【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及藥物靶點(diǎn)預(yù)測(cè)，特別是涉及一種基于深度學(xué)習(xí)的藥物-靶點(diǎn)相互作用的預(yù)測(cè)方法及系統(tǒng)。
技術(shù)介紹
1、藥物-靶點(diǎn)相互作用(dti)預(yù)測(cè)在藥物發(fā)現(xiàn)中扮演著關(guān)鍵角色。傳統(tǒng)的體外實(shí)驗(yàn)雖然可靠，但其高昂的成本和耗時(shí)的開(kāi)發(fā)周期限制了其在大規(guī)模數(shù)據(jù)應(yīng)用中的廣泛使用。相比之下，利用計(jì)算機(jī)方法識(shí)別潛在的dti能夠有效縮小候選化合物的搜索范圍，加速藥物發(fā)現(xiàn)過(guò)程并減少開(kāi)發(fā)成本。近年來(lái)，計(jì)算機(jī)輔助的dti預(yù)測(cè)方法得到了廣泛關(guān)注和持續(xù)進(jìn)展，為生物醫(yī)學(xué)領(lǐng)域帶來(lái)了新的研究前景和機(jī)會(huì)。
2、在藥物-靶點(diǎn)相互作用(dti)預(yù)測(cè)領(lǐng)域，計(jì)算方法通常分為三大類：基于配體的方法、基于結(jié)構(gòu)的方法和基于化學(xué)基因組學(xué)的方法。基于配體的方法：這類方法依賴于藥物與已知目標(biāo)蛋白配體之間的相似性來(lái)預(yù)測(cè)它們的相互作用，通過(guò)比較新藥與已知配體的相似度，推斷其可能的靶點(diǎn)，這類方法簡(jiǎn)單易行，適用于已有大量已知配體的情況；基于結(jié)構(gòu)的方法：這種方法利用藥物和目標(biāo)蛋白的三維結(jié)構(gòu)信息，模擬它們的相互作用趨勢(shì)。通過(guò)分子對(duì)接、分子動(dòng)力學(xué)模擬等手段，預(yù)測(cè)藥物與靶點(diǎn)的結(jié)合模式和親和力。基于化學(xué)基因組學(xué)的方法：這種方法綜合利用藥物和靶標(biāo)的多種信息(如基因組序列和藥物化學(xué)結(jié)構(gòu))，通常結(jié)合機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)，來(lái)預(yù)測(cè)它們之間的相互作用。它能夠從大規(guī)模數(shù)據(jù)中學(xué)習(xí)復(fù)雜的關(guān)系模式，提高預(yù)測(cè)的準(zhǔn)確性和效率。
3、盡管現(xiàn)有的dti預(yù)測(cè)技術(shù)取得了一定的成功，但仍存在一些顯著的局限性。基于配體的方法依賴于目標(biāo)蛋白已知配體的數(shù)量，且相似性假設(shè)不總是準(zhǔn)確；基于結(jié)構(gòu)的方法依賴于目標(biāo)蛋白的確切三維結(jié)構(gòu)
技術(shù)實(shí)現(xiàn)思路
1、基于此，為了解決上述技術(shù)問(wèn)題，提供一種基于深度學(xué)習(xí)的藥物-靶點(diǎn)相互作用的預(yù)測(cè)方法及系統(tǒng)，可以實(shí)現(xiàn)藥物-靶點(diǎn)相互作用的高效、準(zhǔn)確預(yù)測(cè)。
2、一種基于深度學(xué)習(xí)的藥物-靶點(diǎn)相互作用的預(yù)測(cè)方法，所述方法包括：
3、確定待預(yù)測(cè)的藥物分子的smiles序列和蛋白質(zhì)的氨基酸序列；
4、基于所述藥物分析的smiles序列確定藥物分析的結(jié)構(gòu)信息，根據(jù)所述結(jié)構(gòu)信息生成藥物分子圖；
5、將所述藥物分子圖輸入至gps層，利用gine和多頭注意力機(jī)制提取藥物的特征表示；
6、將所述蛋白質(zhì)的氨基酸序列輸入至esm-2模型，提取出蛋白質(zhì)的特征表示；
7、將所述藥物的特征表示與所述蛋白質(zhì)的特征表示進(jìn)行交叉注意力機(jī)制特征融合，得到融合后的特征，并基于所述融合后的特征預(yù)測(cè)藥物與蛋白質(zhì)的結(jié)合概率。
8、在其中一個(gè)實(shí)施例中，將所述藥物分子圖輸入至gps層，利用gine和多頭注意力機(jī)制提取藥物的特征表示，包括：
9、基于所述藥物分子圖獲取節(jié)點(diǎn)和邊特征；
10、將所述藥物分子圖輸入至gps層，獲取所述藥物分子圖的鄰接矩陣；
11、利用gine，根據(jù)所述節(jié)點(diǎn)和邊特征、鄰接矩陣進(jìn)行特征提取；利用多頭注意力機(jī)制，根據(jù)所述節(jié)點(diǎn)進(jìn)行特征提取。
