一种药物-靶点交互作用预测方法、系统及终端设备技术方案

本发明专利技术公开了一种药物

【技术实现步骤摘要】
一种药物
‑
靶点交互作用预测方法、系统及终端设备


[0001]本专利技术涉及药物靶向
，尤其涉及一种药物
‑
靶点交互作用预测方法、系统及终端设备。

技术介绍

[0002]药物
‑
靶点交互作用(DTI)的识别是药物科学研究的重要课题之一。多数药物是一种小分子化合物，当它被引入人体后，会引起某种生理上的变化。这些药物化合物会与人体内的各种蛋白质或核酸结合，这些机体内通过与药物相互作用而具有药效学功能的生物大分子被称为生物靶标，是药物作用的主要载体。药物分子通过结合特定靶点和改变其靶点的基因功能来实现疾病治疗。
[0003]机器学习已被成功地应用于药物
‑
靶点相互作用预测，及其学习方法可以提取药物和靶标的拓扑结构特征，并利用这些特征计算药物与靶标的相似度。在计算相似度的过程中，往往需要使用两个与药物和靶标相关的相似矩阵以及表示DTI的相互作用矩阵，这些相似性通常是通过药物的化学结构以及靶点的蛋白质序列比对产生的。
[0004]在各类基于机器学习的方法中，深度学习特别是端到端学习可以提取与问题相关的非常复杂的特征，利用深度学习方法进行药物
‑
靶点相互作用预测也逐渐成为研究的主流方向。
[0005]目前已经有部分研究是基于Transformer的网络架构，利用其语义特征提取能力和长距离特征捕获能力，将药物分子和蛋白质视为两种序列来预测DTI，但单独使用Transformer网络对药物分子信息处理的效果不佳，原始Transformer网络也有自身的局限性。
[0006]因此，现有技术还有待于改进和发展。

