[发明专利]保持药物化学性质与功能一致性的药物靶标预测方法及系统

说明书

本发明提供一种保持药物化学性质与功能一致性的药物靶标预测方法及系统，属于计算机辅助药物研发技术领域，获取待预测的药物的化学指纹；利用训练好的特征选择模型，对药物的化学指纹进行处理，得到药物与靶标的相互作用评分矩阵；基于药物与靶标的相互作用评分矩阵，将评分最高的对应靶标，作为该药物的作用靶标。本发明同时考虑药物的化学属性和临床功能，预测药物的可能靶标；将药物的特征向量先投影到蛋白空间，再投影到疾病空间，将药物‑靶标相互作用预测任务由传统单标签分类任务改为了多标签任务，考虑了药物与蛋白质之间复杂的容斥关系；通过保持药物化学相似性、功能相似性的一致性，保持了药物化学性质、分子机制与临床功能的一致性。

技术领域

本发明涉及计算机辅助药物研发技术领域，具体涉及一种保持药物化学 性质与功能一致性的药物靶标预测方法及系统。

背景技术

由于基于生物实验进行药物-靶标相互作用(DTI)鉴定具有耗时、费 力、成本高、失败率高等特点，基于计算学的方法预测药物的可能靶标成为 了药物研发领域的研究热点。然而，此前的大多数关于DTI预测的发明都没有 在预测过程中考虑到药物的化学性质和功能具有一致性。这种一致性的改变 可能会对预测结果的准确性造成严重的负面影响。

目前，传统的药物-靶标相互作用预测方法，主要可以分为对接模拟和基 于配体两类。对接模拟的方法需要模拟靶标的3D结构，这种方法非常耗时， 并且不是所有靶蛋白的结构信息都是已知的。基于配体的方法将要查询配体 的靶蛋白与一组已知配体的靶蛋白进行比较，然而，在已知配体数量很少的 情况下，这类方法的表现并不好。

针对上述问题，出现了基于深度神经网络的药物靶标相互作用预测方 法。基于相似的药物更可能和相似的靶标发生相互作用的假设，通过整合药 物-靶标异构网络中的多种信息来分析每一对药物与靶标发生相互作用的可能 性。

然而，目前的基于深度神经网络的方法，都将药物-靶标相互作用预测视 为单标签二分类任务，这使得每一对药物-靶标间的预测过程都是独立的。但 是，由于药物的化学性质和功能应该具有一致性，因此，具有相似化学结构 的药物也应具有相似的靶蛋白或相似的适应症。忽略药物和蛋白质之间复杂 的容斥关系，为每一对药物-靶标进行独立的预测，可能会将相互排斥的药物 视为相容的，这可能会导致在后续治疗中发生严重的药物误用。类似的，药 物与疾病间的关系预测也存在着同样的隐患。因此，除了考虑药物间的相似性关系和靶蛋白间的相似性关系，保持药物间化学属性相似性与功能相似性 的一致也尤为重要。

发明内容

本发明的目的在于提供一种保持药物化学性质与功能一致性的药物靶标 预测方法及系统，以解决上述背景技术中存在的至少一项技术问题。

为了实现上述目的，本发明采取了如下技术方案：

一方面，本发明提供一种保持药物化学性质与功能一致性的药物靶标预 测方法，包括：

获取待预测的药物的化学指纹；

利用训练好的特征选择模型，对药物的化学指纹进行处理，得到药物与 靶标的相互作用评分矩阵；所述特征选择模型将药物的靶标视为药物在蛋白 空间中的特征，将药物的适应症视为药物在疾病空间中的特征；其中，特征 选择模型在训练时，考虑靶标序列间的相似性和疾病间的相似性，以不同药 物间在药物空间、蛋白空间和疾病空间中相似性差异最小为目标，使药物化 学性质与功能保持一致；

基于药物与靶标的相互作用评分矩阵，将评分最高的对应靶标，作为该 药物的候选靶标。

优选的，训练所述特征选择模型包括：

提取每个药物的化学指纹、靶标序列信息和适应症信息，生成药物的化 学指纹特征矩阵、药物-靶标相互作用矩阵和药物-疾病关联矩阵；

基于药物的化学指纹特征矩阵、药物-靶标相互作用矩阵和药物-疾病关联 矩阵，分别计算药物的化学指纹相似性矩阵、靶标间的序列相似性矩阵和疾 病间的相似性矩阵；