CN114067905B 一种融合多层药物结构信息的药物-靶点相互作用预测方法 （大连大学）

一种融合多层药物结构信息的药物-靶点相本发明提供了一种融合多层药物结构信息全图卷积神经网络和Transformer网络提取药物取到的药物特征信息和靶点特征信息送入分类中的特征信息，在进行药物-靶点关系预测时准确率更高，提高了药物-靶点关系验证的效率和2步骤2：将药物SMILES分子指纹表示为分子图结构，使用分子补全图卷积神经网络和步骤1.3：从药物组学数据库中获取药物对应的SMILES分子指纹和靶点对应的序列信物被表示为G=ig,=(X,4)⃞},其中N表示药物的种类，X,eR"r"表示药物的特征矩阵，4e"表示药物的邻接矩阵，Di表示第i种药物的原子数目，C表示原子的特征通道数目；4.根据权利要求3所述一种融合多层药物3其中，是添加了self-attention的邻接矩阵，是的权重矩阵，其中n"和Θ(l)是第l层的卷积信号和滤波器参数；每个隐藏层之后采层的向量Hfe),使用数量为4的多头注意力模块进行处理；在所述多头注意力模块中使用经过多头注意力模块处理的特征向量使用公式(4)进行拼接，并送连接前馈神经网络的输出作为药物最终的特征向量M阵Mtar作为卷积神经网络的输入；对于小于嵌入矩阵长度的靶点序列会自动进行空标签的4步骤4.1：将步骤2得到药物特征向量Malldrug和步骤的训练；采用L2范数优化的二元交叉熵函数对模型进行优化，并保存效果最好的模型56[0014]步骤1.3：从药物组学数据库中获取药物种药物被表示为G=g,=(X,A)⃞},其中N表示药物的种类，表示药物的特征矩[0020]步骤2.2.1：分子补全图卷积神经网络MCGCN以步骤2.1中得到的图G作为输入，MCGCN通过为原始药物分子图增加一个补充图，来保证每个药物分子的邻接矩阵和特征矩[0022]其中，表示第i种药物的原始图G和补全图G′之间的连接矩阵；使用公式(2)进行表示：中Hf"和Θ(l)是第l层的卷积信号和滤波器参数；每个隐藏层之后7隐藏层的向量Hf"),使用数量为4的多头注意力模块进行处理；在所述多头注意力模块中将全连接前馈神经网络的输出作为药物最终的特征向量M得到的嵌入矩阵Mtar作为卷积神经网络的输入；对于小于嵌入矩阵长度的靶点序列会自动8作用关系的预测和COVID-19潜在治疗药[0055]步骤3：在PubChem数据库获取步骤1和步骤2中涉及药物的化学结构和Delta靶点9[0057]步骤5：将药物hkl格式的文件和Delta靶点的序列结构作为输入，加载保存的模[0064]根据以上步骤，本发明将药物-靶点关系预测效果与DeepDTA模型、DeepDTI模[0067]同时使用本发明的方法进行COVID-19和Delta靶点潜在治疗药物的预测，在实验Dextromethorphan均与Delta靶点具有密切的相互作用关系。其中，Dexamethasone和Dextromethorphan是被广泛应用于COVID-19的临床治疗并成功的缓解了COVID-19的并发Amitriptyline处理细胞后，细胞被感染的几率降低了90这同样为Amitriptyline用于和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应