一种基于动态异构图的药物-靶点关系预测方法及系统技术方案

技术编号：41335791 阅读：12 留言：0更新日期：2024-05-20 09:55

本发明专利技术公开了一种基于动态异构图的药物‑靶点关系预测方法及系统，所述方法包括：获取药物与靶点相互作用数据集，将数据集划分为训练集、验证集和测试集；基于数据集建立药物‑靶点动态异构图网络；建立相互作用预测模型，所述相互作用预测模型用于，基于药物‑靶点动态异构图网络，采用图神经网络模型计算药物和靶点的表征向量，计算药物的表征向量与靶点的表征向量的内积,得到二者的相关性,将相关性作为药物靶点预测；通过训练集对相互作用预测模型进行训练，验证集选择与优化相互作用预测模型超参数、权重及训练轮数；将测试集输入训练好的相互作用预测模型预测药物‑靶点关系。本发明专利技术可以实现基于动态异构图的药物‑靶点关系预测方法。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术涉及药物-靶点关系预测领域，尤其是涉及一种基于动态异构图的药物-靶点关系预测方法及系统。

技术介绍

1、药物发现是生物医药领域的一个关键环节，能够促进新药的开发和研制，为生物医学研究、药物抗性分析、药物再定位和副作用预测提供有希望的前景。然而，传统的湿实验室方法成本高昂且耗时，因此已经开始应用计算方法来预测新的药物靶标相互作用，尤其是基于机器学习的方法在预测新的药物靶标相互作用方面取得了不错的成果。由于具有相似化学结构的药物可能与相似的蛋白家族相互作用，研究人员开始将药物靶标相互作用预测集中在基于相似性的网络上。这些方法通常包括两个主要步骤：异构图的构建和药物靶标相互作用预测。为了构建有效的异构图，可以从多个生物医学数据库(如drugbank、kegg和supertarget)获取已知的药物靶标关系和药物/靶标相似性矩阵。基于药物靶点异构图网络，可以使用图嵌入技术进行表征特征的学习。如thafar等人提出了一个三步node2vec框架，捕捉异构图上的潜在药物靶标相互作用。peng等人引入了图卷积网络(gcn)来学习图的低维特征表示，并预测新的药物靶标相互作用。shao等人提出了一个端到端的框架，并使用注意机制自动分配dti拓扑结构的权重。

2、然而，大多数研究中的异构图构建面临两个问题。首先，阈值设置是主观且不具有说服力的。例如，wang等人仅在两个相同类型的节点的相似性得分等于或超过0.3时建立连接；shao等人选择相似性矩阵的前5％作为边缘。阈值是异构图构建过程中的关键超参数，需要进行大量的实验调整。</p>

3、第二个问题是固定阈值会导致信息的丢失。从图拓扑的角度看，二值化会导致：(1)具有更高相似性的关联可以保留，而它们的相似性排名被忽略；(2)具有较低相似性的关联无法参与dti预测，永久性地丢失信息。尽管加权邻接矩阵可以缓解这些问题，但可能会引入一些问题，例如相似性矩阵的归一化和模型复杂性的增加。

4、因此，现有技术还有待于改进和发展。

技术实现思路

1、本专利技术的目的在于提供一种基于动态异构图的药物-靶点关系预测方法及系统，旨在解决动态异构图的药物-靶点关系预测问题。

2、本专利技术提供一种基于动态异构图的药物-靶点关系预测方法，包括：

3、s1、获取药物与靶点相互作用数据集，将数据集划分为训练集、验证集和测试集；

4、s2、基于数据集建立药物-靶点动态异构图网络；

5、s3、建立相互作用预测模型，所述相互作用预测模型用于：基于药物-靶点动态异构图网络，采用图神经网络模型计算药物和靶点的表征向量，计算药物的表征向量与靶点的表征向量的内积,得到二者的相关性,将相关性作为药物靶点预测；