12、在其中一個(gè)實(shí)施例中，將所述蛋白質(zhì)的氨基酸序列輸入至esm-2模型，提取出蛋白質(zhì)的特征表示，包括：
13、將蛋白質(zhì)的氨基酸序列輸入至esm-2模型，得到蛋白質(zhì)序列高級(jí)嵌入表示；
14、基于所述esm-2模型，采用cnn對(duì)所述高級(jí)嵌入表示進(jìn)行處理，提取出蛋白質(zhì)的特征表示。
15、在其中一個(gè)實(shí)施例中，基于所述esm-2模型，采用cnn對(duì)所述高級(jí)嵌入表示進(jìn)行處理，提取出蛋白質(zhì)的特征表示，包括：
16、基于所述esm-2模型，根據(jù)所述高級(jí)嵌入表示得到蛋白質(zhì)嵌入向量；
17、將所述蛋白質(zhì)嵌入向量輸入至cnn中，輸出蛋白質(zhì)的特征表示。
18、在其中一個(gè)實(shí)施例中，將所述藥物的特征表示與所述蛋白質(zhì)的特征表示進(jìn)行交叉注意力機(jī)制特征融合，得到融合后的特征，包括：
19、基于所述藥物的特征表示，確定藥物特征圖的節(jié)點(diǎn)數(shù)以及嵌入維度；
20、將所述藥物的特征表示進(jìn)行線性變換，根據(jù)所述藥物特征圖的節(jié)點(diǎn)數(shù)以及嵌入維度得到藥物查詢向量，并基于所述蛋白質(zhì)的特征表示得到藥物鍵向量、藥物值向量；
21、將所述蛋白質(zhì)的特征表示輸入到線性層中，計(jì)算得到蛋白質(zhì)查詢向量，并基于所述藥物的特征表示得到蛋白質(zhì)鍵向量、蛋白質(zhì)值向量；
22、基于所述藥物查詢向量、藥物鍵向量、藥物值向量、蛋白質(zhì)查詢向量、蛋白質(zhì)鍵向量、蛋白質(zhì)值向量進(jìn)行特征融合，得到融合后的特征。
23、在其中一個(gè)實(shí)施例中，基于所述藥物查詢向量、藥物鍵向量、藥物值向量、蛋白質(zhì)查詢向量、蛋白質(zhì)鍵向量、蛋白質(zhì)值向量進(jìn)行特征融合，得到融合后的特征。包括：
24、根據(jù)所述藥物查詢向量、藥物鍵向量、藥物值向量計(jì)算得到藥物的注意力矩陣；并根據(jù)所述蛋白質(zhì)查詢向量、蛋白質(zhì)鍵向量、蛋白質(zhì)值向量計(jì)算得到蛋白質(zhì)的注意力矩陣；
25、基于所述藥物的注意力矩陣、所述蛋白質(zhì)的注意力矩陣進(jìn)行特征融合，得到融合后的特征。
26、在其中一個(gè)實(shí)施例中，基于所述藥物的注意力矩陣、所述蛋白質(zhì)的注意力矩陣進(jìn)行特征融合，得到融合后的特征，包括：
27、基于所述藥物的注意力矩陣計(jì)算出藥物特征圖，并基于所述蛋白質(zhì)注意力矩陣計(jì)算出蛋白質(zhì)特征圖；
28、將所述藥物特征圖、所述蛋白質(zhì)特征圖在通道維度上進(jìn)行連接，并通過(guò)線性層得到目標(biāo)藥物特征圖、目標(biāo)蛋白質(zhì)特征圖；
29、通過(guò)全局最大池化操作對(duì)所述目標(biāo)藥物特征圖、目標(biāo)蛋白質(zhì)特征圖進(jìn)行下采樣處理，得到聯(lián)合特征表示作為融合后的特征。
30、在其中一個(gè)實(shí)施例中，所述方法還包括：
31、將所述聯(lián)合特征表示輸入至基于深度學(xué)習(xí)的分類器中，通過(guò)所述分類器中的全連接層映射到輸出空間；
32、采用adamw優(yōu)化器來(lái)最小化交叉熵?fù)p失函數(shù)，并基于優(yōu)化后的交叉熵?fù)p失函數(shù)進(jìn)行參數(shù)優(yōu)化。
33、在其中一個(gè)實(shí)施例中，基于所述融合后的特征預(yù)測(cè)藥物與蛋白質(zhì)的結(jié)合概率，包括：
34、將所述融合后的特征經(jīng)過(guò)全連接網(wǎng)絡(luò)，預(yù)測(cè)藥物與蛋白質(zhì)的結(jié)合概率。
35、一種基于深度學(xué)習(xí)的藥物-靶點(diǎn)相互作用的預(yù)測(cè)系統(tǒng)，所述系統(tǒng)包括：
36、序列確定模塊，用于確定待預(yù)測(cè)的藥物分子的smiles序列和蛋白質(zhì)的氨基酸序列；
37、藥物分子圖確定模塊，用于基于所述藥物分析的smiles序列確定藥物分析的結(jié)構(gòu)信息，根據(jù)所述結(jié)構(gòu)信息生成藥物分子圖；
38、藥物特征提取模塊，用于將所述藥物分子圖輸入至gps層，利用gine和多頭注意力機(jī)制提取藥物的特征表示；
39、蛋白質(zhì)特征提取模塊，用于將所述蛋白質(zhì)的氨基酸序列輸入至esm-2模型，提取出蛋白質(zhì)的特征表示；
