CN119418757A 基于图神经网络拓扑增强的药物与靶标亲和力的预测方法 （郑州大学）_第1页
已阅读1页，还剩20页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于图神经网络拓扑增强的药物与靶标亲基于图神经网络拓扑增强的药物与靶标亲够更好地捕捉DTA预测中的关键模式和特征，从简化分子线性输入规范字符串；(2)提取药物和靶标的表示，将蛋白质口袋信息整合为拓扑结网络模块来提取表示；(3)将这些表示连接起来2(1)将药物和靶标表示为图的结构，使用蛋白质的氨基酸序列和接触图来构建蛋白质2.根据权利要求1所述的基于图神经网络拓扑增强的药物与靶标亲和力的预测方法，d)3.根据权利要求2所述的基于图神经网络拓扑增强的药物与靶标亲和力的预测方法，4.根据权利要求3所述的基于图神经网络拓扑增强的药物与靶标亲和力的预测方法，5.根据权利要求3所述的基于图神经网络拓扑增强的药物与靶标亲和力的预测方法，pt36.根据权利要求5所述的基于图神经网络拓扑增强的药物与靶标亲和力的预测方法，其中σ表示一个非线性的激活函数；a对应于具有自环的邻接矩阵；b表示a的度数矩7.根据权利要求6所述的基于图神经网络拓扑增强的药物与靶标亲和力的预测方法，其中，GCN由三个图卷积层组成；Pooling是一个全局平均池化层；Dropout表示一个8.根据权利要求7所述的基于图神经网络拓扑增强的药物与靶标亲和力的预测方法，4其中，MLP由两个全连接层组成，每个层后面都跟着一个dropout5力机制融合药物和残基表示。或者有的方法考虑水分子对药物与靶标亲和力预测的影响，[0008](1)将药物和靶标表示为图的结构，使用蛋白质的氨基酸序列和接触图来构建蛋6[0015]图4示出了在Davis数据集上本方法对比其他方法的表现，其中RMSE，MSE，[0017]图6示出了使用六个评估指标的平均值和标准差值，对虚拟节点和残差节点之间[0019]图8是本发明的基于图神经网络拓扑增强的药物与靶标亲和力的预测方法的流程[0021](1)将药物和靶标表示为图的结构，使用蛋白质的氨基酸序列和接触图来构建蛋7pt}和G’是通过连8)[0048]其中，如图3所示，GCN由三个图卷积层组成；Pooling是一个全局平均池化层；[0053]首先对提取Davis数据集中蛋白质的氨基酸序列和分子的简化分子线性输入规范字符串。之后提取Davis和KIBA数据集中蛋白质的口袋信息，以及构建蛋白质和分子图表9

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论