6、s4、通过训练集对相互作用预测模型进行训练，通过验证集选择与优化相互作用预测模型超参数、权重及训练轮数；

7、s5、将测试集输入训练好的相互作用预测模型预测药物-靶点关系。

8、本专利技术还提供一种基于动态异构图的药物-靶点关系预测系统，包括：

9、获取数据集模块：用于获取药物与靶点相互作用数据集，将数据集划分为训练集、验证集和测试集；

10、建立网络模块：用于基于数据集建立药物-靶点动态异构图网络；

11、相互作用预测模型模块：建立相互作用预测模型，所述相互作用预测模型用于：基于药物-靶点动态异构图网络，采用图神经网络模型计算药物和靶点的表征向量，计算药物的表征向量与靶点的表征向量的内积,得到二者的相关性,将相关性作为药物靶点预测；

12、训练优化模块：用于通过训练集对相互作用预测模型进行训练，通过验证集选择与优化相互作用预测模型超参数、权重及训练轮数；

13、测试模块：用于将测试集输入训练好的相互作用预测模型预测药物-靶点关系。

14、采用本专利技术实施例，本专利技术可以实现基于动态一构图和图神经网络的药物预测方法。

15、上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。

本文档来自技高网...

【技术保护点】

1.一种基于动态异构图的药物-靶点关系预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述S2具体包括：从数据集中获取药物相似度矩阵、靶点相似度矩阵和药物靶点作用邻接矩阵，计算药物与靶点相似度矩阵的百分位排名矩阵，引入非线性函数，将百分位排名矩阵转化为药物-药物边概率矩阵和靶点-靶点边概率矩阵，所述药物-靶点动态异构图网络包括：药物靶点作用邻接矩阵、药物-药物边概率矩阵和靶点-靶点边概率矩阵。

3.根据权利要求2所述的方法，其特征在于，所述通过训练集相互作用预测模型进行训练具体包括：

4.根据权利要求3所述的方法，其特征在于，所述计算药物的表征向量与靶点的表征向量的内积，计算公式如下：

5.根据权利要求4所述的方法，其特征在于，所述通过训练集对相互作用预测模型进行训练采用交叉熵损失和间隔损失；

6.一种基于动态异构图的药物-靶点关系预测系统，其特征在于，包括：

7.根据权利要求6所述的系统，其特征在于，所述建立网络模块具体包括：从数据集中获取药物相似度矩阵、靶点相似度矩阵和药物靶点作用

8.根据权利要求7所述的系统，其特征在于，所述训练优化模块具体用于：

9.根据权利要求8所述的系统，其特征在于，所述计算药物的表征向量与靶点的表征向量的内积，计算公式如下：

10.根据权利要求9所述的系统，其特征在于，所述通过训练集对相互作用预测模型进行训练采用交叉熵损失和间隔损失；

...

【技术特征摘要】

1.一种基于动态异构图的药物-靶点关系预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述s2具体包括：从数据集中获取药物相似度矩阵、靶点相似度矩阵和药物靶点作用邻接矩阵，计算药物与靶点相似度矩阵的百分位排名矩阵，引入非线性函数，将百分位排名矩阵转化为药物-药物边概率矩阵和靶点-靶点边概率矩阵，所述药物-靶点动态异构图网络包括：药物靶点作用邻接矩阵、药物-药物边概率矩阵和靶点-靶点边概率矩阵。

3.根据权利要求2所述的方法，其特征在于，所述通过训练集相互作用预测模型进行训练具体包括：

4.根据权利要求3所述的方法，其特征在于，所述计算药物的表征向量与靶点的表征向量的内积，计算公式如下：

5.根据权利要求4所述的方法，其特征在于，所述通过训练集对相互作用预测模型进行训练采用交叉熵损失和间隔损失；<...

【专利技术属性】
技术研发人员：许鹏，韦至韬，李矗矗，廖旻桢，李先彬，刘文斌，方刚，陈智华，
申请(专利权)人：广州大学，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人