[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

说明书

本发明涉及药物‑靶点相互作用预测技术、深度学习领域，具体为一种基于图卷积和相似性的药物‑靶点相互作用预测算法。包括：1)通过DrugBank和RCSB等公开数据库获取药物、蛋白质和DTI相关数据；2)通过全局结构相似性提取分子间结构信息；3)通过DeepChem提取药物分子和蛋白质分子的单体特征信息；4)通过特征降维、特征融合和归一化处理得到药物‑靶点相互作用预测结果；5)对模型进行参数调优，不断提升预测准确率，最优模型将用于辅助药物发现、药物验证和药物副作用等研究。

技术领域

本发明涉及药物-靶点相互作用预测技术领域，具体为一种基于图卷积和相似性的药物-靶点相互作用预测算法。

背景技术

药物-靶点相互作用(DTI)是药物通过作用于靶点蛋白质并与靶点蛋白质发生相互作用，从而影响靶点蛋白质的药理作用，这是药物产生药效的前提。药物-靶点相互作用的研究具有重要的理论指导意义和实际应用价值。长久以来，新设计和批准的药物不仅数量稀少，治疗疾病的效果也难达预期。其主要原因是大多数疾病的生物系统极其复杂，使得药物-靶点相互作用情况难以预测。因此，识别与预测潜在的药物-靶点相互作用，从而辅助药物发现、药物验证和药物副作用等研究，是一项艰巨的任务。通过计算方法预测药物-靶点相互作用，可缩小用于后续生物实验的候选药物范围，从而显著降低开发新药的时间成本。

随着人工智能和深度学习的出现和发展，为从不同水平、不同尺度全面了解药物-靶点相互作用预测技术，为新形势下系统模式的药物研发提供了新的研究方法和工具，日益成为医药研究领域的前沿热点之一，结合人工智能方法和药理学、生物信息学等知识，创造出了一种基于图卷积和相似性的药物-靶点相互作用预测算法。

发明内容

本发明的目的是为了解决上述药物-靶点相互作用预测领域所面临的困难和挑战，提供一种基于图卷积和相似性的药物-靶点相互作用预测算法。能够缩小用于后续生物实验的候选药物范围，从而显著降低开发新药的成本和时间。本发明的技术方案如下：

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，对药物分子转化为化学指纹后计算谷本系数以衡量两个药物化学之间的相似性，对蛋白质分子计算序列之间的编辑距离以衡量两个蛋白质分子之间的相似性。

分子图结构信息提取模块，通过DeepChem提取药物分子的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。通过DeepChem提取蛋白质图的特征矩阵和邻接矩阵，特征矩阵包含节点氨基酸，邻接矩阵描述生化相互作用。将以上信息通过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。

药物-靶点相互作用预测模块，对分子间结构信息及分子图结构信息利用卷积神经网络降维，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，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；

进一步的，所述基于图卷积和相似性的药物-靶点相互作用预测算法的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；

进一步的，所述基于图卷积和相似性的药物-靶点相互作用预测算法的分子图结构信息提取模块具体包括：