【技术实现步骤摘要】
本专利技术涉及药物靶点预测，特别是涉及一种基于深度学习的药物-靶点相互作用的预测方法及系统。
技术介绍
1、药物-靶点相互作用(dti)预测在药物发现中扮演着关键角色。传统的体外实验虽然可靠，但其高昂的成本和耗时的开发周期限制了其在大规模数据应用中的广泛使用。相比之下，利用计算机方法识别潜在的dti能够有效缩小候选化合物的搜索范围，加速药物发现过程并减少开发成本。近年来，计算机辅助的dti预测方法得到了广泛关注和持续进展，为生物医学领域带来了新的研究前景和机会。
2、在药物-靶点相互作用(dti)预测领域，计算方法通常分为三大类：基于配体的方法、基于结构的方法和基于化学基因组学的方法。基于配体的方法：这类方法依赖于药物与已知目标蛋白配体之间的相似性来预测它们的相互作用，通过比较新药与已知配体的相似度，推断其可能的靶点，这类方法简单易行，适用于已有大量已知配体的情况；基于结构的方法：这种方法利用药物和目标蛋白的三维结构信息，模拟它们的相互作用趋势。通过分子对接、分子动力学模拟等手段，预测药物与靶点的结合模式和亲和力。基于化学基因组学的方法：这种方法综合利用药物和靶标的多种信息(如基因组序列和药物化学结构)，通常结合机器学习和深度学习技术，来预测它们之间的相互作用。它能够从大规模数据中学习复杂的关系模式，提高预测的准确性和效率。
3、尽管现有的dti预测技术取得了一定的成功，但仍存在一些显著的局限性。基于配体的方法依赖于目标蛋白已知配体的数量，且相似性假设不总是准确；基于结构的方法依赖于目标蛋白的确切三维结构
技术实现思路
1、基于此，为了解决上述技术问题，提供一种基于深度学习的药物-靶点相互作用的预测方法及系统，可以实现药物-靶点相互作用的高效、准确预测。
2、一种基于深度学习的药物-靶点相互作用的预测方法，所述方法包括：
3、确定待预测的药物分子的smiles序列和蛋白质的氨基酸序列；
4、基于所述药物分析的smiles序列确定药物分析的结构信息，根据所述结构信息生成药物分子图；
5、将所述药物分子图输入至gps层，利用gine和多头注意力机制提取药物的特征表示；
6、将所述蛋白质的氨基酸序列输入至esm-2模型，提取出蛋白质的特征表示；
7、将所述药物的特征表示与所述蛋白质的特征表示进行交叉注意力机制特征融合，得到融合后的特征，并基于所述融合后的特征预测药物与蛋白质的结合概率。
8、在其中一个实施例中，将所述药物分子图输入至gps层，利用gine和多头注意力机制提取药物的特征表示，包括：
9、基于所述药物分子图获取节点和边特征；
10、将所述药物分子图输入至gps层，获取所述药物分子图的邻接矩阵；
11、利用gine，根据所述节点和边特征、邻接矩阵进行特征提取；利用多头注意力机制，根据所述节点进行特征提取。
12、在其中一个实施例中，将所述蛋白质的氨基酸序列输入至esm-2模型，提取出蛋白质的特征表示，包括：
13、将蛋白质的氨基酸序列输入至esm-2模型，得到蛋白质序列高级嵌入表示；
14、基于所述esm-2模型，采用cnn对所述高级嵌入表示进行处理，提取出蛋白质的特征表示。
15、在其中一个实施例中，基于所述esm-2模型，采用cnn对所述高级嵌入表示进行处理，提取出蛋白质的特征表示，包括：
16、基于所述esm-2模型，根据所述高级嵌入表示得到蛋白质嵌入向量；
17、将所述蛋白质嵌入向量输入至cnn中，输出蛋白质的特征表示。
18、在其中一个实施例中，将所述药物的特征表示与所述蛋白质的特征表示进行交叉注意力机制特征融合，得到融合后的特征，包括：
19、基于所述药物的特征表示，确定药物特征图的节点数以及嵌入维度；
20、将所述药物的特征表示进行线性变换，根据所述药物特征图的节点数以及嵌入维度得到药物查询向量，并基于所述蛋白质的特征表示得到药物键向量、药物值向量；
21、将所述蛋白质的特征表示输入到线性层中，计算得到蛋白质查询向量，并基于所述药物的特征表示得到蛋白质键向量、蛋白质值向量；
22、基于所述药物查询向量、药物键向量、药物值向量、蛋白质查询向量、蛋白质键向量、蛋白质值向量进行特征融合，得到融合后的特征。
23、在其中一个实施例中，基于所述药物查询向量、药物键向量、药物值向量、蛋白质查询向量、蛋白质键向量、蛋白质值向量进行特征融合，得到融合后的特征。包括：
24、根据所述药物查询向量、药物键向量、药物值向量计算得到药物的注意力矩阵；并根据所述蛋白质查询向量、蛋白质键向量、蛋白质值向量计算得到蛋白质的注意力矩阵；