技术实现思路

[0007]鉴于上述现有技术的不足，本专利技术的目的在于提供一种药物
‑
靶点交互作用预测方法、系统及终端设备，以实现不同土地利用分类系统之间的转换。
[0008]本专利技术的技术方案如下：
[0009]一种药物
‑
靶点交互作用预测方法，其中，包括步骤：
[0010]对药物组学数据库中的药物和靶点信息进行预处理，提取具有相互作用的药物和靶点氨基酸序列，构建药物
‑
靶点交互作用数据集；
[0011]将药物SMILES字符串建模为分子图，并使用GNN图神经网络提取所述分子图的药物特征信息；
[0012]将所述靶点氨基酸序列切分成若干个多肽序列，使用多个分级Transformer网络对所述若干个多肽序列分别进行特征提取，得到若干个多肽特征，每个多肽序列对应一个分级Transformer网络；
[0013]将所述若干个多肽特征进行池化聚合，得到靶点氨基酸序列的靶点特征信息；
[0014]将所述药物特征信息和所述靶点特征信息输入到分类模型中进行训练，训练后的分类模型与所述GNN图神经网络以及多个分级Transformer网络组成药物
‑
靶点交互作用预测模型；
[0015]将待预测的药物和靶点氨基酸序列输入到所述药物
‑
靶点交互作用预测模型中，加载所述药物
‑
靶点交互作用预测模型对药物和靶点进行关系预测并输出预测结果。
[0016]所述的药物
‑
靶点交互作用预测方法，其中，将所述靶点氨基酸序列切分成若干个多肽序列，使用多个分级Transformer网络对所述若干个多肽序列分别进行特征提取，得到若干个多肽特征的步骤包括：
[0017]对所述靶点氨基酸序列切分后形成的若干个多肽序列进行建模，提取低级特征；
[0018]所述低级特征馈入到分级Transformer网络的编码器中，输出具有蛋白质上下文信息的多肽表示，即多肽特征。
[0019]所述的药物
‑
靶点交互作用预测方法，其中，所述分级Transformer网络包括两层，一层为低级Transformer网络，另一层为高级Transformer网络。
[0020]所述的药物
‑
靶点交互作用预测方法，其中，所述分级Transformer网络中，前一层的注意力模块作为后一层的注意力模块的先验，对前一层注意力图进行卷积计算，之后加入到下一层注意力图中。
[0021]所述的药物
‑
靶点交互作用预测方法，其中，对药物组学数据库中的药物和靶点信息进行预处理，提取具有相互作用的药物和靶点氨基酸序列，构建药物
‑
靶点交互作用数据集的步骤包括：
[0022]对来自药物组学数据库中的药物信息和靶点信息进行筛选，删除没有相互作用关系的药物信息和靶点信息；
[0023]将具有相互作用关系的药物和靶点进行整合并构造成<药物编号，靶点编号，标签>的形式，将标签标记为1；
[0024]按照正例：负例为1：2的比例，随机构造未知的药物
‑
靶点关系作为负例，并将负例标签标记为0。
[0025]所述的药物
‑
靶点交互作用预测方法，其中，将药物SMILES字符串建模为分子图，并使用GNN图神经网络提取所述分子图的药物特征信息的步骤包括：
[0026]使用RDkit工具将药物SMILES字符串建模为分子图，
[0027]使用正向点间互信息对所述分子图进行处理，得到相似性测度的全局结构信息；
[0028]将所述相似性测度的全局结构信息输入到GNN图神经网络中，提取出药物特征信息。
[0029]所述的药物
‑
靶点交互作用方法，其中，所述分类模型为全连接神经网络。
[0030]一种药物
‑
靶点交互作用预测系统，其中，包括药物分子特征提取模块、靶点氨基酸序列特征提取模块以及交互作用预测模块；
[0031]所述药物分子特征模块用于将正向点间互信息矩阵结合图神经网络作为特征提取器提取到药物特征信息；
[0032]所述靶点氨基酸序列特征提取模块用于将靶点氨基酸序列切分成若干个多肽序列，并使用对注意力机制进行改进后的分级transformer网络来处理所述多肽序列，以获得靶点氨基酸序列特征信息，所述靶点氨基酸序列特征信息包括靶点氨基酸序列的局部特征
和全局特征；
[0033]所述交互作用预测模块，用于将所述药物特征信息和靶点氨基酸序列特征信息连接起来送入分类模型，最后进行预测输出。
[0034]一种存储介质，其中，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现本专利技术所述药物
‑
靶点交互作用方法中的步骤。
[0035]一种终端设备，其中，包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
[0036]所述通信总线实现处理器和存储器之间的连接通信；
[0037]所述处理器执行所述计算机可读程序时实现如本专利技术所述药本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种药物
‑
靶点交互作用预测方法，其特征在于，包括步骤：对药物组学数据库中的药物和靶点信息进行预处理，提取具有相互作用的药物和靶点氨基酸序列，构建药物
‑
靶点交互作用数据集；将药物SMILES字符串建模为分子图，并使用GNN图神经网络提取所述分子图的药物特征信息；将所述靶点氨基酸序列切分成若干个多肽序列，使用多个分级Transformer网络对所述若干个多肽序列分别进行特征提取，得到若干个多肽特征，每个多肽序列对应一个分级Transformer网络；将所述若干个多肽特征进行池化聚合，得到靶点氨基酸序列的靶点特征信息；将所述药物特征信息和所述靶点特征信息输入到分类模型中进行训练，训练后的分类模型与所述GNN图神经网络以及多个分级Transformer网络组成药物
‑
靶点交互作用预测模型；将待预测的药物和靶点氨基酸序列输入到所述药物
‑
靶点交互作用预测模型中，加载所述药物
‑
靶点交互作用预测模型对药物和靶点进行关系预测并输出预测结果。2.根据权利要求1所述的药物
‑
靶点交互作用预测方法，其特征在于，将所述靶点氨基酸序列切分成若干个多肽序列，使用多个分级Transformer网络对所述若干个多肽序列分别进行特征提取，得到若干个多肽特征的步骤包括：对所述靶点氨基酸序列切分后形成的若干个多肽序列进行建模，提取低级特征；所述低级特征馈入到分级Transformer网络的编码器中，输出具有蛋白质上下文信息的多肽表示，即多肽特征。3.根据权利要求2所述的药物
‑
靶点交互作用预测方法，其特征在于，所述分级Transformer网络包括两层，一层为低级Transformer网络，另一层为高级Transformer网络。4.根据权利要求3所述的药物
‑
靶点交互作用预测方法，其特征在于，所述分级Transformer网络中，前一层的注意力模块作为后一层的注意力模块的先验，对前一层注意力图进行卷积计算，之后加入到下一层注意力图中。5.根据权利要求1所述的药物
‑
靶点交互作用预测方法，其特征在于，对药物组学数据库中的药物和靶点信息进行预处理，提取具有相互作用的药物和靶点氨基酸序列，构建药物
‑
...

【专利技术属性】
技术研发人员：田永鸿，杨文明，王天誉，陈杰，
申请(专利权)人：鹏城实验室，
类型：发明
国别省市：