CN115101142B 一种药物-靶点交互作用预测方法、系统及终端设备 （鹏城实验室）

Convolution-TransformerNeuralforDrug-TargetInteraXi'anJiaotong-LiverpoolUniversity..2022,第145-150.TianyuWangetal..ConformLocalFeaturesCoupliRepresentationsforDrug–TargetInteConferenceonBioinf一种药物-靶点交互作用预测方法、系统及本发明公开了一种药物-靶点交互作用预测SMILES字符串建模为分子图，并使用GNN图神经Transformer网络对靶点氨基酸序列进行靶点特接起来送入全连接层，进行药物-靶点交互作用对原始的transformer网络进行了改进，大大提2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网络对所所述低级特征馈入到分级Transformer网络的编码器中，输出具有蛋白质上下文信息所述分级Transformer网络包括两层，一层为低级Transformer网络，另一层为高级述高级Transformer网络的输入为多肽内部的上下文表示加上多肽位置嵌入，每个多肽序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2.根据权利要求1所述的药物-靶点交互作用预对来自药物组学数据库中的药物信息和靶点信息进行筛选，删除将具有相互作用关系的药物和靶点进行整合并构造成<药物编号3.根据权利要求1所述的药物-靶点交互作用预测方法使用RDkit工具将药物SMILES字符串4.根据权利要求1所述的药物-靶点交互作用预测方法，其3所述药物分子特征提取模块用于将正向点间互信息矩阵结合图神经网络作为特征提所述靶点氨基酸序列特征提取模块用于将靶点氨基酸序列切分成若使用对注意力机制进行改进后的分级transformer网络来处理所述多肽序列，以获得靶点将靶点氨基酸序列切分成若干个多肽序列，并使用对注意力机制进行改进后的分级所述低级特征馈入到分级Transformer网络的编码器中，输出具有蛋白质上下文信息所述分级Transformer网络包括两层，一层为低级Transformer网络，另一层为高级述高级Transformer网络的输入为多肽内部的上下文表示加上多肽位置嵌入，所述分级所述交互作用预测模块，用于将所述药物特征信息和靶点氨基酸序列特所述处理器执行所述计算机可读程序时实现如权利要求1-4任意一项所述药物-靶点4[0003]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相似性通常是通过药物的化学结构以及靶点的蛋白质序的非常复杂的特征，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[0005]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[0007]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[0011]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[0012]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5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[0015]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[0018]所述低级特征馈入到分级Transformer网络的编码器中，输出具有蛋白质上下文并使用GNN图神经网络提取所述分子图的药物特[0028]将所述相似性测度的全局结构信息输入到GNN图神经网络中，提取出药物特征信[0031]所述药物分子特征模块用于将正向点间互信息矩阵结合图神经网络作为特征提[0032]所述靶点氨基酸序列特征提取模块用于将靶点氨基酸序列切分成若干个多肽序6[0037]所述处理器执行所述计算机可读程序时实现如本发明所述药物-靶点交互作用方[0038]有益效果：本发明通过GNN图神经网络提取出药物特征信息，对于靶点氨基酸序[0047]请参阅图1，图1为本发明提供的一种药物-靶点交互作用预测方法较佳实施例的7[0051]S40、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-靶点交互作特征连接起来送入分类模型(全连接层神经网络)，进而依据已知存在相互作用的药物-靶取所述分子图的药物特征信息的步骤包括：使用RDkit工具将药物SMILES字符串建模为分8模是指用词嵌入层将多肽序列转换为词嵌入序列，所述词嵌入序列作为所述低级肽位置嵌入共同输入到所述高级Transformer网络，输出带有蛋白质上下文信息的多肽表[0059]在一些实施方式中，由于原始的Transformer网络每一层的自注意映射是独立学改进后的Transformer网络来对靶点氨基酸序列进行特征提取，可以提升对靶点氨基酸序征模块用于将正向点间互信息矩阵结合图神经网络作为特征提取器提取到药物特征信息；对注意力机制进行改进后的分级transformer网络来处理所述多肽序列，以获得靶点氨基9处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口硬盘、只读存储器(Read-OnlyMemory，ROM)、随机