如何用DeepPurpose加速药物研发：AI驱动的智能药物发现平台完整指南

DeepPurpose是一个基于深度学习的分子建模与预测工具包，专注于药物-靶点相互作用（DTI）预测、化合物性质预测、蛋白质-蛋白质相互作用（PPI）预测和蛋白质功能预测。该平台通过AI技术显著加速药物研发流程，支持药物重定位、虚拟筛选、QSAR分析等多种应用场景，仅需几行代码即可实现复杂的生物信息学分析任务。[![DeepPurpose平台标志](https://raw.gitcode.c

丁柯新Fawn

1094人浏览 · 2026-04-24 12:54:38

丁柯新Fawn · 2026-04-24 12:54:38 发布

如何用DeepPurpose加速药物研发：AI驱动的智能药物发现平台完整指南

【免费下载链接】DeepPurpose A Deep Learning Toolkit for DTI, Drug Property, PPI, DDI, Protein Function Prediction (Bioinformatics) 项目地址: https://gitcode.com/gh_mirrors/de/DeepPurpose

DeepPurpose平台标志：结合药物与深度学习元素的设计

🚀 核心功能：一站式药物研发AI工具集

DeepPurpose提供五大核心预测功能，覆盖药物研发全流程：

1. 药物-靶点相互作用预测（DTI）

通过15+种药物和蛋白质编码方式（包括CNN、Transformer、MPNN等），预测药物分子与靶蛋白的结合亲和力。支持回归（结合强度）和分类（相互作用与否）两种任务模式，自动识别数据类型并选择合适的评估指标。

2. 药物性质预测

针对高通量筛选数据，仅需药物结构即可预测其生物活性。支持贝叶斯优化超参数调优，内置RDKit2D等经典分子描述符，适用于细菌活性等无靶标筛选场景。

3. 药物-药物相互作用预测（DDI）

基于药物化学结构预测潜在的药物相互作用，助力药物安全性评估和临床试验设计。通过分子指纹和图神经网络捕捉药物间的复杂关系。

4. 蛋白质-蛋白质相互作用预测（PPI）

分析蛋白质序列间的相互作用关系，揭示生物通路机制。支持CNN等深度学习模型对蛋白质序列进行编码，适用于靶点关系研究。

5. 蛋白质功能预测

预测蛋白质的GO术语、结构分类等功能特性，辅助生物药筛选和功能注释。提供多种序列编码方案，适应不同长度和类型的蛋白质数据。

DeepPurpose功能架构：整合多种深度学习模型的药物研发平台

💡 实战案例：3行代码实现抗新冠药物重定位

DeepPurpose的"一键式"设计让复杂的药物研发任务变得简单。以下是使用预训练模型对SARS-CoV-2 3CL蛋白酶进行药物重定位的完整流程：

from DeepPurpose import oneliner
from DeepPurpose.dataset import *
oneliner.repurpose(*load_SARS_CoV2_Protease_3CL(), *load_antiviral_drugs(no_cid = True))

预测结果示例

该案例筛选出81种抗病毒药物对SARS-CoV2 3CL蛋白酶的结合潜力，前10名结果如下：

排名	药物名称	靶点名称	结合分数
1	Sofosbuvir	SARS-CoV2 3CL Protease	190.25
2	Daclatasvir	SARS-CoV2 3CL Protease	214.58
3	Vicriviroc	SARS-CoV2 3CL Protease	315.70
4	Simeprevir	SARS-CoV2 3CL Protease	396.53
5	Etravirine	SARS-CoV2 3CL Protease	409.34
6	Amantadine	SARS-CoV2 3CL Protease	419.76
7	Letermovir	SARS-CoV2 3CL Protease	460.28
8	Rilpivirine	SARS-CoV2 3CL Protease	470.79
9	Darunavir	SARS-CoV2 3CL Protease	472.24
10	Lopinavir	SARS-CoV2 3CL Protease	473.01

完整结果存储于./save_folder/results_aggregation/repurposing.txt

📚 关键技术：强大的分子编码与模型库

DeepPurpose提供丰富的分子和蛋白质编码方式，支持50+种模型组合：

药物编码

经典指纹：Morgan、Pubchem、Daylight
深度学习：CNN、CNN_RNN、Transformer、MPNN
图神经网络：DGL_GCN、DGL_NeuralFP、DGL_GIN、DGL_AttentiveFP

蛋白质编码

序列特征：AAC（氨基酸组成）、PseudoAAC、Conjoint_triad
深度学习：CNN、CNN_RNN、Transformer

预训练模型

内置10+种预训练模型，包括：

MPNN_CNN_BindingDB_IC50
Morgan_CNN_DAVIS
Transformer_CNN_BindingDB

加载预训练模型仅需一行代码：

from DeepPurpose import DTI as models
net = models.model_pretrained(model = 'MPNN_CNN_DAVIS')

🛠️ 快速开始：两种安装方式

1. Pip安装（推荐）

conda create -n DeepPurpose python=3.6
conda activate DeepPurpose
conda install -c conda-forge notebook
pip install git+https://github.com/bp-kelley/descriptastorus
pip install DeepPurpose

2. 源码安装

git clone https://gitcode.com/gh_mirrors/de/DeepPurpose
cd DeepPurpose
conda env create -f environment.yml
conda activate DeepPurpose
jupyter notebook