40本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于深度學(xué)習(xí)的藥物-靶點(diǎn)相互作用的預(yù)測(cè)方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的藥物-靶點(diǎn)相互作用的預(yù)測(cè)方法，其特征在于，將所述藥物分子圖輸入至GPS層，利用GINE和多頭注意力機(jī)制提取藥物的特征表示，包括：
3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的藥物-靶點(diǎn)相互作用的預(yù)測(cè)方法，其特征在于，將所述蛋白質(zhì)的氨基酸序列輸入至ESM-2模型，提取出蛋白質(zhì)的特征表示，包括：
4.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的藥物-靶點(diǎn)相互作用的預(yù)測(cè)方法，其特征在于，基于所述ESM-2模型，采用CNN對(duì)所述高級(jí)嵌入表示進(jìn)行處理，提取出蛋白質(zhì)的特征表示，包括：
5.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的藥物-靶點(diǎn)相互作用的預(yù)測(cè)方法，其特征在于，將所述藥物的特征表示與所述蛋白質(zhì)的特征表示進(jìn)行交叉注意力機(jī)制特征融合，得到融合后的特征，包括：
6.根據(jù)權(quán)利要求5所述的基于深度學(xué)習(xí)的藥物-靶點(diǎn)相互作用的預(yù)測(cè)方法，其特征在于，基于所述藥物查詢向量、藥物鍵向量、藥物值向量、蛋白質(zhì)查詢向量、蛋白質(zhì)鍵向量、蛋白質(zhì)值向量進(jìn)行特征融
7.根據(jù)權(quán)利要求6所述的基于深度學(xué)習(xí)的藥物-靶點(diǎn)相互作用的預(yù)測(cè)方法，其特征在于，基于所述藥物的注意力矩陣、所述蛋白質(zhì)的注意力矩陣進(jìn)行特征融合，得到融合后的特征，包括：
8.根據(jù)權(quán)利要求7所述的基于深度學(xué)習(xí)的藥物-靶點(diǎn)相互作用的預(yù)測(cè)方法，其特征在于，所述方法還包括：
9.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的藥物-靶點(diǎn)相互作用的預(yù)測(cè)方法，其特征在于，基于所述融合后的特征預(yù)測(cè)藥物與蛋白質(zhì)的結(jié)合概率，包括：
10.一種基于深度學(xué)習(xí)的藥物-靶點(diǎn)相互作用的預(yù)測(cè)系統(tǒng)，其特征在于，所述系統(tǒng)包括：
...【技術(shù)特征摘要】
1.一種基于深度學(xué)習(xí)的藥物-靶點(diǎn)相互作用的預(yù)測(cè)方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的藥物-靶點(diǎn)相互作用的預(yù)測(cè)方法，其特征在于，將所述藥物分子圖輸入至gps層，利用gine和多頭注意力機(jī)制提取藥物的特征表示，包括：
3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的藥物-靶點(diǎn)相互作用的預(yù)測(cè)方法，其特征在于，將所述蛋白質(zhì)的氨基酸序列輸入至esm-2模型，提取出蛋白質(zhì)的特征表示，包括：
4.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的藥物-靶點(diǎn)相互作用的預(yù)測(cè)方法，其特征在于，基于所述esm-2模型，采用cnn對(duì)所述高級(jí)嵌入表示進(jìn)行處理，提取出蛋白質(zhì)的特征表示，包括：
5.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的藥物-靶點(diǎn)相互作用的預(yù)測(cè)方法，其特征在于，將所述藥物的特征表示與所述蛋白質(zhì)的特征表示進(jìn)行交叉注意力機(jī)制特征融合，...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：崔菲菲，熊安，夏燕，張子龍，
申請(qǐng)(專利權(quán))人：海南大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。