【技术实现步骤摘要】
一种基于药物多维相似度的药物交互作用预测方法
本专利技术涉及生物信息学领域,特别涉及利用计算机技术预测药物交互作用的领域。
技术介绍
传统药物研发主要针对作用于单一靶标的单一化合物,而复杂疾病往往对应着复杂的生物过程,一对一的药物-靶标作用模式在很多疾病的治疗中无法达到显著疗效。临床发现合理的药物联用不仅可以提高药物疗效,还可以降低毒副作用,为复杂疾病的治疗提供了新方式:组合药物。组合药物由两种或者两种以上活性药物成分组成,不同成分通常作用于不同靶标,调控不同病理过程,以较低的量达到更高疗效并且降低药物毒副作用。目前,组合药物正愈来愈多地用于复杂疾病,如:癌症、艾滋病、高血压、肺结核等疾病的治疗中。不同于随机组合的药物,组合药物的不同药物间存在着协同交互作用。协同交互的药物组合具有有增效减毒的作用,即药物组合产生的药效大于各个药物单独使用时产生的药效的加和。与之对应的另外一种药物交互作用为拮抗交互,拮抗交互的药物组合会降低疗效,增加药物毒副作用。无论拮抗交互还是协同交互,药物间均存在着药理、药代方面的关联关系。针对复杂疾病的治疗,合理设计组合药物,有效地利用协同交互的药物组合同时避免拮抗交互的药物组合,将极大提高疾病的治疗效果。现有的组合药物主要来自于临床经验,而药物组合的情况随着药物个数呈指数级增加,其组合爆炸的问题使得临床或实验研究几乎无法实现。因此,发展有效的计算机预测方法成为组合药物发现研究的必然趋势,通过计算预测出药物组合的类型,能够为实验研究提供指导,有利于组合药物研发工作的推进。 ...
【技术保护点】
1.一种基于药物多维相似度的药物交互作用预测方法,该方法包括:/n一、基于所述多维度药物相似性特征构建基于马氏距离的SVM分类器;/n步骤1:获取已知药物交互作用类型的药物对;/n步骤2:计算每对药物中不同药物间的多维度相似性;/n步骤3:基于多维度药物相似性度量及药物交互作用已知类别学习马氏距离变换矩阵;/n步骤4:基于马氏距离变换后的数据,构建三类别药物交互作用的SVM分类器;/n二、基于上述构建好的SVM分类器预测任意多个(2个以上)候选药物中每两个药物间的相互作用;/n针对多个候选药物中任意两种DrugBank数据库内具有靶标、二维结构及ATC编码信息的药物,基于步骤2相同方法计算两个药物间的多维相似度;基于步骤3已经获得的马氏距离矩阵对多维相似度进行数据变换后带入步骤4内的分类器,获得这两个药物属于每一种药物相互作用类型的概率值,其中三类药物相互作用对应概率值的和为1,且利用概率值最大的药物相互作用类别作为预测获得的药物相互作用类别,即输入的两个药物属于协同、拮抗、独立中一种药物交互作用类型。/n
【技术特征摘要】
1.一种基于药物多维相似度的药物交互作用预测方法,该方法包括:
一、基于所述多维度药物相似性特征构建基于马氏距离的SVM分类器;
步骤1:获取已知药物交互作用类型的药物对;
步骤2:计算每对药物中不同药物间的多维度相似性;
步骤3:基于多维度药物相似性度量及药物交互作用已知类别学习马氏距离变换矩阵;
步骤4:基于马氏距离变换后的数据,构建三类别药物交互作用的SVM分类器;
二、基于上述构建好的SVM分类器预测任意多个(2个以上)候选药物中每两个药物间的相互作用;
针对多个候选药物中任意两种DrugBank数据库内具有靶标、二维结构及ATC编码信息的药物,基于步骤2相同方法计算两个药物间的多维相似度;基于步骤3已经获得的马氏距离矩阵对多维相似度进行数据变换后带入步骤4内的分类器,获得这两个药物属于每一种药物相互作用类型的概率值,其中三类药物相互作用对应概率值的和为1,且利用概率值最大的药物相互作用类别作为预测获得的药物相互作用类别,即输入的两个药物属于协同、拮抗、独立中一种药物交互作用类型。
2.如权利要求1所述的预测方法,其特征在于:
已知药物交互作用的药物对来源于如下数据库:
-DCDB数据库中药物靶标均已知的协同药物对至少100对;
-从DrugBank数据库中的药物交互作用中随机选取的拮抗药物对至少100对;
-从DrugBank药物中随机产生的不属于DCDB数据库及DrugBank药物交互作用的独立药物对至少100对;
-保证三类药物交互作用数目相等。
3.如权利要求1所述的预测方法,其特征在于,所述步骤2多维度药物相似性计算包括以下步骤:
步骤21:基于药物的分子描述符计算药物相似性;
步骤22:基于药物的二维结构计算药物相似性;
步骤23:基于药物靶标计算药物相似性;
步骤24:基于药物ATC编码计算药物相似性;
步骤25:基于药物靶标所在通路计算药物相似性;
步骤26:基于药物靶标在蛋白质交互作用网络中邻居节点计算药物相似性;
步骤27:整合基于不同特性的药物相似性度量结果获得124维的多维度药物相似性。
4.如权利要求3所述的预测方法,其特征在于,所述步骤21中分子描述符相似性计算如下:
其中,d1、d2代表任意两个药物,MD1d至MDnd表示药物d的n个不同分子描述符。
5.如权利要求3所述的预测方法,其特征在于,所述步骤23包括以下步骤:
步骤231:利用DrugBank数据库获得药物的靶标集合;
步骤232:基于两个药物共享靶标占靶标并集的比例计算药物相似性geneS1;
其中d1、d2代表任意两个药物,Td表示药物d的靶标集合;
步骤233:基于药物靶标的基因本体(GeneOntology:GO)语义相似性计算药物相似性,其中,利用Python的pyGS2包获得药物靶标集合对应的GO集合,并通过pyGS2包计算GO语义相似性,记为geneS2;
步骤234:基于靶标在蛋白质交互作用网络中的最短路径长度计算药物相似性geneS3:
其中,Td1、Td2分布代表药物d1、d2的靶标集合,t1、t2分别为靶标集合中任意一个成员,d(t1,t2)表示靶标t1、t2在PPI网络中的最短路径长度。
6.如权利要求3所述的预测方法,其特征在于,所述步骤25包括以下步骤:
步骤251:利...
【专利技术属性】
技术研发人员:陈迪,朴海龙,
申请(专利权)人:中国科学院大连化学物理研究所,
类型:发明
国别省市:辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。