[发明专利]一种基于图卷积和相似性的药物-靶点相互作用预测算法

权利要求书

1.一种基于图卷积和相似性的药物-靶点相互作用预测算法，其特征在于，包括以下步骤：

1)构建分子间结构信息提取网络，计算药物数据集和蛋白质数据集中每个分子之间的相似性，生成结构相似性矩阵，从而得到分子间结构相似性特征；

2)构建分子图结构信息网络，利用图卷积神经网络对化学分子建模，通过DeepChem将每个药物的SMILES字符串转换为特征矩阵和邻接矩阵，分析蛋白质结构并提取特征信息；

3)构建药物-靶点相互作用预测网络，该网络对编码的结构特征进行特征降维、特征融合，并进行最终的药物-靶点相互作用预测；

4)利用构建的数据集对神经网络模型进行训练，将训练好的神经网络模型用于后续药物-靶点相互作用预测并辅助加速药物研发。

2.根据权利要求1所述的基于图卷积和相似性的药物-靶点相互作用预测算法，其主要特征在于，药物-靶点相互作用预测算法包括分子间结构信息提取模块、分子图结构信息提取模块和药物-靶点相互作用预测模块。分子间结构信息提取模块通过全局结构相似性进行特征编码；分子图结构信息提取模块利用DeepChem提取每个单体药物和蛋白质的特征信息；药物-靶点相互作用预测模块对分子间结构信息提取模块和分子图结构信息提取模块得到的特征进行降维、融合和归一化处理，最终得到药物-靶点相互作用预测结果。

3.根据权利要求2所述的基于图卷积和相似性的药物-靶点相互作用预测算法，其特征在于，分子间结构信息提取模块具体包括：

1)利用化学信息学的开源工具包Rdkit中的GetMorganFingerprint方法将药物的SMILES字符串转换为化学指纹；

2)利用谷本系数(Tanimoto Coefficient)衡量两个药物化学指纹之间的相似性，利用编辑距离衡量两个蛋白质序列之间的相似性；

3)利用输入药物(蛋白质)进行预处理，计算其与药物(蛋白质)数据集中的所有药物(蛋白质)的相似性，生成药物(蛋白质)相似性矩阵。

4.根据权利要求2所述的基于图卷积和相似性的药物-靶点相互作用预测算法，其特征在于，分子图结构信息提取模块具体包括：

1)利用DeepChem将药物的SMILES字符串转换为特征矩阵和邻接矩阵。特征矩阵包含每个原子的节点信息，邻接矩阵表示原子之间的化学键；

2)利用标准PDB结构文件提取所需的ProteinGraph。特征矩阵包含节点氨基酸，邻接矩阵描述生化相互作用；

3)利用图卷积神经网络捕获药物原子和蛋白质残基之间的内在结构。

5.根据权利要求2所述的基于图卷积和相似性的药物-靶点相互作用预测算法，其特征在于，药物-靶点相互作用预测模块具体包括：

1)对分子间结构信息提取模块及分子图结构信息提取模块得到的特征利用卷积神经网络降维；

2)对降维后的分子间结构信息及分子图结构信息进行融合拼接，得到相互作用特征；

3)对相互作用特征进行归一化处理得到药物-靶点相互作用预测结果。

6.一种计算机设备，包括存储器，显卡，中央处理器，所述存储器存储有计算机程序，其特征在于，所述中央处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。