CN119479787A 一种化合物靶标相互作用预测方法及系统 （中山大学）

在语义信息；其中，多模态特征提取模型包括和知识图谱的拓扑特征通过特征融合模块进行知识融合后，通过知识图谱嵌入方法得到化合率对输入的化合物一靶标相互作用进行降序排2将所述知识图谱输入多模态特征提取模型中，提取全局知识图谱中将所述疾病语义特征、化合物语义特征、蛋白靶标语义特征和知根据化合物靶标预测概率对输入的化合物靶标相互作2.根据权利要求1所述的化合物靶标相互作用预测方法，其特征在于，所述知识图谱3.根据权利要求2所述的化合物靶标相互作用预测方中包括基于ICD2Vec框架的ICD编码转换器，用于将输入数据中的ICD编码转换为疾病语义定义查询矩阵Q:、键矩阵k和值矩阵；其中下标i表示图Transformer中的第i个计算图的拉普拉斯矩阵和欧几里得距离矩阵，并对所述3将所述注意力输出向量通过结合跳跃连接残差结构的前馈网络对输入的知识图谱中的靶标实体进行GO功能注释后，输将所有多层感知机进行残差连接，并将最终的输出映。将建立的知识图谱输入图神经网络，利用所述图神经网络将中心节点及所述中心实体的拓扑结构特征的更新过程包括：将中心实体ec的水平表示(ety+1及关系层次表示(e:e'y+1合并，更新下一次迭代的实体嵌入，直至完;4采用DistMult语义匹配模型为知识图谱中的每个可将所述知识图谱中的事实三元组被视为正样本数据，所有未发现将所述训练数据集输入所述多模态特征提取模型中进行交叉验证评其中，f(h,r,t)=hTrt为用于衡量三元组合理性的评分函数；(h,r,t)为正样本三元组中根据预设的负样本一正样本比例，将随机选取的部分正样本三元组(h,r,t)中的尾实体t多模态特征提取模块，其上搭载有多模态特征提取模56[0002]药物分子通过作为配体与靶标蛋白相互作用并激发或抑制靶标的生物过程来发虽然传统的体内或体外实验可用于预测化合物一靶标相互作用（compound一target及局部实体的内在语义信息；其中，所述多模态特征提取模型包括ICD2Vec层、图7本发明通过结合ICD2Vec层、图Transformer和基因本体论嵌入层进行提取化合本发明进一步利用知识图谱嵌入方法对融合语义特征和实体和关系的拓扑信息[0010]图2为本发明根据一实施例示出的TarIKGC模型与STarFish模型分别在两个数据[0011]图3为本发明根据一实施例示出的TarIKGC模型与STarFish模型分别在两个数据[0013]图5为本发明根据一实施例示出的两个化合物在CDK2的ATP口袋内的分子结合模8[0016]在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发含一个或多个相关联的列出项目的任何或所生物知识图谱，然后通过多模态特征提取模型提取知识图谱中三种实体的内在语义特征，9病实体使用ICD（InternationalClassificationofDiseases,国际疾病分类）进行标基于所述节点表示计算缩放点积注意力得分，并通过softmax函数得到语义权重dx表示键矩阵k,的维度；softmax表示softmax函数；stack表示堆积层；将N个自注意力头分别输出的三维特征权重矩阵进行连接及投影处理，得将所述注意力输出向量Attn(0通过结[0035]本实施例中选用图Transformer自主学习化合物的语义和空间结构特征，实现化ReLU函数；BN(·)表示批量归一化；Dropout(·)表示丢弃层；ymup表示当前多层感知机的将所有多层感知机进行残差连接，并将最终的输出映射到一个公共实体嵌入空。[0040]本实施例中的基因本体论嵌入层利用GO功能注释通过残差多层感知机网络在生点相应的节点特征和关系特征进行基于注意力机制的信息聚合得到中心实体的拓扑结构;r:wae表示在第l次迭代中的可训练的包括：采用DistMult语义匹配模型为知识图谱中的每个可能的三元组生成一个预测概率，[0052]本实施例使用DistMult语义匹配模型将编码器生成的实体和关系表示嵌入到向叉验证评估训练过程中，对于训练三元组中的每个头实体，检索与其关联的所有尾部实体t替换为另一实体t'生成负样本三元组(h,r,t')；对正样本三元组(h,r,t)和负样本三元组(h,r,t')分别标签为1和0。本实施例应用实施例1提出的化合物靶标相互作用预测方法，通过与现有的十种[0058]本实施例应用的基准模型包括七种基于分类的方法RF、KNN、STarFish、NPASS数据库采集了天然产物的结构及其相关靶标信息，由此建立的知识图谱包含20,550[0064]为了评估模型的有效性和泛化能力，本实施例采用以天然产物NPs为中心的模型为确保公平，两个模型均在所提出的两个数据集以及STarFish研究中的化合物_蛋白质相[0066]由图2可知，本发明的TarIKGC模型的四分位线在四个测试集中均上训练时，TarIKGC在预测萜类化合物_靶点关联上的全球Top_20命中率达到29.8%，而在本实施例应用实施例1提出的化合物靶标相互作用预测方法，提出一种化合物靶出的化合物靶标相互作用预测方法的全部或部指令被处理器执行时实现实施例1提出的化合物靶标相互作用预测方法的