[发明专利]一种药物-靶点交互作用预测方法、系统及终端设备

说明书

本发明公开了一种药物‑靶点交互作用预测方法、系统及终端设备，方法包括步骤：将药物SMILES字符串建模为分子图，并使用GNN图神经网络提取所述分子图的药物特征信息；使用分级Transformer网络对靶点氨基酸序列进行靶点特征信息提取；将药物特征信息和靶点特征信息连接起来送入全连接层，进行药物‑靶点交互作用预测输出。本发明基于GNN和分级Transformer网络进行DTI预测，结合两种网络各自的特点，并且对原始的transformer网络进行了改进，大大提升了预测准确度和预测性能。

技术领域

本发明涉及药物靶向技术领域，尤其涉及一种药物-靶点交互作用预测方法、系统及终端设备。

背景技术

药物-靶点交互作用(DTI)的识别是药物科学研究的重要课题之一。多数药物是一种小分子化合物，当它被引入人体后，会引起某种生理上的变化。这些药物化合物会与人体内的各种蛋白质或核酸结合，这些机体内通过与药物相互作用而具有药效学功能的生物大分子被称为生物靶标，是药物作用的主要载体。药物分子通过结合特定靶点和改变其靶点的基因功能来实现疾病治疗。

机器学习已被成功地应用于药物-靶点相互作用预测，及其学习方法可以提取药物和靶标的拓扑结构特征，并利用这些特征计算药物与靶标的相似度。在计算相似度的过程中，往往需要使用两个与药物和靶标相关的相似矩阵以及表示DTI的相互作用矩阵，这些相似性通常是通过药物的化学结构以及靶点的蛋白质序列比对产生的。

在各类基于机器学习的方法中，深度学习特别是端到端学习可以提取与问题相关的非常复杂的特征，利用深度学习方法进行药物-靶点相互作用预测也逐渐成为研究的主流方向。

目前已经有部分研究是基于Transformer的网络架构，利用其语义特征提取能力和长距离特征捕获能力，将药物分子和蛋白质视为两种序列来预测DTI，但单独使用Transformer网络对药物分子信息处理的效果不佳，原始Transformer网络也有自身的局限性。

因此，现有技术还有待于改进和发展。

发明内容

鉴于上述现有技术的不足，本发明的目的在于提供一种药物-靶点交互作用预测方法、系统及终端设备，以实现不同土地利用分类系统之间的转换。

本发明的技术方案如下：

一种药物-靶点交互作用预测方法，其中，包括步骤：

对药物组学数据库中的药物和靶点信息进行预处理，提取具有相互作用的药物和靶点氨基酸序列，构建药物-靶点交互作用数据集；

将药物SMILES字符串建模为分子图，并使用GNN图神经网络提取所述分子图的药物特征信息；

将所述靶点氨基酸序列切分成若干个多肽序列，使用多个分级Transformer网络对所述若干个多肽序列分别进行特征提取，得到若干个多肽特征，每个多肽序列对应一个分级Transformer网络；

将所述若干个多肽特征进行池化聚合，得到靶点氨基酸序列的靶点特征信息；

将所述药物特征信息和所述靶点特征信息输入到分类模型中进行训练，训练后的分类模型与所述GNN图神经网络以及多个分级Transformer网络组成药物-靶点交互作用预测模型；

将待预测的药物和靶点氨基酸序列输入到所述药物-靶点交互作用预测模型中，加载所述药物-靶点交互作用预测模型对药物和靶点进行关系预测并输出预测结果。

所述的药物-靶点交互作用预测方法，其中，将所述靶点氨基酸序列切分成若干个多肽序列，使用多个分级Transformer网络对所述若干个多肽序列分别进行特征提取，得到若干个多肽特征的步骤包括：

对所述靶点氨基酸序列切分后形成的若干个多肽序列进行建模，提取低级特征；