CN110689965A 一种基于深度学习的药物靶点亲和力预测方法 （电子科技大学）_第1页
CN110689965A 一种基于深度学习的药物靶点亲和力预测方法 （电子科技大学）_第2页
CN110689965A 一种基于深度学习的药物靶点亲和力预测方法 （电子科技大学）_第3页
CN110689965A 一种基于深度学习的药物靶点亲和力预测方法 （电子科技大学）_第4页
CN110689965A 一种基于深度学习的药物靶点亲和力预测方法 （电子科技大学）_第5页
已阅读5页，还剩12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

一种基于深度学习的药物靶点亲和力预测本发明公开了一种基于深度学习的药物靶将化合物标签编码输入CNN模型中，对化合物进之间的次序关系以及蛋白质序列上的残基之间子表示和蛋白质的序列表示同时输入到全连接2S4、蛋白质特征提取，构建LSTM模型，将蛋白质的合物和蛋白质相互作用的亲和力进行预测，并输出化合物和蛋白质相互作用的亲和力表素Mi→j表示在一条氨基酸的第i个位置上的氨基酸在进化过程中变化成氨基酸j的可能性，6.根据权利要求5所述基于深度学习的药物靶点亲和力预测方法，其特征在于，所述34亲和力提供了药物-靶点对之间相互作用强度的信息，通常以解离常数(Kd)、抑制常数[0004]目前在药物-靶点相互作用亲和力预测任务中，SimBoost模型使用梯度增强机器略了药物-靶点相互作用之间的结合亲和力，造成最后预测药物-靶点相互作用准确度不[0011]S1、数据准备，从Davis数据集和KIBA数据集中获取药物化合物和靶点蛋白质数56[0030]本技术方案的技术效果是：对于蛋白质序列氨基酸之间的复另一个递归神经网络从后往前计算隐向量为则[0038]图1是本发明实施例中所述基于深度学习的药物靶点亲和力预测方法流程示意[0039]图2是本发明实施例中所述基于深度学习的药物靶点亲和力预测方法的预测模型7[0044]请参照图1和图2，本发明提供了一种基于深度学习的药物靶[0045]S1、数据准备，从Davis数据集和KIBA数据集中获取药物化合物和靶点蛋白质数文TangJ，SzwajdaA，ShakyawarS，eta1.MakingSenseofLarge-ScaleKinaseInhibitorBioactivityDataSets：AComparativeandIntegrativeAnalysis[J]取。使用位置特异性打分矩阵表示蛋白质不仅描述了蛋白质序列中氨基酸之间的顺序信8[0058]在本实施例中，是从TCMSP数据库下载Openbabel处理.mol格式文档，计算出化合物的SMILES分子结构规范，再使用R语言的9递归神经网络里存储的数据只有当前和过去时间的信息。然而像蛋白质序列上的一个残结构如图3所示，设一个递归神经网络从前往后计算隐向量为另一个递归神经网络从后

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