25、基于所述药物的注意力矩阵、所述蛋白质的注意力矩阵进行特征融合，得到融合后的特征。
26、在其中一个实施例中，基于所述药物的注意力矩阵、所述蛋白质的注意力矩阵进行特征融合，得到融合后的特征，包括：
27、基于所述药物的注意力矩阵计算出药物特征图，并基于所述蛋白质注意力矩阵计算出蛋白质特征图；
28、将所述药物特征图、所述蛋白质特征图在通道维度上进行连接，并通过线性层得到目标药物特征图、目标蛋白质特征图；
29、通过全局最大池化操作对所述目标药物特征图、目标蛋白质特征图进行下采样处理，得到联合特征表示作为融合后的特征。
30、在其中一个实施例中，所述方法还包括：
31、将所述联合特征表示输入至基于深度学习的分类器中，通过所述分类器中的全连接层映射到输出空间；
32、采用adamw优化器来最小化交叉熵损失函数，并基于优化后的交叉熵损失函数进行参数优化。
33、在其中一个实施例中，基于所述融合后的特征预测药物与蛋白质的结合概率，包括：
34、将所述融合后的特征经过全连接网络，预测药物与蛋白质的结合概率。
35、一种基于深度学习的药物-靶点相互作用的预测系统，所述系统包括：
36、序列确定模块，用于确定待预测的药物分子的smiles序列和蛋白质的氨基酸序列；
37、药物分子图确定模块，用于基于所述药物分析的smiles序列确定药物分析的结构信息，根据所述结构信息生成药物分子图；
38、药物特征提取模块，用于将所述药物分子图输入至gps层，利用gine和多头注意力机制提取药物的特征表示；
39、蛋白质特征提取模块，用于将所述蛋白质的氨基酸序列输入至esm-2模型，提取出蛋白质的特征表示；
40本文档来自技高网...
【技术保护点】
1.一种基于深度学习的药物-靶点相互作用的预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度学习的药物-靶点相互作用的预测方法，其特征在于，将所述药物分子图输入至GPS层，利用GINE和多头注意力机制提取药物的特征表示，包括：
3.根据权利要求1所述的基于深度学习的药物-靶点相互作用的预测方法，其特征在于，将所述蛋白质的氨基酸序列输入至ESM-2模型，提取出蛋白质的特征表示，包括：
4.根据权利要求3所述的基于深度学习的药物-靶点相互作用的预测方法，其特征在于，基于所述ESM-2模型，采用CNN对所述高级嵌入表示进行处理，提取出蛋白质的特征表示，包括：
5.根据权利要求1所述的基于深度学习的药物-靶点相互作用的预测方法，其特征在于，将所述药物的特征表示与所述蛋白质的特征表示进行交叉注意力机制特征融合，得到融合后的特征，包括：
6.根据权利要求5所述的基于深度学习的药物-靶点相互作用的预测方法，其特征在于，基于所述药物查询向量、药物键向量、药物值向量、蛋白质查询向量、蛋白质键向量、蛋白质值向量进行特征融
7.根据权利要求6所述的基于深度学习的药物-靶点相互作用的预测方法，其特征在于，基于所述药物的注意力矩阵、所述蛋白质的注意力矩阵进行特征融合，得到融合后的特征，包括：
8.根据权利要求7所述的基于深度学习的药物-靶点相互作用的预测方法，其特征在于，所述方法还包括：
9.根据权利要求1所述的基于深度学习的药物-靶点相互作用的预测方法，其特征在于，基于所述融合后的特征预测药物与蛋白质的结合概率，包括：
10.一种基于深度学习的药物-靶点相互作用的预测系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种基于深度学习的药物-靶点相互作用的预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度学习的药物-靶点相互作用的预测方法，其特征在于，将所述药物分子图输入至gps层，利用gine和多头注意力机制提取药物的特征表示，包括：
3.根据权利要求1所述的基于深度学习的药物-靶点相互作用的预测方法，其特征在于，将所述蛋白质的氨基酸序列输入至esm-2模型，提取出蛋白质的特征表示，包括：
4.根据权利要求3所述的基于深度学习的药物-靶点相互作用的预测方法，其特征在于，基于所述esm-2模型，采用cnn对所述高级嵌入表示进行处理，提取出蛋白质的特征表示，包括：
5.根据权利要求1所述的基于深度学习的药物-靶点相互作用的预测方法，其特征在于，将所述药物的特征表示与所述蛋白质的特征表示进行交叉注意力机制特征融合，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。