[发明专利]基于矩阵补全的药物靶点预测方法及系统

说明书

本发明提供一种基于矩阵补全的药物靶点预测方法及系统，属于生物医药技术领域，通过图卷积网络学习药物和靶点的低维特征向量，结合图卷积网络中每个药物节点或靶点节点的拓扑性质和邻域信息，捕捉非线性相互作用；利用矩阵补全的方法对学习到的药物特征和靶点特征进行关系预测，得到靶点预测结果。本发明基于图神经网络方法有效融合网络结构和节点属性信息，通过对局部表示应用多层聚合捕获更高阶的节点特征信息；进一步基于矩阵补全的方法学习原始特征隐含的抽象信息；最后将网络中中药和靶点的特征表示学习和后续的靶点预测任务结合，通过后者进一步优化特征表示，构建端到端的预测模型。

技术领域

本发明涉及生物医药技术领域，具体涉及一种基于矩阵补全的药物靶点预测方法及系统。

背景技术

目前中药靶点研究作为解析中药作用机制的重要任务，一方面可以准确定位药物的适应症，另一方面可以进行更好的药物类似物设计并解释药物不良事件，从而加速药物发现过程。

药物靶点预测是指针对目前已有的药物，根据药物和靶点的特征，最后预测得到新的药物和靶点的相关关系。通常预测模型的设计框架为：根据药物和靶点的已有信息提取特征，通过计算机的相关技术(如人工智能和深度学习方法)，构建药物和靶点的关系预测方法。目前已有的药物靶点预测方法如下：

传统的药物靶点预测方法基本采用了“中药-成分-靶点”的研究策略：首先收集中药的所有成分，然后采用基于配体的靶向预测方法在蛋白质组范围内确定这些成分的潜在作用靶点，并进行体内验证。这些基础工作为中药的分子机制发现提供了更全面的认识。然而，该类策略的性能也常受到中药的生化特性和基于配体方法的缺点的限制。例如，一些中药仍然有很多成分未被发现，导致实验结果的偏差。基于配体的方法往往使用的候选靶点集只有少数已知的结合配体，很大程度上受限于目前已知结构的配体的数量，最后导致较差的预测结果。

近几年的研究表明，基于复杂网络和深度学习的方法已经成功地应用于药物靶点预测。例如，Yang等人使用PRINCE方法，对中药的所有候选靶点进行预测，通过对预测得分排序进行关系预测。Tao等人提出了一种结合本体推理和网络辅助基因排序的药物靶点预测方法。Zong等人提出了一种基于相似度的药物靶点预测方法，该方法采用了基于拓扑的相似度度量和两种基于相似度的推理方法。此外，Wang等人引入了基于网络的方法来探索药物-靶点相互作用的潜在相关性特征，并预测新的相互作用关系。

在上述传统的基于网络的中药靶点预测方法中，通常仅依靠网络本身的结构去学习中药和靶点的特征表示，并没有与后续的靶点预测任务结合共同优化特征表示。另外，生物学网络往往结构复杂，包含了丰富的结构及属性信息。一些浅层模型不能表示更高级的非线性网络结构，无法全面地融合节点属性和高阶网络结构更好地学习特征。进一步考虑到预测模块的设计时，在学习得到了中药和靶点的特征后，如果直接对两者进行矩阵相乘，一方面会造成预测模型的过拟合，另一方面会丢失原始特征数据隐含的一些概括性知识。

发明内容

本发明的目的在于提供一种减少了传统实验方法中对已有药物成分的依赖，充分利用中药的功效和临床效用数据，从中医临床角度出发探索中药的分子机制的基于矩阵补全的药物靶点预测方法及系统，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，本发明提供一种基于矩阵补全的药物靶点预测方法，包括：

通过图卷积网络学习药物和靶点的低维特征向量，结合图卷积网络中每个药物节点或靶点节点的拓扑性质和邻域信息，捕捉非线性相互作用；利用矩阵补全的方法对学习到的药物特征和靶点特征进行关系预测，得到靶点预测结果。

优选的，将中药的功效和中药的症状关系数据通过图卷积网络对药物的特征进行嵌入表示，得到药物网络中每个药物的嵌入向量特征，即药物空间的低维特征向量。