一种有机阳离子转运体底物、抑制剂及 Km 值的预测方法及模型
知识产权简介
本发明涉及一种有机阳离子转运体底物、抑制剂及Km值预测模型及构建方法和应用。本发明提供一种基于多模态信息融合的深度学习模型构建方法，能够在统一框架下实现OCT1与OCT2的底物性、抑制效应及Km值的多任务联合预测，该方法融合蛋白质序列预训练模型、分子三维结构建模方法及扩展连接指纹（ECFP）等多源异构表征，通过模块化集成与跨模态交互机制，显著提升多功能端点的建模精度与泛化能力。
转化前景
本发明属于生物信息学与计算药理学技术领域，涉及一种有机阳离子转运体底物、抑制剂及Km值预测模型及构建方法和应用 在现代药物研发过程中，跨膜转运体的功能预测对于药物的体内分布、代谢及排泄特性的评估具有重要意义。其中，有机阳离子转运体（Organic Cation Transporters，OCTs），是膜转运体家族成员，主要介导带正电荷的有机化合物跨膜运输，涉及药物吸收、分布、代谢及排泄等关键过程，OCTs分为有机阳离子转运体1（OCT1）、有机阳离子转运体2（OCT2）和有机阳离子转运体3（OCT3）三种亚型，广泛分布于肝、肾、肠等外周组织，尤其是OCT1与OCT2，在药物肝脏摄取和肾脏排泄过程中发挥着关键作用。对OCTs底物、抑制剂及相关转运动力学参数（如米氏常数Km值）的准确预测，对于药代动力学建模及候选药物筛选至关重要。 如何设计一种创新的跨模态表征融合机制，使得模型能够自动捕捉不同模态之间的关键交互关系，从而显著提升预测精度与适用性，是当前亟待解决的技术问题，如何在数据稀缺条件下，有效利用底物性与抑制效应等相关任务的知识迁移与参数共享，在统一框架下实现对 Km 值的准确建模，并同时提升多端点预测任务的协同性与实用性，是另一项需要突破的关键技术问题。