的生成；對于僅含有天然氨基酸且不含修飾的環狀多肽，使用highfold進行生成；對于含有復雜修飾的肽，使用rdkit生成了每個環肽的3d結構。

6.如權利要求5所述的一種預測多肽在不同環境血液中穩定的深度學習算法，其特征在于，步驟十采用acc、precision、recall,、f1-score、auc、mcc對模型的性能進行評估，具體計算公式如下所示：

技術總結
本發明公開了一種預測多肽在不同血液穩定性的深度學習算法，具體包括：從公共數據庫中系統性地收集并整理關于多肽在人體、鼠體以及體內外血液中的半衰期實驗數據并且經過嚴格的數據清洗與校驗流程，構建出高質量的數據集作為模型訓練的基礎。其次創建一個多模態預測模型PepMSND，該模型綜合考量多肽的四個關鍵維度特征即零維的多肽理化性質，一維的多肽SMIELS碼，二維的多肽分子圖，三維的多肽3D結構。為了有效處理這些不同維度的特征，PepMSND集成了KAN、Transformer、GAT以及SE(3)?Transformer等多種先進的神經網絡組件。本發明的算法為多肽藥物研發中血漿穩定性測試的高成本和高耗時問題提供有效的技術解決方案，從而加速多肽藥物的早期開發進程。

技術研發人員：孫海豐,張城赟
受保護的技術使用者：深圳海量醫藥科技有限公司
技術研發日：
技術公布日：2025/4/24