一种用于环肽渗透性预测的多模态分子表示学习方法

本发明涉及计算机辅助药物设计(CADD)和分子信息学领域，具体涉及一种基于环肽分子的多模态表示学习方法，用于预测环肽的细胞膜渗透性。其发明内容主要包括：(1)数据收集：整合来自ChEMBL、CycPeptMPDB和CyclicPepedia数据库以及专利文献的环肽渗透性数据；(2)多模态学习：针对不同模态数据，采用深度学习模型分别提取其特征表示。利用ChemBERTa对SMILES序列进行编码；使用Vision Transformer提取分子图像特征，基于GNN学习分子图结构和3D坐标信息；(3)多模态特征融合：采用自适应可扩展的融合机制，通过跨模态特征融合机制将SMILES特征信息整合到图像、图和3D坐标特征中，将各模态特征拼接得到多模态分子表示；(4)渗透性预测：将多模态分子表示送入全连接层进行回归预测，以评估环肽的渗透性。