(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111683434.2 (22)申请日 2021.12.31 (65)同一申请的已公布的文献号 申请公布号 CN 114334022 A (43)申请公布日 2022.04.12 (73)专利权人 杭州剂泰医药 科技有限责任公司 地址 310053 浙江省杭州市滨江区滨安路 658号2幢1楼1 16室 (72)发明人 陈凌云　王恺　李海燕　杨文明　 王文首　赖才达　 (51)Int.Cl. G16C 10/00(2019.01) G16C 20/30(2019.01) G16C 20/70(2019.01) G06N 20/00(2019.01)(56)对比文件 CN 10898481 1 A,2018.12.1 1 US 2009188622 A1,2009.07.30 魏梦碧.QS PR模型的构建与验证. 《中国优秀 硕士学位 论文全文数据库 工程科技 I辑》 .2019, 审查员 刘褚燚 (54)发明名称 一种化合物分子的溶解度预测模型及应用 (57)摘要 本发明提供一种预测环糊精对化合物分子 的增溶效果的迁移学习模型。 该模 型首先学习大 量化合物分子的SMILES特征， 得到预训练模型， 将预训练模型中的数据迁移至模型应用域适配 微调阶段和QSPR建模阶段， 再学习环糊精包合的 化合物分子及相应的溶解度数据， 最后对环糊精 包合化合物分子的增溶效果进行预测。 该方法解 决了现阶段机器学习面临的环糊精包合物溶解 度数据不足导致的准确度低的问题， 且适用于多 种环糊精包合物， 泛化 性强。 权利要求书1页 说明书6页 附图1页 CN 114334022 B 2022.11.18 CN 114334022 B 1.一种环糊精对化合物分子增溶效果的预测模型， 其特征在于： 使用迁移学习 模型， 其 中， 所述迁移学习模型包括预训练阶段和QSPR建模阶段， 所述预训练阶段学习的数据为未 经环糊精包合的化 合物分子的SMI LES序列， 所述环糊精为β ‑环糊精或SEB ‑β‑环糊精。 2.如权利要求1所述的模型， 其特征在于： 所述迁移学习 模型在预训练阶段后加入模型 应用域适配微调阶段。 3.如权利要求2所述的模型， 其特征在于： 所述模型应用域适配微调阶段的训练 的参数 为环糊精包合的化 合物的分子特 征。 4.如权利要求3所述的模型， 其特征在于： 所述模型应用域适配微调阶段的训练 的参数 为环糊精包合的化 合物分子的SMI LES序列。 5.如权利要求2所述的模型， 其特征在于： 所述预训练阶段或模型应用域适配微调阶段 使用自监 督学习的方法训练模型。 6.如权利要求2所述的模型， 其特征在于： 所述QSPR建模阶段共享预训练 阶段或模型应 用域适配微调阶段的模型参数。 7.如权利要求1所述的模型， 其特征在于： 包合物中化合物分子和环糊精的摩尔比为1: 1至1:10。 8.如权利要求7所述的模型， 其特征在于： 包合物中化合物分子和环糊精的摩尔比为1: 1。权　利　要　求　书 1/1 页 2 CN 114334022 B 2一种化合物分子的溶解度预测模型及应用 技术领域 [0001]本发明涉及人工智能辅助的制剂研发领域， 具体涉及一种基于迁移学习的环糊精 包合对化 合物分子增溶效果的预测模型及预测方法。 背景技术 [0002]药物在吸收部位都要以溶液形式存在， 故药物活性成分的溶解度是其达到预期浓 度的一项重要参数。 有研究表明， 约有40％的候选药物因为溶解度差而被淘汰， 故在药物 开 发过程中， 提高药物溶解度是 经常遇到且重要的挑战。 [0003]将药物用环糊精包合以增加药物的溶解度是一种常用的药物增溶手段。 目前已有 多种环糊精包合物作为药物产品上市。 此外， 将药物用环糊精包合还 具有增加药物稳定性、 掩盖药物的不良气味等作用。 传统的制剂开发手段需要通过实验将药物用环糊精包合之 后， 再进行溶解度测试， 操作繁琐耗时且物料不节约。 若环糊精对药物分子实际的增溶效果 不能满足药物开发需求， 则造成时间、 人力及物料的浪费。 [0004]综上所述， 需要开发一种物料节约， 且能够快速得知环糊精对药物活性成分增溶 效果的新 技术， 以满足药物研发需求， 提高药物研发速率和成本 。 发明内容 [0005]本发明的目的在于解决现有技术中的问题， 提供一种环糊精包合的化合物分子溶 解度的预测模型和预测方法。 该模型 的预测方法准确度高， 适用于各种环糊精对化合物分 子增溶效果的预测， 可减少大量传统人工实验的实施， 提高研发效率， 节约开发成本 。 [0006]本发明的目的可通过以下技 术方案实现： [0007]本发明提供一种环糊精对化合物分子增溶效果的预测方法， 该方法使用迁移学习 模型。 [0008]环糊精包合物的溶解度数据少， 即样本量小是利用人工智能预测经环糊精包合后 化合物增溶效果的一大难题。 同时， 不同来源的数据也会影响预测的准确度。 如现有技术 《International  Journal of Pharmaceutics》 ， 418(2011)， 207 –216， 以在先文献报道的 218个β‑环糊精包合物的溶解度数据及实验得到的220个SBE ‑β‑环糊精包合物的溶解度数 据为样本， 取其中的90％为训练集， 剩余10％作为测试集， 分别验证了随机森 林和Cubist两 种模型的预测效果。 结果表明， 随机森林对两种环糊精的预测效果较一致， 而Cubist模 型不 适用于SBE ‑β‑环糊精包合物。 [0009]本发明通过迁移学习模型， 以上百万个化合物分子 的固有特征为预训练集， 解决 了现有技 术样本量少或不同来源的数据存在误差的问题。 [0010]在一种优选的实施方式中， 本 发明提供的迁移学习模型包括预训练阶段和QSPR建 模阶段。 [0011]在一种优选的实施方式中， 预训练阶段训练的参数为未经环糊精包合的化合物 分 子的特征， 优选为 化合物分子的SMI LES序列。说　明　书 1/6 页 3 CN 114334022 B 3