CN119517226A 一种基于图神经网络块的药物-靶标互作预测方法 （瑞安市人民医院(瑞安市人民医院医疗服务集团瑞安市红十字医院)）_第1页
CN119517226A 一种基于图神经网络块的药物-靶标互作预测方法 （瑞安市人民医院(瑞安市人民医院医疗服务集团瑞安市红十字医院)）_第2页
CN119517226A 一种基于图神经网络块的药物-靶标互作预测方法 （瑞安市人民医院(瑞安市人民医院医疗服务集团瑞安市红十字医院)）_第3页
CN119517226A 一种基于图神经网络块的药物-靶标互作预测方法 （瑞安市人民医院(瑞安市人民医院医疗服务集团瑞安市红十字医院)）_第4页
CN119517226A 一种基于图神经网络块的药物-靶标互作预测方法 （瑞安市人民医院(瑞安市人民医院医疗服务集团瑞安市红十字医院)）_第5页
已阅读5页，还剩9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

一种基于图神经网络块的药物-靶标互作预本发明公开了一种基于图神经网络块的药物靶标互作预测方法。准确的判别药物与靶标物与靶标互作预测的核心在于合理的分子表征学习。以往的研究已经证实GNN在药物特征编码方面的有效性。但是这些基于GNN的方法无法有效地兼顾药物分子的局部子结构特征与分子整体结构属性。针对目前的难点，提出了名为GNNBlockDTI的框架。GNNBlockDTI通过将多层GNN组合为一个GNNBlock单元，并引入特征增强策略，以捕获局部范围内药物图谱的子结构模冗余信息过滤，以获取有效的药物整体结构信2步骤S2、构建基于CNN和GCN的特征提取模块分别处理蛋步骤S3、将经过步骤S1中得到药物表征和经过步骤S2得然后将药物分子图输入到组合多层GNN的GNNBlock模块中，捕获分子图中局部范围内之后采用先扩展后精炼的特征增强策略，在GNNBlock的最后一层对节点特征进行升应用GRU中的门控策略，设置了重置门单元和更新门单元对每一层GNNBlock的输出进首先使用基于Bert架构的蛋白质预训练语言模型ProtBert获取氨基酸组成序列表示，使用基于Transformer架构的蛋白质序列模型ESM_1b预测得到蛋白质的残基接触图，获取3然后将氨基酸组成序列表示和蛋白质图网络表示分别送入基于1DCNN的框架和基于加在氨基酸组成序列提取模块中设置不同窗口尺寸的CNNlayer以从多尺度水平上编码在蛋白质图网络表示特征提取模块中，使用加权图卷积将蛋白质的序列表征和图表征采用相加的形式继续元素融4GNN的模型虽然能够识别局部范围内的子结构特征，但却无法捕获更大范围内隐含的结构步骤S2、构建不同的特征提取模块分别处理蛋白质的组成序列输入和接触图输入，将基于不同预训练模型处理蛋白质序列得到的氨基酸组成序列表示和蛋白质残基图送入到上述模块中，最后将蛋白质的序列表征和图表征进行融合，经过最大池化层5[0006]然后将药物分子图输入到组合多层GNN的GNNBlock模块中，捕获分子图中局部范首先使用基于Bert架构的蛋白质预训练语言模型ProtBert获取氨基酸组成序列然后将氨基酸组成序列表示和蛋白质图网络表示分别送入基于1DCNN的框架和基在氨基酸组成序列提取模块中设置不同窗口尺寸的CNNlayer以从多尺度水平上6本发明提供了一种基于图神经网络块的药物_靶标互作预测方法。传统手工湿实图图2是GNNBlockDTI模型中GNNBlock不同的组成层数N以及层数L，AUC_ROC和PR_图3是GNNBlockDTI模型中不同GNN的类型的图4是T_SNE降维后的效果和堆叠GNNBlock后每个图内的所有节点的向量差异性

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